基于K—means算法的溫室移動機器人導航路徑識別

王睿

摘 要 溫室移動機器人出現的問題有視覺導航受光源干擾、識別能力很差兩方面，首先，分離顏色空間3個分量，用色調分量H進行圖像處理的方式來降低光源對視覺導航造成的影響，色調分量H要選用和光照無關的。把在溫室環境中圖像具有顏色特點的信息，用K-means算法計算對圖像進行分解，將道路信息與農作物信息進行群分析，再對干擾信息與圖像中存在多余或重復的部分進行觀察處理，且可獲得全面、完整的道路信息，與原常用的方法進行對比，可降低對信息把握不完整造成的Hough變換直接進行合并計算量較大且占據內存大的問題，以此來提高溫室移動機器人在工作時自主導航、路徑識別的準確、快速、時效性。研究結果表示，本文在改變光照與復雜路線的條件下使用的方法在溫室作業中可有效降低光源對自主導航的影響，對于光照不均條件下具有很好的抵抗性，提取的路徑信息高達94.5%。且平均每幅圖像處理時間降低了52.98%，對路徑識別能力提升了不少。此次研究對溫室移動機器人導航路徑識別的準確性與時效性做出了參考。

【關鍵詞】機器人 K-means 溫室

運用溫室移動機器人進行自動作業，可以大量節省勞動力，能避免在勞動時出現中暑、中毒等不確定因數。自主導航路徑識別是機器人必備技術。當代機器人主要是依靠衛星定位與紅外線實現的視覺導航2個設備，但視覺導航比衛星定位要精確、實用性高、靈活多變。機器視覺分為2種，立體與單目視覺，立體視覺的配置要求較高，算法也比較復雜，對于空間匹配精確無法實現，而單目視覺相對于立體視覺實用性要高很多，因此，本文針對于溫室移動機器人的路徑識別采用單目視覺進行研究。

1 圖像數據收集與選取顏色空間

1.1 圖像數據收集

本次研究是用單目視覺導航獨立四驅移動機器人作為研究對象，在其正前方安裝型號為羅技c525cm的攝像頭，方向可以自由調節，使其采集的圖像更全面，分辨率為1280×1024像素，是其更清晰、精確。

1.2 選取顏色空間

顏色空間對于機器視覺來說，分為RGB、HSI、CMY三類。

RGB（紅、藍、綠）顏色空間表示顏色、明暗度，因此很多顏色相近的在RGB顏色空間中差別可能非常大，反而顏色不同的在RGB顏色空間中差別不是很大。采集自然條件下的圖像容易受到陽關太強、農作物互相遮擋出現相對較暗面積等不確定因素影響，故物體光暗程度對RGB是至關重要的，所以不適合用本次研究。

CMY（青、黃、品紅）顏色空間就是用白色中和RGB顏色空間中的顏色就會得到CMY顏色空間里對應的顏色，因此也不適用本次研究。

HSI（色調H、飽和度S、亮度I）顏色空間；其中物體光暗程度和亮度I有關，與色調H、飽和度S無關，HSI顏色空間的算法相對來說要簡便一點，在進行圖像收集與處理時非常具有針對性，故運用HSI進行本次研究會非常適合。

對機器人采集回來的圖像處理后得到的HSI空間進行觀察，可以發現途中有噪聲的地方比較多，要對圖像進一步優化。

2 閾值分割與導航路線選取

（1）閾值確定是閾值分割的關鍵，而閾值是可以通過分析灰度圖像來確定，當雙峰情況出現在直方圖中的時候，就可以選其峰值兩點中間為最佳閾值。這種方法的要求很高，物體和背景很難用一個閾值將其完全分開，受到太陽光照程度的影響，之前的閾值就不能使用。必須要重新確定閾值。

（2）為了把效果進行對比，本次研究把色調效果圖與原始灰度效果圖進行了圖像分割。其結果表明色調效果圖存在3個波谷，2個波峰；進行閾值分割后的效果圖中2種信息相互混雜，信息不清楚，存在很多噪聲點，對后面的圖像信息提取造成了影響。為了解決信息不清楚、存在很多噪聲點，對后面的圖像信息提取造成了影響的問題，本次研究將對圖像進行K-means算法分割。

（3）K-means算法具有對大數據處理速度快、簡便、效率高等特點，如果密集度約大，其特點就會越明顯。為了結果的準確性及對路徑識別的精確性，故本次研究選取K-means算法作為分割算法。

3 結果

（1）在同一條件下分別對3種光源強度采集20幅效果圖像信息，用RGB顏色空間與本次研究提出的處理方法進行信息收集，然后對2種方法獲取回來的信息進行比較、分析，得出本次提出的方法對導航路徑識別與降低光源影響程度信息的有效信息。再對得到的數據進行轉換，證明該算法對導航路徑識別是有效的。

（2）通過上述方法進行試驗，得出結果采用本文提出的方法，對溫室機器人自動作業的需求是可以滿足的。本次研究的結果在光照強度不同的位置上獲得了顯著的成果，所以本次試驗對溫室機器人自主作業具有重大意義。

4 結論

為解決單目視覺導航移動機器人在不同光照下影響的嚴重性，研究出了用HSI顏色空間作為圖像處理的方法，使其對光照作用的影響降低到最小。針對溫室機器人路徑識別問題，采用圖像進行分割時插入K-means算法對其進行分割，得到使道路與背景完全分離的信息，再經轉換后，獲得單目視覺導航移動機器人控制的數據參數。在研究后，數據參數表現為：在光照強度大的情況下，抽取色調分量作為圖像研究對象，可以提升路徑識別對光照強度不定情況下的穩定性。在道路與背景比較混雜的環境進行作業時，用更為精確的K-means算法對圖像進行閾值分割，可以更有效的提取道路信息，道路信息提取率高達94.5%。在圖像進行轉換時，采用Hough變換會節省很多計算時間與內存。在整個過程中，平均每幅圖像處理時間降低了52.98%，對路徑識別的速度提升了很多，對系統的實用性、時效性得到更多地滿足。

參考文獻

[1]高國琴，李明.基于K-means算法的溫室移動機器人導航路徑識別[J].農業工程學報，2014，30（07）：25-33.

[2]謝守勇，鮑安紅，管在林等.溫室移動機器人導航和避障模糊控制[J].農業機械學報，2002，33（02）：74-76.

[3]庭鍇，楊明，楊汝清.基于單目視覺的移動機器人導航算法研究進展[J].控制與決策，2010，25（01）：1-7.

[4]楊為民，李天石，賈鴻社.農業機械機器視覺導航研究[J].拖拉機與農用運輸車，2004，20（01）：13-18.

[5]姜國權，何曉蘭，杜尚豐等.機器視覺在農業機器人自主導航系統中的研究進展[J].農機化研究，2008（03）：9-11.

作者單位

吉林化工學院 吉林省吉林市 132102endprint