雷沃ZP9500高地隙喷雾机的GNSS自动导航作业系统设计

为减少农药喷雾作业对人体造成的化学损害,该研究以雷沃高地隙喷杆喷雾机为平台,基于GNSS开发了自动导航作业系统,实现喷雾机在极少人工干预情况下的自动导航作业。通过对平台的机-电-液改造,实现了喷雾机作业系统的电气化控制。基于简化的二自由度车辆转向模型设计了以位置偏差和航向偏差为状态变量的直线路径跟踪控制算法,基于纯追踪模型设计了曲线路径跟踪控制算法。根据喷雾机田间作业需要设计了喷雾机一体化自动导航作业控制方法,使系统能够自动控制喷雾机完成直线、地头转弯行驶和喷雾作业,油门调节以及车辆启停控制。在1.3 m/s左右的前进速度条件下,分别在水泥路面、旱田、水田环境中进行了试验,测试结果表明:水泥路面车身横滚在–1.6?~1.5?范围,直线路径跟踪误差最大值为3.9 cm,平均值为-0.15 cm,标准差为1.0 cm;旱田地块车身横滚在–1.4?~3.3?范围,跟踪误差最大值为9.8 cm,平均值为1.3 cm,标准差为3.3 cm;水田环境车身横滚在–2.4?~5.2?范围,跟踪误差最大值为17.5 cm,平均值为2.2 cm,标准差为4.4 cm。试验数据表明,所设计的自动导航作业系统初始上线快速、地头转弯对行平顺、各设计功能执行可靠;导航系统具有良好的稳定性和控制精度,能够满足水田、旱田环境下的喷雾作业要求。     

基于显著性检测与改进Hough变换方法识别未成熟番茄

通过自动识别自然环境下获取果实图像中的未成熟果实,以实现自动化果实估产的目的。该文以番茄为对象,根据视觉显著性的特点,提出了使用基于密集和稀疏重构(dense and sparse reconstruction,DSR)的显著性检测方法检测未成熟番茄果实图像,该方法首先计算密集和稀疏重构误差;其次使用基于上下文的重构误差传播机制平滑重构误差和提亮显著性区域;再通过多尺度重构误差融合与偏目标高斯细化;最后通过贝叶斯算法融合显著图得到DSR显著灰度图。番茄DSR灰度图再经过OTSU算法进行分割和去噪处理,最终使用该文提出的改进随机Hough变换(randomized hough transform,RHT)圆检测方法识别番茄果簇中的单果。结果显示,该文方法对未成熟番茄果实的正确识别率能达到77.6%。同时,该文方法与人工测量的圆心和半径的相关系数也分别达到0.98和0.76,研究结果为估产机器人的多种果实自动化识别提供参考。     

基于K-means算法的温室移动机器人导航路径识别

针对温室移动机器人机器视觉导航路径识别实时性差、受光照干扰影响严重等问题,首先,将HSI颜色空间3个分量进行分离,选取与光照信息无关且可以有效抑制噪声影响的色调分量H进行后续图像处理,以削弱光照对机器人视觉导航的不良影响;针对温室环境图像特有的颜色特征信息,引入K-means算法对图像进行聚类分割,将垄间道路信息与绿色作物信息各自聚类,再通过形态学腐蚀方法去除聚类后图像中存在的冗余、干扰信息,以获得完整的道路信息,与常用阈值分割方法相比,可降低因分割信息不明确而导致后续Hough变换进行直线拟合时需占据大量内存且计算量较大的问题,进而提高移动机器人路径识别的快速性,并适应温室作业机器人自主导航的高实时性要求。试验结果表明,该文方法在复杂背景与变光照条件下的温室作业环境中可大幅降低光照对机器人导航的影响,对于光照不均具有良好的鲁棒性,道路信息提取率可达95%。同时,其平均单幅图像处理时耗降低53.26%,可显著提高路径识别速度。该研究可为解决温室移动机器人机器视觉导航路径识别的鲁棒性及实时性问题提供参考。     

改进圆形Hough变换的田间红提葡萄果穗成熟度判别

针对田间环境下红提葡萄果穗成熟度人眼判断效率低且易误判的问题,该研究采用K近邻(K-nearest neighbor,KNN)算法和最大类间方差(Otsu)法分别对葡萄果穗图像背景分割以找到最佳分割效果,采用圆形Hough变换识别葡萄果粒,并开发了可判别葡萄果穗成熟度的算法。研究结果表明,不论顺光、逆光或者与田间背景相似的绿色果穗,KNN法可实现良好的背景分割,然后圆形Hough变换法在边缘阈值和灵敏度分别取0.15和0.942时,识别葡萄果粒的准确率可达96.56%。在此研究基础上,采用该研究开发的葡萄果穗成熟度判断算法,可根据颜色将果粒划分不同成熟度等级,并实现对果穗成熟度判别,判别准确率为91.14%。该研究结果可为果农适宜期收获葡萄及自动化采摘提供重要指导。     

基于两级分割与区域标记梯度Hough圆变换的苹果识别

自然环境下果实的准确分割与快速识别是采摘机器人作业面临的难题之一。针对自然环境中的成熟苹果,该研究提出一种基于Otsu与分水岭相结合的两级分割算法与区域标记梯度Hough圆变换的苹果识别方法。首先,使用亮度自适应校正算法对表面亮度分布不均的苹果图像进行校正,增强图像的细节信息。结合果实颜色特征,提取YCbCr颜色空间的Cr分量图像作为预处理样本。然后,采用改进后的Otsu算法进行初次分割,得到苹果目标的二值图像,该算法通过引入形态学开-闭重建滤波去除大量背景噪声,通过缩减灰度级遍历范围提高分割速率。采用基于距离变换的分水岭算法进行二次分割,分离粘连果实区域,提取目标苹果的外部轮廓。最后,在轮廓外设置最小外接矩形标记有效区域,在标记区域内进行梯度Hough圆变换实现苹果目标的自动识别。对自然环境中采集的200幅苹果图像进行测试,并与传统梯度Hough圆变换方法进行对比,该文方法在顺、逆光下的识别准确率为90.75%和89.79%,比传统方法提高了15.03和16.41个百分点,平均识别时间为0.665和0.693 s,比传统方法缩短了0.664和0.643 s。所提的两级分割算法不仅可以从复杂环境中准确分割果实目标区域,而且可以从粘连果实区域中提取单个果实边界。利用区域标记的梯度Hough圆变换方法能够快速准确地对果实进行识别。研究结果能满足苹果采摘机器人对不同光照下目标识别速度和精度的要求,可为苹果等类球形果实的快速识别提供参考。     

基于知识的视觉导航农业机器人行走路径识别

目前的农业生产方式引起了环境污染、生态恶化等诸多问题，研制具有精确作业能力的视觉导航农业机器人因而被较多关注。针对导航视觉系统采集的农田非结构化自然环境彩色图像，探讨了用于行走路径识别的适宜的彩色特征，并结合农田作业时农业机器人行走路径的特点，运用路径知识启发机制识别出行走路径。与传统的阈值分割算法的对比处理试验表明，此识别算法可以明显地改善路径识别效果。     

基于监督局部线性嵌入算法的玉米田间杂草识别

杂草精准识别是实现农药定向定量喷洒的基础,是精准农业重要的研究课题之一,对环境保护和生产成本控制都有着重要的现实意义。该文以玉米田间常见杂草为研究对象,首先通过超绿特征去除田间复杂背景的影响,然后采用形态学方法自动分割图像中绿色植物区域作为待判别为杂草或作物的识别对象,之后采用基于Fisher投影的监督LLE（locally linear embedding）方法对样本的高维灰度特征进行降维,在低维空间结合支持向量机实现了杂草的快速识别。试验结果表明,该识别方法能更好地发现杂草与玉米的低维特征,对杂草和玉米植株的平均识别率分别达到97.2%和77.8%。该研究结果可为精准喷洒除草剂的自动化实现提供参考。     

基于中值点Hough变换玉米行检测的导航线提取方法

为解决机器视觉对早期玉米苗带在多环境变量下导航线提取耗时长、准确率低的问题,该研究提出了一种基于中值点Hough变换作物行检测的导航线提取算法。首先,改进了传统的2G-R-B算法,再结合中值滤波、最大类间方差法和形态学操作实现土壤背景与玉米苗带的分割。其次,通过均值法提取玉米苗带特征点,然后采用中值点Hough变换拟合垄间两侧玉米苗列线,最后将检测出的双侧玉米苗列线为导航基准线,利用夹角正切公式提取导航线。试验结果表明：改进的灰度化算法能够正确分割玉米苗带与土壤,处理一幅640×480像素彩色图像平均耗时小于160 ms,基于中值点Hough变换检测玉米苗列再提取导航线的最大误差为0.53°,相比于传统Hough变换时间上平均快62.9 ms,比最小二乘法平均精确度提高了7.12°,在农田早期玉米苗带多环境变量影响因素下导航线提取准确率均达92%以上,具有较强的可靠性和准确性。     

基于垄线平行特征的视觉导航多垄线识别

为有效快速地识别农田多条垄线以实现农业机器人视觉导航与定位,提出一种基于机器视觉的田间多垄线识别与定位方法。使用VC++ 6.0开发了农业机器人视觉导航定位图像处理软件。该方法通过图像预处理获得各垄行所在区域,使用垂直投影法提取出导航定位点。根据摄像机标定原理与透视变换原理,计算出各导航定位点世界坐标。然后结合垄线基本平行的特征,使用改进的基于Hough变换的农田多垄线识别算法,实现多垄线的识别与定位。使用多幅农田图像进行试验并在室内进行了模拟试验。处理一幅320×240的农田图像约耗时219.4 ms,室内试验各垄线导航距与导航角的平均误差分别为2.33 mm与0.3°。结果表明,该方法能有效识别与定位农田的多条垄线,同时算法的实时性也能满足 要求。     

基于SUSAN角点的秧苗列中心线提取方法

中国南方水田环境复杂,不同生长阶段秧苗的形态各异,且田中常出现浮萍及蓝藻,其颜色与秧苗颜色极其相似,因此常用的作物特征提取算法难以应用在水田上。针对这些问题,该文提出一种基于SUSAN角点的秧苗列中心线方法。运用归一化的Ex G(excess green index)提取秧苗的灰度化特征,运用自适应的SUSAN(smallest univalue segment assimilating nucleus)算子提取秧苗特征角点;最后运用扫描窗口近邻法进行聚类,采用基于已知点的Hough变换(known point Hough transform)提取秧苗列中心线。经试验验证,此算法在图像中存在浮萍、蓝藻和秧苗倒影的情况下有较高的鲁棒性。在各种情况下均成功提取秧苗的列中心线,且每幅真彩色图像(分辨率:1280×960)处理时间不超过563 ms,满足视觉导航的实时性要求。     

线性时变模型预测控制器提高农业车辆导航路径自动跟踪精度

为提高农业车辆导航路径自动跟踪精度,提出一种基于线性时变模型预测控制的路径跟踪方法。该方法将农业车辆非线性运动学模型线性化和离散化处理,作为控制器预测方程;建立以系统控制增量为状态量的目标函数,为防止无可行解,引入松弛因子;设计系统控制量、控制增量和状态量约束条件,并将目标函数求解转为带约束的二次规划问题;采用内点法进行求解,将求得的控制输入增量第一个元素作用于系统;重复以上过程,实现优化控制。基于Matlab/Simulink平台进行了模型预测控制器设计,并分别进行了导航坐标系下的直线和圆形路径跟踪试验。结果表明,所设计的控制器能够实现直线路径的完全跟踪（误差始终为0）;跟踪圆形路径时,1 m/s时的横向平均跟踪误差为7.5 cm,3 m/s时的横向平均跟踪误差为10 cm;整个跟踪过程,前轮转角始终被限定在约束范围内。不同控制器参数下的仿真结果表明,增大预测时域和控制周期能够减小跟踪误差和前轮转角变化幅度,控制时域的变化对控制器路径跟踪响应速度影响较小。同时基于设计的模型预测控制器进行了场地试验。结果表明,试验小车以1m/s的速度跟踪直线路径时,横向最大误差均值为1.622 cm,横向平均误差均值为0.865 cm;跟踪圆形路径时,当行走速度低于1 m/s时,横向最大误差小于10 cm。     

改进随机样本一致性算法的弯曲果园道路检测

果园道路检测的目的是为农业采摘机器人鲁棒实时地规划出合适的行走路径,因果园环境的复杂性,例如光照变化、杂草和落叶遮挡等因素的影响造成视觉检测算法鲁棒性差,为此提出融合边缘提取和改进随机样本一致性的弯曲果园道路检测方法。首先,根据果园道路的颜色分布特征和几何形状特征,使用有限差分算子提取图像边缘,再使用灰度值对比度约束和霍夫直线检测去除噪声,实现道路边缘点提取。然后,提出多项式函数描述直线和弯曲道路,使用改进的随机样本一致性算法和线性最小二乘法拟合道路边缘点,以估计多项式函数的参数,实现果园道路检测。在华南农业大学果园采集240张道路图像作为试验对象。试验表明:在光照变化、阴影和遮挡背景的影响下,该方法能有效地提取果园道路边缘点,并能正确地拟合道路以实现道路检测,平均正确检测率为89.1%,平均检测时间为0.2639 s,能够满足视觉导航系统的要求。该研究为农业采摘机器人的视觉导航的鲁棒性和实时性提供指导。     

基于性能指标的农用车辆路径跟踪控制器设计

该文以农用车辆为控制对象,设计了路径跟踪PID控制器。基于性能指标—ISE、IAE、ITAE和ITSE分别整定了PID控制器参数,给出了最优PID控制器,同时进行了仿真对比分析。仿真结果表明,以超调量和调节时间这2个时域指标为评价标准,基于上述4种性能指标准则,系统在所给控制器作用下均能获得令人满意的动态和稳态性能。ISE准则整定的PID控制器使闭环系统单位阶跃响应的超调量为25.55%,调节时间为5.07s。相比ISE准则,由IAE、ITAE和ITSE准则整定的控制器使闭环系统单位阶跃响应的超调量更小,为10.03%,调节时间更短,为3.95s。利用本文方法能够获得较好的PID控制器参数,可为农用车辆控制器设计提供理论依据。     

拖拉机自动导航变曲度路径跟踪控制

针对当前拖拉机自动导航曲线跟踪控制精度不能满足生产需要的问题,该研究提出一种基于前轮转角前馈补偿策略的变曲度路径跟踪控制方法。综合考虑农机作业速度和目标路径曲度对前视距离的影响,通过调整前视区域和计算预瞄点,动态调整前视距离和前轮转角前馈量,在追踪预瞄点的过程中,利用农机与目标路径偏差设计变曲度路径跟踪模糊控制器,通过实时调整拖拉机前轮转角补偿量减小稳态误差。以DF2204无级变速拖拉机为试验平台,设计并研发了自动导航系统,开展21组变曲度路径跟踪控制试验。试验结果表明,拖拉机以1.0、1.5、2.0和3.0 m/s速度行驶时的平均绝对误差的平均值分别为2.7、2.7、3.3和4.0 cm,均方根误差的平均值分别为3.4、3.7、4.6和5.0 cm,满足农业生产需求。所提方法可有效提高农机曲线路径跟踪精度,减少漏耕,提高农田利用率。     

农业机械导航路径跟踪控制方法研究进展

路径跟踪控制技术作为农业机械导航的核心,是提高控制系统控制精度和对环境适应性的关键,可提高农机具作业精度和效率,同时可避免重复作业和遗漏现象,减少农业生产资料浪费。该文根据农业机械导航路径跟踪控制方法中是否涉及农机模型,将路径跟踪控制技术分为与农机运动学模型相关、与农机动力学模型相关以及与模型无关的路径跟踪控制方法。通过对原理的解析明确了各类控制方法的优缺点,及对现有解决方案进行了总结分析,指出了现有方案存在共性或个性问题,由此完成了对现阶段国内外针对农业机械导航路径跟踪控制方法的研究进展的阐述。通过对各类控制方法适用性及农机导航产品发展现状的分析,提出了农机导航路径跟踪控制方法的发展展望,以期为后续路径跟踪控制方法的研究提供指导性方向和有针对性的参考,具体如下：1）明确了现有模型对农机运动过程描述的局限性,指出高精度农机模型研究的必要性;2）为提升控制方法自适应性和鲁棒性,研究需从常规工况向极限工况和复杂工况拓展;3）明确单一控制方法的局限性,明确多方法融合控制的发展趋势。     

基于自主导航和全方位转向的农用机器人设计

为了提高农业作业的自动化程度,在对传感器技术、信息技术、自动导航技术等进行研究的基础上,设计了一种自动导航农用轮式移动机器人.针对目前农业机器人存在的操纵、路径跟踪等技术问题,机器人采用四轮全方位转向,操纵灵活;利用CAN总线使导航、控制等模块的通讯效率得以改善;选用模糊控制模仿人在路径跟踪控制时的控制策略,提高了移动机器人的智能化程度.仿真和试验表明机器人有较好的转向性能且在速度为1 m/s时跟踪路径的偏差为0.1 m左右.     

基于预瞄追踪模型的农机导航路径跟踪控制方法

农机导航系统的上线性能和复杂路面抗干扰能力影响着农田作业的质量和效率,为提高农机导航系统的上线速度、上线稳定性和对复杂路面的适应性,提出了一种预瞄追踪模型的农机导航路径跟踪控制方法。该方法实质是对农机运动学模型方法的改进,针对农机运动学模型小角度线性化算法中近似条件的缺点,采用预瞄追踪辅助直线引导农机快速稳定跟踪规划路径。该文参考农机运动学模型极点最优配置算法证明过程,分3步证明了该控制方法的可行性,并通过仿真和试验验证了该方法的有效性。仿真结果显示在不同的初始位置偏差和航向偏差条件下该方法都可以迅速消除偏差以稳定跟踪规划路径,位置偏差校正曲线平滑且超调量微小,说明预瞄追踪模型方法对提高农机导航系统的上线性能和抗干扰能力是有效的。田间试验结果:在初始航向偏差为0,初始位置偏差分别为0.5、1、1.5 m条件下,上线时间分别为6.8、8.2、9.4 s,上线距离分别为6.73、8.11、9.33 m,超调量分别为5.2、7.0、8.5 cm;颠簸不平旱地路面直线路径跟踪的最大误差不超过4.23 cm,误差绝对值的平均值为1 cm,标准差为1.25 cm。数据表明采用该文提出的控制方法具有良好的上线和直线路径跟踪效果,满足农业机械的导航作业要求。     

基于预瞄模型的农机路径跟踪预测控制方法

为了提高农机路径跟踪系统控制性能对作业速度变化的适应性,该研究提出一种基于预瞄运动学模型的快速预测控制方法。采用预瞄跟随理论建立预瞄航向误差模型,并将其作为输出方程与路径跟踪误差常规状态方程联立,构建预瞄运动学状态空间误差模型,进而运用模型预测控制算法与输入参数化衰减策略设计路径跟踪控制律。仿真试验结果表明,在不同作业速度下,预瞄模型预测控制器的直线路径跟踪横向误差均渐近趋于0,行驶曲线均无超调;当作业速度为1、3与5 m/s时,预瞄模型预测控制器的圆形路径跟踪横向最大绝对误差分别为8.52、10.42和10.82 cm,标准差分别为3.96、5.83和6.17 cm;当控制时域为10、30与60时,预瞄模型预测控制器的运算周期相对常规模型预测控制器分别减小7.5%、43.0%和48.5%;与常规模型预测控制相比,预瞄模型预测控制能够在确保路径跟踪系统控制精度的同时有效改善系统的动态性能和提高系统的实时性,使不同作业速度下的跟踪效果更加均衡。田间测试结果表明,在0.5～5 m/s作业速度范围内,预瞄模型预测控制器对作业速度变化具有较强的适应性,能够使农机快速平稳地跟踪参考路径并具有较高的控制精度,其直线路径跟踪的横向最大绝对误差均值小于5.5 cm、标准差均值小于2.5 cm,圆形路径跟踪的横向最大绝对误差均值小于15.5 cm、标准差均值小于8.5 cm,跟踪效果满足农机实际作业要求,适于复杂作业环境或高速作业场合。     

基于GNSS的农机自动导航路径搜索及转向控制

为提高农机自动导航系统性能,提出了一种基于全球导航卫星系统(global navigation satellite system,GNSS)的农机自动导航路径搜索方法和基于预瞄点搜索的纯追踪模型。根据农机不同作业需求,导航系统可选择直线路径搜索或曲线路径搜索,实现农机直线和曲线自动导航作业;建立基于预瞄点搜索的纯追踪模型,并将其用于农机转向控制,该模型不涉及复杂的控制理论,适用性较强。为验证路径搜索方法和纯追踪模型性能,以John Deere拖拉机为试验平台,进行了农机直线跟踪和转向控制导航试验。结果表明:直线路径跟踪导航试验,车速为0.8、1.0和1.2 m/s时,导航均方根误差分别为3.79、4.28和5.39 cm;转向导航试验,车速为0.6 m/s时,在弓形转弯和梨形转弯导航方式下,导航均方根误差分别为25.23和14.42 cm;与模糊控制方法对比试验,直线路径导航方式下,应用该文方法和模糊控制方法的导航均方根误差分别为4.30和5.95 cm,在曲线路径导航方式下,应用该文方法和模糊控制方法的导航均方根误差分别为13.73和21.40 cm;基于GNSS的农机自动导航路径搜索方法和预瞄点搜索的纯追踪模型可以得到较好的定位控制精度,可满足田间实际作业的要求。