基于機器視覺的農業機械避障導航算法研究

馬 馳

（楊凌職業技術學院，陜西 楊凌 712100）

0 引言

隨著我國科學技術的不斷發展，精細農業憑借其資源消耗低、環境污染小的特點已成為我國農業現代化、信息化發展的必然趨勢。為了達到避障和導航的目的，必須對環境進行感知，在完全或不完全的情況下利用感應器獲得周圍的環境信息，如障礙物的大小、形狀、位置等。其中，自主導航技術在精細農業中占有重要地位，目前應用最廣泛的有GPS 技術、多傳感器融合技術和機器視覺技術。這類技術具有較高的性價比，同時也能最大限度地減少因干擾造成的影響，因此在近年來一直是導航領域的一個熱門課題[1]。

基于農業機械的運動規律，可以根據障礙物的位置、大小等信息，給出一種新的避障算法。基于單障礙物避障算法，根據農機工作平臺的安全運行面積來確定避障路徑，可幫助農機在有障礙物的情況下順利地進行作業。國內外的專家、學者對農業機械的導航技術進行了較深入的探討。歐美地區發展較快，瑞典學者BjprnAs-trand 等提出了一種基于Hough 變換的具有很強魯棒性的作物行識別方法，該方法可以有效地克服雜草的干擾，實現較好的避障效果，但僅能對規則平直的作物行進行定位[2]。比利時學者V. Leemans 等對兩種基于機器視覺的導航算法進行了對比：第一個試驗采用Hough 變換與遞推濾波相結合，取得了良好的效果；第二次試驗所獲得的影像包含若干平行，在此基礎上結合行距等先驗知識提出了一種新的Hough 轉換方法，該方法可以較好地檢驗種子行的真實性和準確性，同時也能為后續避障工作的開展提供一定的基礎[3]。當前，我國學者針對機器視覺的農業機械避障導航算法的研究也在不斷地深入當中，并獲得了良好的效果。中國農大李茗萱、張漫等針對目前的導航路抽取算法存在的外部干擾、處理速度緩慢等問題提出了一種新的導航路抽取方法。該方法基于傳統的圖像處理技術，能夠保證農業機械運行時達到較好的避障和線路的提取效果。但總的來說，由于當前我國農業種植的特點以及農田環境結構性的多樣性影響，導致針對機器視覺的農業機械避障導航算法的研究還存在一定的不足，無論是理論還是實踐方面還有較大的發展空間。因此，本研究將以機器視覺的農業機械避障導航算法為出發點，提出一種新的提取算法模式，以期為精細化農業種植工作的開展提供一定的指導。

1 圖像采集設備和系統標定原理

1.1 圖像采集設備及材料

本研究所使用的影像采集裝置是陜西維視數字圖像技術有限公司的MV-VD030SC 型工業攝影機及AFT-0814MP 鏡頭，所獲取的影像尺寸為640×480，可設定不同的顏色。用于圖像處理的電腦是Intel（R）核心（TM）i3，具有3.1 GHz 的主頻和2 G 內存；采用Microsoft Visual C++6.0 對算法進行了研究，并對其進行優化。

1.2 機械避障導航系統的標定

機器視覺技術是一種綜合技術，其目的是利用攝影機將世界坐標中的物體轉化成影像坐標，并通過校準確定其位置關系，然后對影像進行正確的處理，從而獲得所需的資料，并將其反饋給對應坐標中的目標[4]。攝像機標定常用坐標系如圖1所示。

圖1 攝像機標定常用坐標系

機器視覺中包含了XW、YW、ZW、相機坐標系（X、Y軸分別與照相機坐標系的x、y軸平行），影像像素坐標系的原點位于影像的左上方，以像素表示。

1）分析世界坐標與攝像機坐標之間的轉換關系如下：

2）分析坐標系與攝像機坐標系之間的轉換關系如下：

3）將公式（2）中的物理坐標系直接轉換為圖像坐標系，具體關系如下：

綜合上述幾點關系的轉換，得出物點P與圖像像素坐標系點Pr的轉換關系如下：

4）總結世界坐標系與圖像坐標之間的關系如下：

2 圖像處理及避障導航數據的提取

2.1 算法原理

農作物種植中的水稻品種具有明顯的壟溝效應，但不同地區的綠色植物和土壤背景差異較大。首先，通過綠線算法可以有效地對圖像中的有效信息進行有效利用，同時還可以對目標和背景進行初步識別，從而減少大量的數據，方便后續的處理。其次，在灰度圖像中，由于使用了灰度值的特性，所以使用二值化技術可以更清晰地提取出農作物的數據。再次，通過一系列的形態學方法，從二值化圖像中提取出真實的導航軌跡，并對導航線進行校正。最后，將可靠的導航信息反饋給計算機，實現真實的實時導航[5]。

2.2 圖像處理及導航數據提取

2.2.1 灰度化

與灰色圖像相比，彩色圖像含有更多的有用信息。為提高后期處理的速度，首先要對圖像進行灰度化處理。綜合本研究農業種植的實際情況，選擇以麥田為實驗對象，麥田和農田有很大的區別，莊稼行的綠色特性十分顯著，而土壤則是棕紅色。常規灰度處理如圖2 所示，處理之后的效果并不明顯，加上原始圖像中的植物線條明顯模糊，因此不宜使用。

圖2 常規灰度處理

利用傳統的超綠因子對農作物和農田的色彩特性進行了灰度處理，超綠因子處理如圖3 所示。雖然該方法可以更好地區分目標和背景，但是其效果并不理想。通過試驗和分析，在考慮了顏色空間的R、G、B 成分的基礎上，提出了一種基于0 R—1.8 G—8 B的新的超綠因子來實現彩色圖像的灰度處理。試驗結果表明，該方法比一般的灰度化方法效果顯著提高，識別度高、噪聲小，能夠為后續的處理提供極大的便利。

圖3 超綠因子處理

2.2.2 圖像分割

Otsu 是一種典型的圖像分割方法，具有運算量小、不受圖像亮度等因素影響、自動性強等特點。在圖像分割中閾值法具有運算量小、運算速度快等特點。由于前期的灰度化效果較好，因此兩種方法的處理結果是一樣的。這些模型都能將目標和背景區域區分開來，且噪聲對其影響很小。然而，在處理速度上，使用門限方法要比Otsu 方法快得多，所以本研究使用了205 的閾值灰度化方法，以提升后續避障運行的實際效果。

2.2.3 避障導航線提取

由于作物的非結構性特征，在不同的行間存在著較多的小雜音，而在作物行中也存在著少量的小孔噪聲[6]。但由于這些噪聲與作物的行區相比比較小，因此可以通過形態學的方法進行濾波，選擇合適的形態學處理模板可以有效避免或排除作物行間的有用信息[7-8]。采用3×3 矩形模板對二值圖像進行分析，確定了腐蝕、膨脹、開、關運算的結構、運算順序和運算次數，得到了連續、無噪聲的農作物行目標。在避障導航線提取的過程中，為了保證導航數據提取的精準度，需要對現有提取出來的圖像信息進行優化，即可得到最終的數據信息[9]。

在田間導航的研究中，已有大量的研究人員對農作物的全部數據進行了提取。主要作物行的精細化提取圖像信息結果如圖4 所示，由于攝像機位于機器的中部，所以在正常步行過程中所拍到的影像也是對稱的。因此，在保證導航信息精度的基礎上，選取了兩排最關鍵的兩行作物作為導航參考。如果發生了偏移，則中間兩排作物的位置也會發生較大的改變。在此基礎上，利用改進的Hough 轉換算法，實現了作物行的線性擬合；Hough 轉換參數θ空間從0°～180°的變化范圍改為45°～135°的縮減計算區域，減少了計算量，但保證了測量的準確性。由于相機的角度不同，農田中的平行作物會出現一些傾斜，需要校正。

圖4 精細化提取圖像信息

2.3 避障導航信息反饋及航線提取

攝像機應位于兩個目標線的正中央，一般情況下以圖像中心為導航點。在導航線修正后利用兩導航路的縱軸和影像中心縱坐標之差，求出了兩導航路的偏移幅值。導航點的偏移是以像素為單位進行的，利用三坐標系間的對應關系進行轉化，可以得到實際的距離，并為農業機械避障導航校正提供依據[10]。

3 實驗結論分析

本研究使用機器視覺的農業機械避障導航算法對田間農作物進行實驗分析，在路線規劃模塊中引入了相對距離和方向信息，實現了實時的路障規避。在確定了避障路線后，采用純跟蹤算法跟蹤該避障路線，從而實現了避障目的。本研究采用慢速實驗對田間農作物中的障礙物進行檢測，速度分別為0.5 m/s、1.0 m/s進行試驗，實驗行走路徑如圖5所示。

圖5 實驗行走路徑

實驗中，GPS 接收機采用RTK 法在障礙物上測量了障礙物的中心點位，其坐標為：@=4 787.3 m，Y=3 316.9 m。由于拖拉機在行駛時，地面坐標系統下障礙物中心點的測量存在誤差。因此，所測得的中心坐標（X=4 787.5 m，Y=3 316.7 m）的最大誤差為0.28 m時，試驗車速0.5 m/s，符合避障試驗的需要。

文中所提出的障礙物檢測方法可以有效地進行障礙物的識別與擬合，盡管有一些錯誤，但大部分都能用算法進行過濾，從而證明了算法的正確性。實驗中，GPS 接收機采用RTK 法在障礙物上測量了障礙物的中心點，其坐標為：@=4 786.94 m，Y=3 317.79 m。在障礙物的實時探測中，最大誤差為0.36 m 時試驗車速1.0 m/s。在1.0 m/s 的車速下，由于機械在農田中高速行駛會產生較大的振動，從而降低了對障礙的探測準確率。

在兩種不同車速下進行了現場測試，結果證明本研究所提出的障礙物探測方法能夠達到測試的目的。最終結果表明，本文所提出的障礙物檢測方法能夠在不同的車速情況下，對障礙物的方向和形狀進行精確的識別，具有很好的適用性。

4 結語

1）基于機器視覺的農業機械避障導航算法能夠較好地克服農業種植過程中出現的障礙物的干擾[11]，準確地提取出農田中的作物行駛方向和距離，為以后的處理打下了良好的基礎。

2）通過對主要作物行的抽取，可以降低運算量，加快運算速度，并不會對機械避障導航信息的抽取造成影響，同時Hough 變換的優化和快速的運算能力也得到了極大的提高[12-13]。

3）本研究提出了一種基于平均的方法，能夠得到障礙物的位置及形狀信息，通過采用平均法獲得障礙物的距離、形狀等信息，但由于存在一定的噪聲干擾，導致檢測結果產生了很大的誤差。

4）目前對于障礙物的檢測只考慮了靜態障礙物的情況，并且只考慮了離航向最近的障礙物為有效障礙物，動態路徑規劃時僅根據此障礙物進行關鍵點選擇。如果田間障礙物情況分布復雜，該方式可能無法得到一條安全的避障路徑，在后續的研究中應對田間多障礙、動態障礙進行考慮。

5）在某些特定的條件下（如雜草太多、天氣惡劣），該方法無法有效地提取出農作物的行間以及障礙信息。目前已有的研究僅限于障礙物導航路的抽取，因此需要進一步改進算法的自動機制和反饋機制。