摘要:针对棉花铺膜播种作业环境复杂，视觉导航路径检测易受光照强度、噪声及划线深度的影响，设计了一种抗干扰能力强、适应性广的视觉导航路径检测算法。构建图像采集系统，实时采集铺膜播种作业图像，基于Y=0.299R+0.587G+0.114B颜色模型对图像进行灰度化处理。针对第1帧图像，首先在浮动扫描区间[M1-k，M2-k](M1取560，M2取639;k=0，k≤560，k++)从第0行开始逐行扫描像素点，提取每行灰度值最小的像素点(或灰度值最小的像素点的列坐标的平均值)作为各行路径提取的候补点，并计算每个扫描区间内的候补点列值的方差Fk;寻求Fk值最小的区间作为第1帧图像的目标区间;在目标区间内使用最小二乘法拟合候补点集群提取初始导航路径;然后，以初始导航路径为中心，左右各扩展U个像素作为扫描区间，提取每行灰度值最小的像素点(或灰度值最小的像素点的列坐标的平均值)作为各行路径提取的候补点;最后，使用最小二乘法拟合导航路径，完成第1帧图像导航路径的提取。从第2帧图像开始，首先确定以前1帧图像导航路径作为当前帧图像扫描区间的中心，左右各扩展U个像素作为扫描区间;然后，从第0行像素开始逐行扫描，并提取灰度值最小的像素点(或灰度值最小的像素点的列坐标的平均值)作为路径提取的候补点，并使用“差异权重法”平滑候补点群;最后，基于最小二乘法拟合导航路径。采集6种工况下铺膜作业视频进行验证试验，结果表明:导航路径检测准确率为100%，平均处理速度为7.020ms/帧，能够稳定、快速地检测导航路径，准确率高，适应性广，抗干扰能力较强，满足棉花铺膜播种作业的实际要求。该检测算法丰富了基于视觉的拖拉机行走路径检测的方法，为实现拖拉机自动驾驶奠定了理论基础。
关键词:棉花铺膜播种;视觉导航;路径检测;最小二乘法
0引言
智能农业装备是未来农业机械发展的必然趋势，农业机械自动驾驶系统是智能农业装备的重要的支撑技术之一，而视觉导航是农机自动驾驶的重要内容之一[1]。
视觉导航路径检测是实现视觉导航的先决条件。国内外专家学者在视觉导航路径检测方面进行了深入的研究[2-16]。国内的彭顺正[17]针对矮值化密植枣园复杂的环境，按照树干与地面交点的位置特征不同，将交点进行分类，最后通过最小二乘法拟合了导航路线。梁习卉子[18]针对玉米收割过程中玉米列阴影、玉米田端的杂草对视觉导航路径检测精度干扰的问题，通过在ROI区域内增强G分量，弱化R分量与B分量的方法来去除玉米列阴影对检测图像的影响，提高导航路径检测精度。国外的PilarskiT[19]融合单目相机和GPS导航系统设计了Demeter系统，能够通过切割作物行及转向切割连续行，在田地中重新定位，以及检测意外障碍物。BensonER[20]基于作物切割边缘的横向位置开发了农业联合收割机机器视觉引导算法。
本研究通过对棉花铺膜播种作业时期棉田环境的研究分析，设计了一套适用于棉花铺膜播种作业拖拉机的视觉导航路径检测算法。
1检测导航路径
1.1图像采集
2017年4月，在呼图壁棉田采集作业视频。设备为天诚2MBQ4/8铺膜播种机;动力设备为博马中型拖拉机，采集相机为阿斯卡利HDMI高清工业相机(640×480)。相机与地面的垂直距离为1500mm，安装在拖拉机配重上，其光轴与地面夹角为θ=43°。上位机是台式机(处理器为Intel(R)Core(TM)i7，主频为3.6GHz，内存为8GB)，Windows1064位系统，以MicrosoftVisualStudio2015为平台使用OpenCv3.2.0进行算法编写。图1(a)为相机安装简图，图1(b)为拖拉机作业示意图。
装置采用气流吹枣的方式进行红枣捡拾，可适应高低不平地面，解决了机械式捡拾装置无法捡拾高低不平地面上红枣的问题。由于采用气流捡拾，捡拾装置的伤枣率远低于机械式捡拾装置伤枣率。由于气吸式红枣捡拾装置效率较低且进入风管的杂质容易堵塞吸枣管、损坏风机，对风机性能要求高，而气吹式捡拾装置解决了该问题，提高了捡拾效率。
1.3第1帧图像导航路径检测
确定划线区域的位置与方向后，以直线j=S·i+J作为扫描区间中心，重新确定扫描区间提取候补点，并使用最小二乘法拟合候补点完成导航路径的检测，具体操作如下:
1)确定第1帧图像导航路径检测的扫描区间。首先根据直线j=S·i+J能够准确描述划线区域的方向与位置，确定该直线为扫描区间中心;然后，通过统计确定作业图像中划线区域底端像素宽度在20～35个像素之间;最后，在将划线区域囊括的前提下，在35个像素的基础上扩展U2(本文U2=6)个像素宽度作为扫描区间的大小。确定的扫描区间[M1，M2]，M1=S·i+J-U，M2=S·i+J+U;本文U=20，如图3中所示。
2)提取候补点群。首先，创建数组b[]、d[]、s[]、t[]分别存储当前帧候补点的行标、列标与导航路径的斜率、截距;然后，重复1.2节的操作提取候补点群{(b[i]，d[i])}。
3)使用最小二乘法拟合导航路径。此时导航路径为jf=Sf·i+Jf，且s[f]=Sf，t[f]=Jf(f是当前的帧数，此时f=1)，最终提取的候补点群及拟合的导航路径如图3所示。
1.4非第1帧图像导航路径检测
针对非第1帧图像，采用前后帧关联的方法确定扫描区间及平滑候补点群，并使用最小二乘法拟合导航路径。
1)基于Y=0.299R+0.587G+0.114B颜色模型对图像进行灰度化处理。
2)确定扫描区间。该扫描区间与第1帧图像扫描区间只是扫描区间中心不同，是以前1帧图像导航路径jf-1=s[f-1]i+t[f-1](其中，s[f-1]、t[f-1]分别为前1帧图像导航路径的斜率与截距)为扫描区间中心，左右各扩展U(本文U=20)个像素作为扫描区间，即[M1，M2](其中，M1=s·[f-1]i+t[f-1]-U，M2=s[f-1]·i+t[f-1]+U)，如图4所示。
3)提取初始候补点群。第1步，将第i行像素点的灰度值存储在c[]中，并计算c[p](0≤p≤40)中的最小值为Q1;第2步，遍历数组c[]，若c[p]=Q1，将p储在数组c1[]中，如图3中c1[0]、c1[1]、c1[2]、c4[3]为该行像素灰度值为Q1的像素点位置;第3步，计算c1[]的平均值为H=(c1[0]+c1[1]+c1[2]+c4[3])/4，中位数为Z=(c1[1]+c1[2])/2，以及前帧图像导航路径上同行像素点列值V(V=s[f-1]·i+t[f-1]))与(H+M1)、(Z+M1)差值的绝对值为H1、Z1则H1=abs(s[f-1]·i+t[f-1]-H)，Z1=abs(s[f-1]·i+t[f-1]-Z);第4步，若H1Z1，此时d[i]=Z+M1，提取的候补点群为{(b[i]，d[i])}，如图4所示。
4)差异权重法平滑候补点群。首先，确定第i行像素候补点列值为d[i]及前1帧图像导航路径上同行像素点列值为V并计算二者差值绝对值为V1则V1=abs(V-d[i]);然后，根据式(1)判断给d[i]赋值。平滑后的候补点群如图4(b)所示。
1.5流程图
本研究的检测算法流程如图5所示。
2导航路径检测过程分析
2.1第1帧图像导航路径检测过程分析
通过对6种工况灰度化作业图像的分析，划线区域的灰度值比非划线区域低，所以将灰度值最小值作为候补点提取特征。图6是阴天、车印、划线深工况下导航路径标定的过程。从图6(c)中可以看出:循环扫描区间法可以准确的确定初始导航路径，且较为准确。由图6(b)、(c)可以看出:通过最小方差法确定的直线可以较为准确的描述划线区域的位置与方向，并且使用最小二乘法拟合以该直线为扫描区间中心所确定扫描区间内的候补点群所得到的导航路径精度高。因此，通过循环拟合的方法可以提高导航标定的精度，满足实际生产的要求。
2.2非第1帧图像导航路径检测过程分析
图7(a)～(d)为阴天、残膜扬沙、划线浅工况下导航路径检测过程，图7(e)为使用未经平滑的候补点群提取的导航路径。通过图7(b)、(c)中候补点群的对比可以看出:权重法平滑候补点群可以提高候补点群的离散程度。通过图7(d)、(e)拟合的导航路径对比可以看出:在出现扬沙的时，未经权重法平滑处理的候补点群拟合的导航路径存在偏移的现象，检测精度偏低，而经过权重法平滑后的候补点群拟合的导航路径精度高且受扬沙影响程度小。上述说明权重法在一定程度上提高导航路径的检测精度与算法的适应性。
3、试验结果与分析
使用6种工况的作业视频对该算法进行试验，试验结果如表1所示。
试验结果表明:该算法的实时性、适应性、准确性满足实际作业的要求，6种工况下的检测准确率都为100%，总平均处理速度为7.020ms/帧，能够在残膜扬沙噪声的干扰下，快速准确的提取导航路径。
相关知识推荐：农机专业怎么评职称
4结论
1)6种工况作业视频的试验结果表明:该算法的检测速度、检测精度、适应性等皆满足实际作业的要求，为棉花播种自动驾驶奠定了基础。
2)本算法针对第1帧图像采用方差判别法确定目标区域并通过循环拟合法完成导航校准;对于非第1帧图像通过前后帧关联的方法确定扫描区间并使用权重法平滑候补点群，最后使用最小二乘法拟合导航路径。该算法可以满足棉花铺膜播种实际作业的要求。
3)视觉导航受外界环境因素影响较大，特别是沙尘天气对导航路径检测精度的影响，如何尽量减少自然环境对路径检测的影响是未来研究的重点。
转载请注明来自：http://www.lunwencheng.com/lunwen/nye/16007.html
