基于LiDAR的对靶喷雾实时控制系统设计与试验

针对自动对靶喷雾中延时喷雾问题设计了实时控制对靶喷雾系统,该系统以二维激光雷达（Laser detection and ranging,LiDAR）作为探测器,利用地速传感器（True ground speed sensor,TGSS）获取喷雾车实时速度,建立了自适应延时喷雾模型,模型可不断调整喷雾延时时间。自适应延时喷雾模型包括延时存储器和延时计数器。延时存储器利用FIFO缓存区暂存喷雾指令;延时计数器指向延时存储器地址,其利用当前车速计算延时指数,取出对应延时存储器地址的喷雾指令并发送给电磁阀控制器,实现对靶喷雾。试验部分首先对系统响应时间进行分析,包括识别靶标时间、计算喷雾指令时间、通信时间、电磁阀响应时间,试验结果表明,系统响应时间为160ms,延时存储器共42个延时单元;其次通过Proteus仿真比较了单片机在采用M法、T法计算TGSS发出信号频率的准确性,结果表明M法更适合于本文所述测速系统的频率计算;在TGSS安装角确定后,喷雾车速度与方波信号的频率成正比关系,通过拟合确定了比例系数0.0099,拟合优度为0.9998;最后通过试验验证了系统的整体有效性,并测量了实时控制对靶喷雾系统的可识别最小间距,试验结果表明,可识别的最小间距在80~180mm之间,系统可识别靶标间距的能力随着喷雾车速度的提升而降低,当靶标间距大于180mm时,系统均可有效识别靶标。     

基于激光雷达的果园行间车辆自动导航控制

针对果园自主导航过程中车辆偏航、植株缺失等问题,设计了一款基于激光雷达的果园行间履带式车辆自动导航控制系统,并模拟标准化果园环境进行试验以验证系统性能。首先,采用二维激光雷达(Light Detection and Ranging, LiDAR)获取树干点云数据,对点云数据进行坐标变换;其次,通过识别树干边界起始点进行树干定位;再次,提出两步树行分割法将树行分割为左右两行,利用最小二乘法分别对两侧定位点进行直线拟合,将树行中心线作为导航路径;最后,将电机期望转速作为比例微分(Proportion Differentiation, PD)控制器的输入,使车辆沿树行中心线自动行驶。树行分割试验表明：当感兴趣区域内植株无缺失、单株缺失、双株缺失且无航向偏差、无横向偏移时,树行分割正确率均为100%;双株缺失存在横向偏差和航向偏差、三株缺失不存在横向偏差和航向偏差时,树行分割准确率为96.4%;三株缺失存在横向偏差或航向偏差时,树行分割准确率92.9%。电机控制试验表明：电机调速系统具有快速响应的优点,且稳定性良好。导航控制试验表明：当车辆以0.8m/s速度行驶且存在0.5m的初始横向偏移时,...     

基于饱和度分割的叶面积图像测量方法

针对复杂光照环境下的图像叶面积测量问题,提出一种基于饱和度分割的图像叶面积测量方法.首先,利用矩形标定框顶点坐标对拍摄图像进行透视畸变校正和裁剪,以去除倾斜拍摄引起的图像变形;其次,将图像像素由RGB颜色空间变换到HSI颜色空间,提出一种混合阈值法对饱和度分量进行阈值分割;然后,对分割后的二值图像进行连通域分析、孔洞填...     

基于移动激光扫描的行道树树干提取

基于移动激光扫描技术的行道树资源调查是当前的研究热点及未来的发展趋势,树干提取是行道树定位与分割的核心步骤,已有方法由知识驱动,人工设计树干检测规则,难以跨越低层点云数据到高层地物目标的语义鸿沟。针对上述问题,基于移动2D Li DAR系统采集的城市街道点云数据,将行道树树干提取分为树干点云识别与树干点云分割2个步骤。首先,构建城市街道点云标注数据集,提取深度、高程、维度、密度、强度等14个局部点云特征,采用Boosting监督学习算法从标注数据集中自动学习树干点云与非树干点云的差异性,通过特征融合获取高精度树干点云检测器;然后,基于树干点云识别结果,采用帧投影方法分割标识出每一根树干。试验结果表明:基于监督学习的树干点云检测器有较好的分类性能,为树干分割提取提供了精准数据,对于0.10～0.40 m的球域半径,测试集查准率均高于93%,查全率均高于94%。此外,以Bayes错误率为评价指标衡量单个特征的鉴别力,得出鉴别力最强的3个特征为高程方差、强度范围及强度方差。     

基于移动激光扫描的靶标叶面积计算方法

针对疏枝果园的变量对靶施药问题,提出基于移动激光扫描(Mobile laser scanning,MLS)技术的靶标叶面积计算方法,为变量施药实时提供基础数据。为消除激光雷达(Light detection and ranging,LiDAR)探测距离和施药车辆行驶速度对点云密度的影响,在车辆行驶方向和激光雷达扫描方向上计算每个测量点的分辨率,为MLS点云数据建立变尺度格网,以格网面积作为被激光束覆盖的叶面积,建立靶标总体格网面积(Total grid area,TGA)与真实总体叶面积(Total leaf area,TLA)的线性回归模型。采用仿真树模拟疏枝果树靶标,搭建移动激光扫描测量系统,采集靶标点云数据,改变探测距离及移动速度,获取了4种不同疏枝程度靶标的108个样本数据。试验结果表明,随着探测距离的增加和移动速度的降低,靶标点云数显著减少,变异系数最小为0. 920 9,靶标格网面积能稳定提取,变异系数最大为0. 053 7,TGA与TLA的拟合优度为0. 909 0,叶面积测量相对误差均值为9. 16%。