消費級RGB-D相機在農業領域應用現狀與發展趨勢*

彭孝東，時磊，何靜，漆海霞，蘭玉彬

(1. 華南農業大學電子工程學院，廣州市，510642； 2. 國家精準農業航空施藥技術國際聯合研究中心，廣州市，510642；3. 廣東省農情信息監測工程技術研究中心，廣州市，510642； 4. 華南農業大學工程學院，廣州市，510642)

0 引言

農業信息技術已成為提高農業生產力和充分利用農業資源最有效的手段和工具。在農業信息化工程的研究中，圖像是信息的一種直觀表現形式，也是十分重要的信息載體，可見光圖像、遙感圖像、紅外圖像、高光譜圖像以及多光譜圖像等都是目前主流農業研究的圖像。在農業領域中，這些圖像被廣泛地應用在植物表型檢測[1]、耕地信息提取[2-3]、作物蟲害監測[4]、果實品質分析[5-6]等方面。受成像方式的限制，二維圖像不能提供更多空間信息，如作物根系分布、植株形態以及果實空間位置等三維特征都無法獲取[7]。

三維重建技術主要包括接觸測量、圖像雷達、計算機視覺、工業CT以及斷層掃描等方法[8]。接觸測量，通過接觸物體獲取三維信息；圖像雷達，探測精度較高但較難獲取物體的色彩信息；工業CT與斷層掃描側重物體內部三維結構；計算機視覺，可以進行非接觸式的彩色掃描且精度高、速度快。從各自的特點來看，計算視覺更為適合應用于農業領域。RGB-D相機是一種基于計算機視覺技術的新型相機，能同時輸出色彩與深度信息，避免了僅靠深度信息在三維重建時造成的誤差大、深度信息幀丟失和存在孔洞等問題[9]。消費級RGB-D相機以較低的成本、較高的測量精度和較快的測量速度在制圖、三維重建、室內機器人、手勢識別、物體的檢測和識別等領域廣泛應用[10]。在農業領域，三維重建對研究農林作物的生物學特征、冠層形狀結構以及農業機器人應用等都具有重要作用，是目前研究的熱點和難題。文章通過對消費級RGB-D相機在農業領域的應用進行總結、探討和展望，發掘其應用潛力，為其在農業領域的進一步發展應用提供參考。

1 消費級RGB-D相機概述

Kinect相機是世界上首款消費級RGB-D相機。所謂RGB-D相機，就是可以將物體的RGB顏色信息與各個像素的深度信息結合起來的一種傳感器。這種相機與只輸出深度圖像的深度相機不同，它不僅輸出深度圖像而且輸出RGB圖像。且相比于單目相機和雙目立體相機，RGB-D相機不需要利用算法計算空間點的三維坐標，就能獲取空間物體3D信息，更加方便快捷[11]。

1.1 相機分類

與傳統的彩色相機類似，消費級RGB-D相機也是在單一視角下對環境進行拍攝。不同的是除了輸出彩色信息，RGB-D相機還提供深度信息。從技術層面來看，常見的消費級RGB-D相機主要使用以下兩種技術來獲取深度信息：結構光(Structured Light，SL)和飛行時間(Time of Flight，ToF)。消費級RGB-D相機種類較多，農業領域常用的幾種相機參數如表1所示。

表1 農業中常用的RGB-D相機參數Tab. 1 Parameters of RGB-D cameras commonly used in agriculture

對于Kinect相機，張露等[12]通過平面擬合以及球面擬合試驗發現Kinect獲取目標物數據時，在邊界處誤差較大，且點云隨機誤差在可測范圍內與測量距離的平方成正比，得出最佳測量距離為0.8～2.3 m，此距離區間內，獲取數據的標準差在1 cm以內。Halmetschlager-Funek等[13]對10款不同的深度相機進行測評，包括Xtion Pro Live、Kinect 2.0以及RealSensesr300，在精度分析中，驗證了這三款相機的測量偏差同測量距離的平方成正比，其中Kinect 2.0在可測范圍內偏差變化不大，均在5 cm以下，而Xtion Pro Live在0.5～1.8 m的測量區間內測量偏差在5 cm以下，RealSense sr300作為近距離傳感器，在0.3～1 m的測量區間內測量偏差在5 cm以下。

1.2 工作原理

1.2.1 結構光原理相機

結構光是指一些具有特定模式的光，點、線、面等都可以成為其模式圖案[14]。如圖1所示，光學投射器將一定設定好的編碼光投射到場景中，場景曲面的幾何形狀會扭曲結構光圖案，扭曲后的結構光被攝像機接收，就可根據結構光失真的信息提取場景的三維信息[15-16]。

圖1 結構光原理圖Fig. 1 Schematic diagram of structured light

常見的結構光模型主要有3種：(1)投射器傾斜發射，攝像機傾斜接收；(2)投射器傾斜發射，攝像機垂直接收；(3)投射器垂直發射，攝像機傾斜接收。本文以線狀結構光為例討論第三種模型，模型如圖2所示。光平面在物體表面形成光條紋ABCD，構建場景的世界坐標系O-XYZ，以及攝像機坐標系Oi-XiYiZi，投射器沿Z軸垂直將一定模式的光投射到場景中，攝像機以β角傾斜并接收反射光，為簡化此模型將Y軸與Yi軸設置為平行關系。

圖2 結構光相機數學模型Fig. 2 Mathematical model of structured light camera

設光平面內p點的世界坐標p(xc,yc,zc)，將其轉化成攝像機坐標系中的坐標pi(xi,yi,zi)需經過以下步驟。

1) 透視變換矩陣P計算如式(1)所示。

(1)

式中：f——攝像機焦距。

2) 將世界坐標原點(0,0,Dgp)平移到圖像坐標系原點(Dpc,0,Dgp)，平移矩陣Ti計算如式(2)所示。

(2)

式中：Dpc——圖像坐標原點x坐標；

Dgp——世界坐標及圖像原點z坐標。

3) 將世界坐標系圍繞其X軸旋轉180°，旋轉矩陣Rx(180°)計算如式(3)所示。

(3)

4) 將世界坐標系圍繞其Y軸順時針旋轉β，旋轉矩陣Ry(β)計算如式(4)所示。

(4)

式中：β——矩陣繞Y軸旋轉度數。

將總變換記為矩陣H，如式(5)所示。

H=PRy(β)Rx(180°)Ti

(5)

pi點與p點關系用廣義坐標系表示如式(6)所示。

Pi=HP

(6)

在使用結構光相機進行深度信息獲取時，需要用攝像機坐標系中的坐標pi(xi,yi,zi)來求出世界坐標系中的坐標p(xc,yc,zc)，如式(7)～式(8)所示。

p=H-1pi

(7)

(8)

投射器垂直發射，此時光平面方程，如式(9)所示。

xc=0

(9)

聯立式(8)和式(9)可求出P點在世界坐標系下的三維坐標(xc,yc,zc)，如式(10)所示。

(10)

結合機器的掃描運動，光平面對物體進行全面掃描后就可以得到物體各點的世界坐標。

1.2.2 飛行時間原理相機

ToF(Time of Flight)技術基于光速不變原理，通過測量光信號的傳播時間來測算距離[17]。如圖3所示，由光發射器向需要重建的場景中發射處理過的光線，光線碰到物體會反射回來，被傳感器接收，測量發射光和反射光之間的相位差就可求出目標距離[18]。

圖3 ToF原理圖Fig. 3 ToF schematic diagram

對反射信號進行間隔π/2的四次測量，對應于圖3中的m0,m1,m2,m3，便可推導出反射信號振幅A與發射光和反射光之間的相位差Δφ，以及相機距目標的距離D，如式(11)～式(13)所示。

(11)

(12)

(13)

式中：c——光速。

1.3 相機原理分析

結構光相機與ToF相機工作原理不同，特色各異。結構光相機投射編碼光，經被測物體反射后根據光失真情況獲取物體三維信息。ToF相機發射光信號再接收反射光，根據時間差獲得相機與目標的深度信息。從上述實現方式來看，ToF相機實現起來比結構光相機簡單，不需要提取反射編碼光的特征，計算量較低，且可以調節發射器發射頻率來改變測量距離，其測量精度受距離影響較低。不過，結構光主動投射編碼光的方式，也有自己獨特的優勢，其投射的編碼光蘊含大量投影點就可以輸出較高分辨率的深度圖，達到較高的測量精度。

2 消費級RGB-D相機在農業領域應用的研究進展

2.1 國外研究進展

在國外，消費級RGB-D相機成功應用在三維地圖繪制[19-20]、目標追蹤[21-22]、盲人導航[23-24]和行為識別[25]等方面，在農業領域也有廣泛的應用并取得了一些成果，大致可歸納為以下3個方面。

2.1.1 作物參數提取

消費級RGB-D相機可以采集物體的三維信息，將其應用在作物參數提取中，可以采集到作物不同時期的三維參數，對作物進行檢測分析。Chéné等[26]用Kinect對薔薇、絲瓜和蘋果樹進行圖像信息采集，并提出一種從單一俯視圖分割植物深度圖像的算法，實現了葉片彎曲度、葉片形態、葉片位置以及是否存在病原菌等多方面檢測，為消費級RGB-D相機在植物表型分析的應用奠定了基礎。Wang等[27]利用Kinect獲取洋蔥的彩色及深度圖像，用獲得的彩色與深度信息分別求取洋蔥直徑進行體積估算，將從深度圖像與從彩色圖像中獲取的洋蔥體積與真實值進行對比后發現深度圖像精度和穩健性更高，預測精度為96.3%。Vázquez-Arellano等[28]將Kinect 2.0相機獲取的玉米植株點云和土壤點云進行一系列處理后，再對點云柵格化、網格化，獲得植株高度與莖位，單株株高的平均誤差和標準差分別為30 mm和35 mm，植株莖位的平均誤差和標準差分別為24 mm和14 mm，證明了消費級RGB-D相機可以準確獲取玉米植株的莖位置和株高。Dionisio等[29]通過Kinect 2.0采集玉米田圖像，利用高度選擇與RGB分割分離玉米植株與雜草，實現雜草檢測，結果表明使用Kinect 2.0相機可以精確地估計作物狀態并進行雜草檢測。

2.1.2 果實識別與定位

視覺系統作為水果采摘機器人的核心部分，可以有效提高對目標水果的識別和定位性能，提高采摘機器人操作效率，降低采摘成本[30]。Malik等[31]采用消費級RGB-D相機作為采摘機器人的視覺系統，為機器人視覺系統的研究提供了一個新的方向，其利用Kinect 2.0相機獲取溫室番茄的彩色圖像和深度圖像，同時保存了顏色坐標、深度坐標以及相機坐標，其次采用改進的HSV(Hue, Saturation, Value)算法和分水嶺算法從復雜的背景中分割番茄果實，然后對每個檢測到的水果分別進行標記，計算出彩色圖像中的像素坐標值，再根據顏色、深度和相機坐標的映射關系進行顏色和深度信息的融合，將得到的水果像素坐標與獲取的三維點云數據映射到彩色圖像中，得到每個標記水果對應的點云數據，進行濾波處理后，得到最后的點云數據。經驗證，深度距離的平均誤差為1.2 cm，距地面平均定位誤差為1.9 cm，證明了該方法能較好地實現番茄的分割與定位，為溫室番茄收割機器人的研究奠定了一定的基礎。Nguyen等[32]為解決蘋果在識別定位時，被樹枝、樹葉以及其他果實的遮擋問題，采用新興的消費級RGB-D相機在遮光條件下對蘋果園進行圖像采集，提出了一種基于顏色和形狀特征的紅色和雙色蘋果的檢測和定位算法，經驗證該方法對未遮擋蘋果的識別準確率為100%，對被遮擋蘋果的識別率為82%，且定位誤差在10 mm以下，驗證了該方法用于蘋果產量估計和蘋果園監測的可行性。

2.1.3 畜牧監測

隨著畜牧業迅猛發展，養殖規模的擴大，以人工的方式對養殖動物實時監測變得越來越困難，如何設計出能對養殖動物的身體數據快速、客觀和準確評估的計算機監測系統變得尤為重要。Seo等[33]利用Realsense相機獲取紅外和深度信息對豬群進行監測，利用YOLO(You Only Look Once)算法成功將單個豬精確地從豬群中分離了出來。Kuzuhara等[34]使用Xtion對泌乳期奶牛進行背部姿態測量，來對奶牛的體質進行評分，包括體重、產奶量、乳脂肪和乳蛋白的含量。Jonguk等[35]使用Kinect相機獲取豬圈的深度圖像，并從中提取豬的活動特征，采用支持向量機分層檢測攻擊行為，并將其分為頭對頭(或身體)敲擊和追逐等攻擊子類型，實驗結果表明對豬的攻擊行為的檢測和分類的準確率分別超過95.7%和90.2%。

2.2 國內研究進展

國內對消費級RGB-D相機應用于農業生產領域的研究主要集中在作物參數表型信息提取、三維重建、路徑識別與規劃、果實識別與定位以及畜牧監測等方面，并取得了一定的研究成果。

2.2.1 作物參數提取

Hu等[36-38]分別通過Kinect 2.0、Xtion采集轉臺上植株的多視角點云，利用迭代最近點算法(Iterative Closest Point，ICP)算法對目標植株進行三維重建，獲取植株關鍵的生長參數，與真實值對比后確定了系統的精準度。劉慧等[39]以溫室吊蘭為研究對象，使用Kinect相機采集吊蘭的彩色與深度圖像，提取吊蘭冠層的三維信息，完成對吊蘭深度數值和水平投影面積的計算，試驗結果表明深度數值和面積測量的誤差分別為1%和3.6%，證明了該方法的可行性。勞彩蓮等[40]先對深度相機Xtion進行內部參數的標定與深度畸變矯正，再將標定好的Xtion Pro與旋轉云臺、便攜式計算機搭建點云信息采集平臺，旋轉平臺獲取不同角度的玉米深度圖像，然后進行濾波，配準生成玉米植株點云，最后對不同角度的三維點云進行拼接，完成三維重建，通過與商業軟件Skanect的重建結果對比，該方法的精準度、效率和魯棒性更高。楊斯等[41]以黃瓜苗作為試驗對象，用Kinect 2.0相機獲取黃瓜育苗盤的三維信息，采用濾波與聚類分割算法相結合的算法，從黃瓜育苗盤中分離出單株幼苗點云集、并實現單株幼苗的定位，最后計算出單株黃瓜幼苗的株高，驗證后平均誤差僅為2.3 mm。

2.2.2 路徑識別與規劃

路徑識別與規劃是實現無人農機自主作業的前提和保證，是加速無人農場建設的重點研究方向，利用消費級RGB-D相機所構建的傳感器系統，能為無人農機識別和規劃作業田路徑提供數據支持。劉慧等[42]在自動噴霧車上搭載RealSense相機，實時獲取彩色信息幀，提取并優化與深度信息重合的特征點，用彩色信息融合深度信息進行全局非線性軌跡優化，避免單深度信息誤差大的問題。結果表明，該方法使噴霧車的行駛軌跡更接近真實軌跡，對比僅使用深度信息的軌跡優化其偏離真實軌跡誤差均值、方差以及超調量均有所下降。

2.2.3 果實識別與定位

麥春艷等[43-44]使用Kinect 2.0獲取蘋果果樹的彩色圖像與深度圖像，將彩色圖像進行閾值分割和濾波去噪處理后，融合彩色信息與深度信息，獲取蘋果區域點云進行三維球體形狀提取，實現果實的識別與定位，實驗結果表明果實識別率不低于87.4%，相對平均平均誤差0.035 m，具有較強的實時性與魯棒性。王欣等以Kinect 2.0為機器人視覺部分設計了果蔬采摘系統，該系統采用Kinect2.0獲取空間深度圖像，再推導出目標果蔬的三維坐標，隨后將其傳遞給NAO機器人，通過路徑規劃后成功摘取目標果蔬，實驗該采摘系統可以實現果蔬的快速、精準采摘。余承超[45]先將雙目視覺系統應用于葡萄果園圖像采集，并依據最佳近景探測范圍進行分割，獲得近景探測點，再利用消費級RGB-D相機RealSense sr300獲取葡萄的顏色和深度信息，實現葡萄的識別與定位，采用遠近景手眼協調策略，設計出了葡萄采摘機器人。

2.2.4 畜牧監測

王可等[46-49]先以石膏奶牛模型和真實奶牛作為實驗對象，使用Xtion采集不同環境下，不同距離的奶牛體表數據，與高精度三維掃描儀得到的點云數據進行對比，證明了Xtion作為點云采集設備的可行性，繼奶牛之后再次對豬進行試驗，構建了多深度攝像頭的動物體表實時三維數據獲取應用系統，將采集到的點云旋轉歸一化后統一到標準測量坐標系，實現豬體自動化體尺測量。對動物外部行為的監測，可以對其身體狀況進行預測，達到提前發現其是否存在疾病的目的，在大型養殖場中具有重要意義。劉波等[50]通過Kinect采集生豬運動深度圖像序列，對圖片處理后，提取生豬骨架，建立生豬運動模型，用來分析生豬是否存在異常步態，實現了生豬異常行為預警。施宏等[51]運用Kinect 2.0獲取點云數據，基于密度的聚類方法(Density-Based Spatial Clustering of Applications with Noise，DBSCAN)，采用非接觸方式提取脊背信息用于姿態識別，成功判定了母豬哺乳能力與健康狀況。

2.3 國內外研究總結

綜上可以看出，消費級RGB-D相機在國內外農業領域中都有著廣泛的應用研究。大多數研究者使用RGB-D相機獲取彩色和深度圖后，結合配準、濾波及聚類等算法得到了較滿意的實驗結果。就具體相機而言，Kinect 2.0憑借良好的性能和測量范圍應用最廣泛；當被測實驗對象與相機距離較近時，大多數實驗者選擇了Realsense sr300；在實驗條件不苛刻的條件下，Xtion和Kinect
1.0也有一定的應用場合。作為農業領域新興傳感器，雖然RGB-D相機的應用越來越多，但大部分研究是在實驗室較理想條件下進行的，離非理想條件下規模化應用還有一定距離，需進一步探索。

3 消費級RGB-D相機應用中的問題與改進

消費級RGB-D相機成本低、精度較優、速度較快，采用彩色信息和深度信息融合，克服了傳統相機只采用深度信息造成配準精度不夠的問題，但目前不同類型的消費級RGB-D相機在實際應用時也存在一些問題。

3.1 消費級RGB-D相機存在問題

結構光相機技術已經比較成熟，分辨率較高，自帶主動光源，不存在光線和弱紋理問題，在夜間也可以正常工作。但存在以下缺點。

1) 受強光干擾：投射的編碼光會受到強烈太陽光的干擾，并不適合在戶外使用[52]。

2) 不適合遠距離深度信息采集：結構光相機投射的是散斑圖案，接收模組需要拍攝到清晰的圖案才能計算出深度，當距離增加，投射出的圖案會變得模糊，導致測量精度降低[53]。

相對于結構光相機，ToF相機投射的是發散的面光源，精度不受距離的影響，可以應用于遠距離測量[54]。但也存在一些問題。

1) 分辨率較低：ToF相機基于光速進行深度測量，由于光的傳播速度非?？欤^小的時間誤差會被放大，導致ToF相機的深度分辨率較低[55]。

2) 系統誤差明顯：在需要重建的物體邊緣產生疊加誤差，在目標表面產生多重反射噪聲[56]。

3) 測量量程較短：ToF相機功率不高，導致其測量量程較短[57]。

這些缺點導致RGB-D相機在應用時出現一些不太理想的效果。Kuzuhara[34]等使用Xtion相機獲取奶牛三維模型，測量其背部姿勢估計出奶牛各種身體特征最低為53%，最高為80%，證明了此類本就為室內使用而研發的RGB-D相機在畜牧業應用的可行性，但也指出其應用局限性，Xtion的近紅外深度傳感器對光線十分敏感，戶外測量僅在夜晚或者早晨陽光不強的情況下才可以取得較好的效果。徐勝勇等[58]采用Kinect 2.0相機獲取角果期油菜不同角度下的彩色圖像和深度圖像，生成油菜植株的三維點云，然后進行采樣濾波處理，最后進行粗配準、精配準以及歐式聚類等點云處理方法實現單個角果的識別定位，識別率較高但可識別角果數量少于實際數量，其主要原因是單使用Kinect 2.0獲取的三維點云存在孔洞等問題，濾波后某些角果斷裂成小塊引起了實驗誤差。

3.2 消費級RGB-D相機優化

針對上述中RGB-D相機存在的問題，可以從硬件和軟件兩方面進行改進，一是在硬件層面采用多傳感器融合技術取長補短，二是在軟件層面對相關算法進行改進和優化。

3.2.1 多傳感器融合技術

在農業領域的應用中，大多數研究通常采用單一的消費級RGB-D相機作為傳感器。相機本身的缺陷會導致所采集的三維信息存在缺陷且精度較差，張恒等[59]將激光雷達與消費級RGB-D相機結合起來，并用卡爾曼濾波與貝葉斯估計對采集到的數據進行融合，在保留激光雷達圖像精準度的同時補充了多個三維水平信息，提高了地圖的完整性。Mu等[60]將激光雷達、消費級RGB-D相機、編碼器和慣性測量單元相結合提出了一種新的即時定位與地圖構建(simultaneous localization and mapping，SLAM)方法，試驗結果表明，該方法有良好的成圖效果及較高的精度，同時反映出更多環境信息，比單一使用激光雷達在x方向及y方向精度提高3.6%和2.2%。驗證了該方法的可行性。Song等[61]分別使用激光雷達和消費級RGB-D相機來測量目標的二維和三維信息，通過結合視覺跟蹤算法、結構光相機深度信息和低級視覺激光雷達融合算法來對目標進行校準定位，目標位置數據與Vicon運動捕捉系統的位置數據做比較，證明了該方法的優越性。

3.2.2 算法改進與優化

對于消費級RGB-D相機自身原理導致的易受光照環境影響、計算復雜和深度信息采集不完整等問題，可以通過改進點云處理算法解決。蘇本躍等[62]研究了一種基于光照補償的點云配準方法以及一種自適應顏色和幾何混合特征的點云配準方法，并通過4種不同的網面結構對比試驗驗證了該方法平均誤差全距約減少到原來的1/5，解決了光照強度不均勻導致消費級RGB-D相機采集的點云噪聲大等問題。Zhang等[63]提出了一種新的帶密度約束的K-means算法，在用該方法對點云進行處理之前，先定義點云的密度，用點云的密度來量化收斂性，大大減少了聚類算法的計算時間，其中當點云數量為10×104，K值為1 000時，聚類時間僅為原來的1/5。針對消費級RGB-D相機采集到的深度圖不完整問題，潘波[64]提出了一種基于深度圖修補的植物重建算法，并采用多級視圖選擇法對多視圖立體視覺算法進行改進。除此之外，還提出一種基于超像素的深度圖修補算法，對生成的植物深度圖中存在的空洞和噪聲進行修補，相對于JBF和DJBF算法該算法空洞修補效果分別提升102.15%和46.63%，得到更加完整的樹木模型。

4 結論與展望

隨著現代智慧農業的發展，對動植物三維重建精度及實時性要求的進一步提高，RGB-D相機作為核心傳感部件將會得到更為廣泛的研究和應用。本文闡述了RGB-D相機工作原理及其優缺點，介紹了國內外消費級RGB-D在作物三維參數特征提取、畜牧監測、果實識別以及農機導航等農業方面上的應用成果，總結了該類相機在實際應用中出現的如易受光照影響、量程較短等問題，并從硬件與軟件層面歸納了目前研究人員對RGB-D相機應用的改進方案。為了進一步加強RGB-D相機在現代智慧農業領域的應用，提出以下幾點展望。

1) 設施農業會為消費級RGB-D相機提供更廣闊的應用空間。基于結構光原理的Kinect相機和Xtion Pro Live相機投射地編碼光會受室外強光影響，精度大幅度降低。基于ToF原理的Kinect 2.0相機雖然投射的不是編碼光，但夏天的烈日下，光照強度過大，會導致相機的感光傳感器出現過度曝光的情況，進而影響相機的精度。溫室、農用大棚以及畜牧棚等不受陽光直射的場所是消費級RGB-D相機在農業領域的理想應用場所。

2) 提高自動化程度，搭建一體化三維信息采集平臺。目前，農業領域三維信息采集系統自動化程度不高，作物三維結構重建實時性不強。將消費級RGB-D相機與計算機等三維信息處理設備結合起來，根據實際研究對象預先設定好點云重建程序，構建一體化信息處理平臺，可以將繁瑣的任務自動化，提高作業效率。

3) 提高復雜環境下的魯棒性和適應性。國內外有關消費級RGB-D在農業領域應用的研究大多是在實驗室理想條件下進行的，而實際非結構化農田、果園及養殖場中環境復雜多樣，動植物形態各異，需要提高該類相機在復雜環境下的魯棒性和適應性，才能在復雜的真實環境下獲取更加精確、穩定和可靠的實驗結果。

4) 應用于農業機器人。信息化、智能化與精準化，是農業生產的必然趨勢，農業機器人是農業領域公認的最具發展潛力的技術之一。非結構化的田間環境，增加了農業機器人對作業對象的感知與判斷難度，這是農業機器人發展過程中必須克服的難題。以消費級RGB-D相機為基礎，構建農業機器人視覺系統，可以幫助其精準識別作業對象，提高作業成功率及生產效率。