基于機器學習的四旋翼植保機目標識別研究

魏 純,李 明,龍嘉川,姚 敏

(1.武漢東湖學院 電子信息工程學院,武漢 430212;2.空軍預警學院 信息管理中心,武漢 430019)

0 引言

四旋翼飛行器是一種飛行平穩的無人飛行器,通過整體一體化設計后,結構變得簡單,易于維護,且負載能力強和抗阻能力好,被廣泛地應用到了植保機的設計上。在無人植保機的設計上,目標自主識別是視覺系統設計的關鍵。如果植保機可以自主識別作業目標,在沒有定位導航儀器的情況下,植保機依然可以根據自己識別的作物作業,會大大提高作業的適應能力,實現在復雜條件下的作業。因此,植保機目標識別系統的研究對提升其自身的自主化作業水平具有重要的意義。

1 無人植保機在農業生產上的應用

近年來,一種新型的植保機被應用到農業生產過程中,以代替人工實現無人化作業,從而極大地提高了植保作業效率,降低了植保作業過程中農藥對作業人員的傷害。在各類無人植保機中,四旋翼無人植保機是最常用的,其具有較好的平穩性,抗阻性能強,操作簡單,可以在復雜情況下進行大面積作業。在植保機無人化作業過程中,作業目標的自主識別是提高作業智能化水平的關鍵。植保機利用自身的視覺系統可以對作業目標進行識別,其流程如圖1所示。

在作物識別時,植保機通過機器視覺系統對目標作物進行圖像采集,在采集到的大量圖像中,機器視覺系統需要對圖像進行增強處理,以達到提取目標作業區域的目的;然后,通過相關的算法對圖像進行特征提取,再將圖像和記憶存儲的圖像進行比對,以識別作物。在識別時,可以利用智能算法的大量訓練提高記憶精度,進而提高作物目標識別的準確性。識別到農作物后,控制器通過質心坐標計算得到作物的位置,將無人植保機移動到作業區域執行植保作業。

2 基于機器學習的目標識別算法

機器學習算法是當前智能控制領域研究的一個熱點問題,采用機器算法可以使機器具有類人的學習能力,從而實現智能化控制。將機器學習算法應用農業領域,可以提高農機的自動化作業水平,實現自主化作業。四旋翼無人機是一種先進的無人駕駛飛行裝置,由于其飛行的平穩性,被應用到農業植保領域,實現了植保過程的無人化作業。在農機自主作業時,作業目標的識別能力是一個非常重要的參數。利用機器視覺技術,植保機可以自主識別作業區域,從而有效地提高作業效率。

特征提取是目標識別的一種可靠手段,通過特征的提取植保機識別到農作物區域,便可以按照指定的任務程序進行作業。在特征提取算法中,邊緣檢測算法是其中的一種。利用邊緣檢測算法可以將目標區域和背景之間區別開,得到目標和背景的邊緣線,進而成功地捕捉到作業區域的目標。在進行邊緣檢測之前,需要利用增強算法對圖像進行處理,從而提高目標識別的準確性。利用邊緣檢測算法對目標區域進行識別主要是由4個步驟組成,包括濾波、增強處理、檢測和定位。首先,利用二階求導的方式將圖像進行處理,假設采集到的農作物圖像為f(x),其拉普拉斯算子為

(1)

使用差分方程得到對x和y方向上的二階偏導數近似為

=(f[i,j+2]-2f[i,j+1]+f[i,j])

(2)

這一近似式是以點f[i,j+1]為中心的,用j-1替換j可得

(3)

它是以點[i,j]為中心的二階偏導數的理想近似式,同理則

(4)

把式(4)和式(5)合并,便可以得到拉普拉斯算子的模板,即

(5)

有時希望鄰域中心點具有更大的權值,可以采用近似拉普拉斯算子,即

(6)

當拉普拉斯算子輸出出現過零點時,即表明有邊緣存在,通過邊緣檢測可以得到農作物作業目標區域的特征邊緣。為了使植保機可以準確地識別農作物區域,區分作業目標和背景,可以引入機器學習算法。最常用的機器學習算法為神經網絡算法,利用神經網絡算法的不斷訓練,植保機視覺系統可以產生農作物特征的記憶,進而識別作業區域,其訓練算法過程為

(7)

在神經網絡訓練過程中,式(7)訓練圖像的個數為m,經驗數據庫信息的輸入部分為x1,x2,···,xR,ωx1,ωx2,···,ωxR表示連接權值,θ表示偏置信值,權值和置信值可以分別表示為

ωx=-(y2-y1)
ωy=x2-x1
θM=-ωxx-ωyy

(8)

在識別到目標作業區域后,還可以利用聚類算法計算得到目標區域的質心位置,進而對目標作業區域進行定位,最后執行植保作業,其流程如圖2所示。

圖2 目標識別和作業流程Fig.2 Target identification and operation process

圖2中,植保機利用機器視覺系統對農作物作業區域的圖像進行采集,再利用邊緣處理技術對農作物作業區域的圖像進行特征提取,利用機器學習算法對農作物的目標區域進行識別,進而得到區域的位置;定位后,控制中心發出控制指令,移動植保機到達作業區域位置,進行噴灑農藥的作業。整個過程由此可以實現無人化控制。

3 四旋翼無人植保機性能測試

近年來,很多無人化作業機械被應用到農業生產過程中,其中典型的無人機包括無人機駕駛播種機和聯合收獲機、采摘機器人、無人植保機等。在無人植保機系列中,由于四旋翼無人飛行器的飛行平穩性較好,抗風能力強,因此作為典型的無人植保機被設計出來。在作業過程中,無人機植保機如果可以自主地識別作業區域,并可以自動導航,便可以實現無人化作業。

谷上飛是珠海羽人農業航空有限公司根據中小型農田植保作業的需求開發的一款無人植保機,如圖3所示。其飛行穩定,抗風性好,噴藥的穿透性較好,操控較為簡單,一般的農田管理人員在短時間內都可以掌握其操作要領。根據無人植保機的作業環境,仿照無人機的結構特征,對四旋翼植保機進行了設計,其控制部分框架如圖4所示。

圖3 無人植保機示意圖Fig.3 The schematic diagram of unmanned plant protection machine

圖4 控制器框架結構Fig.4 The controller frame structure

圖5 控制器芯片示意圖Fig.5 The schematic diagram of controller chip

飛行控制模塊是整個飛行器的核心,該模塊可以接收并分析傳感器采集到的各種農作物的信息數據,接收和分析速度傳感器傳來的飛行姿態數據,包括速度傳感器和角度傳感器。本文主要研究內容是相機傳感器采集到農作物后對目標作業區域進行識別。因此,在選擇控制器芯片時可以采用數據處理能力較強的芯片,并具有可編程性。

根據無人植保機對作業區域自動識別的設計需求,采用了ARM生產的一款處理能力強大、可擴展能力好、性價比高STM32F105微型控制單片機。為了驗證無人植保機自主識別目標的可行性,將機器學習算法以編程的方式嵌入到植保機的控制系統中,并模擬植保機作業環境設置農作物目標,通過對目標的識別測試植保機的性能。

進行目標識別時,以農田平面為坐標平面,以X向和Y向坐標為點,設置了一系列的農作物目標點;然后利用無人植保機對這些目標物進行識別,得到了目標實際物和無人機識別并定位到的坐標點;將這些點擬合成曲線,如圖6所示。由對比結果可以看出:無人植保機能夠較為準確地識別到農作物目標,并可以精確定位農作物的位置,為無人植保機的自主作業提供了數據參考。

圖6 目標識別曲線Fig.6 The target recognition curve

4 結論

為了提高植保機無人化作業的水平及目標自主識別能力,將機器學習算法用到了機器視覺系統的設計上,利用圖像邊緣處理對特征圖像進行提取。然后與記憶圖像進行比對,以達到識別作業區域的目的,并通過神經網絡算法對圖像識別過程進行了訓練,提高了目標識別的準確性。最后對植保機目標識別的準確性進行了驗證,結果表明:植保機可以較為準確地識別到農作物目標,對于提高其自身的無人化作業能力和環境適應性具有重要的意義。