基于機器視覺的施藥機器人設計與研究

摘 要：噴施農藥是農作物防治病蟲害的重要方法，傳統的人工施藥方式，作業時防護不當會對施藥人產生身體危害，同時，由于人工施藥無法使農藥噴施達到均勻，一定程度上會降低農藥的利用率，且容易造成環境污染。針對此問題，設計了一種基于機器視覺的施藥機器人。以馬鈴薯作物為試驗對象，施藥機器人可以進行路徑規劃避障并通過圖像識別算法，自動識別檢測農作物的病害，從而實現精準施藥，減少藥物浪費，降低人工施藥風險。

關鍵詞：機器視覺；路徑規劃；自動識別；病蟲害防治

中圖分類號：S224.3；S237 文獻標志碼：B 文章編號：1674-7909（2024）17-142-6

DOI：10.19345/j.cnki.1674-7909.2024.17.031

0 引言

在小農經濟的背景下，農藥噴施方式多以人工操作的背負式或手持式設備為主［1］。這種傳統的噴藥方式需投入大量的勞動力，且人工噴藥的隨意性較大，噴施過程中難以保證藥劑的均勻分布。目前，大力發展智能化農業植保裝備，即將植保技術、自動化機械技術和機器視覺技術進行有機結合，力求在保證防治效果的基礎上，盡可能的減少農藥的使用量，減少對環境的污染和人體的傷害［2］。為此馬偉等［3］等研制出一種風送變量噴藥機器人，該機器運用風力擴大噴霧機的作業范圍，提高噴施均勻性，尤其適用于設施環境下的噴藥作業。中國科技大學劉路［4］研制了一種自走噴霧機器人，實現了基于視覺的慣性導航，使得機器人能自走作業。為解決農藥噴施過程中的霧滴漂移問題，江蘇大學學生蔡彥倫［5］運用靜電噴施技術研制了一種低空靜電噴施植保無人機，噴頭霧化后經過靜電發生裝置使霧滴帶靜電，漂移中的霧滴在靜電的作用下飄向靶標，很大程度上減少了霧滴的漂移，節省了農藥。

為了更加有效應對馬鈴薯病害植株的防治需求，設計了一款基于機器視覺的智能施藥機器人。該施藥機器人集成了路徑規劃、精準噴藥等多項智能技術，能夠在田間自動導航，對病害植株進行定點施藥。能夠在不同行進速度下進行對靶噴灑，達到提高施藥效率和節省藥劑的效果。這一研究不僅減少了投入人力成本的需求，而且顯著提升了病害防治的精準度和資源利用效率，為智能農業提供了一種高效的解決方案。

1 施藥機器人的工作原理

施藥機器人系統主要包括雷達系統、路徑規劃移動系統、識別病害裝置及施藥裝置。施藥機器人通過搭載的雷達系統對農田環境進行掃描，獲取實時地形和環境數據，并生成二維地圖，基于構建的地圖，機器人運用全局規劃算法來確定最優移動路徑。在按照規劃的路徑行走過程中，機器人前端和側方安裝有攝像頭，通過視覺傳感器采集馬鈴薯植株病害，并通過后側方安裝的噴藥裝置進行對靶噴霧。

2 施藥裝置的設計

施藥裝置主要包括噴頭、水泵、水管、繼電器及儲藥箱等部分組成。工作時，水泵啟動儲藥箱中的藥劑通過水管輸送到噴頭，將藥劑按設定的壓力和流量噴灑到農作物表面。繼電器根據傳感器信號和設定的程序，控制噴頭的開啟與關閉，精確控制噴藥量。

2.1 噴頭

噴頭需要以適當的霧化程度進行噴射，確保霧滴大小一致，并使流體噴灑的方向合適。噴頭的噴嘴主要有扇形噴嘴和錐形噴嘴兩種類型。扇形噴嘴是一種能產生多種角度扇形噴霧的噴嘴。錐形噴嘴則能產生實心錐形噴霧形狀，其噴射區域呈圓形。扇形噴嘴的優點是扇形的噴霧模式形成了直線型的打擊面，使得在單位面積上能提供更大的打擊力，同等壓力，流量下扇形噴嘴是更適合用于強沖擊的清洗應用。該噴嘴不僅提升了噴射強度，還有效增強了噴灑的精確性，使得噴霧覆蓋面平整，同時邊界清晰明確，有利于達到較好的噴灑效果。

為保證施藥效果，施藥機器人共配置了3個120°扇形噴頭，單個噴頭流量為0.12 L/min，能夠滿足要求。

2.2 水泵

水泵是施藥系統的核心部件，其為智能施藥機器人的噴頭提供合適的壓力。在工作中，水泵單位流量不僅與噴頭參數相匹配，還需確保回流藥液能夠有效攪拌水箱內的藥液，使其在噴灑過程中不斷循環，避免藥液沉積，維持藥液濃度的均勻性。因此，水泵型號的選擇尤為重要，根據水泵的壓力、電壓、電流以及轉速等方面進行綜合考慮。經計算分析，水泵選用型號為370的微型直流水泵。

3 施藥機器人雷達系統

雷達系統是施藥機器人的機器視覺，有控制器、雷達等組成，在雷達探測到環境信息后以數據形式快速的傳遞給控制器，并做出快速的智能反應。

3.1 控制器

施藥機器人的控制器為樹莓派，具有多方面優勢。深度學習領域其廣泛使用Python進行開發，樹莓派的Python環境兼容性使其在運行神經網絡模型、路徑規劃算法和傳感器數據處理方面非常靈活。

3.2 雷達

在智能噴藥機器人自動導航系統中，激光雷達是一種關鍵的傳感器。施藥機器人采用了具備12米半徑測量范圍、360°掃描測距以及8 000次/S測量頻率的高性能激光雷達，能夠提供精確的環境感知信息，為路徑規劃和自主導航提供數據支撐。工作時能夠結合機器人操作系統（Robot Operating SystemROS，ROS）進行建圖和路徑規劃。

4 機器人路徑規劃系統設計

4.1 路徑規劃算法

采用人工智能（Artificial Intelligence，AI）算法作為機器人的路徑規劃算法。AI算法的優點是結合了戴克斯特拉算法（Dijkstra's algorithm，Dijkstra）算法的最短路徑搜索和貪心算法的啟發式搜索，減少了不必要的節點擴展，提高了搜索效率。

4.2 田間作業方式

在常規場景中，在確立起點和終點基礎上，路徑規劃的主要目的是為智能施藥機器人尋找到一條無碰撞的路徑，屬于“點到點”的規劃方式。而農業機器人在進行生產作業時（如播種、施肥和噴藥等），則需要實現對整個作業區域的全面覆蓋，以確保生產效率最大化，因此其路徑規劃更偏向“點到線”或“線到面”的全覆蓋規劃。

一般來說，農業機器人的作業方式分為直行法、繞行法和斜行法三類，直行法是較為常用的方式，具體詳見圖1所示。根據不同的操作需求，直行法又可以細分為繞行法、開壟行走法、閉壟行走法、套行法和梭形法（又稱牛耕法）［5］。

智能施藥機器人的田間作業路徑大多數情況下由直線和轉彎兩部分構成。常見的幾種轉彎路徑包括U形、弓形、Ω形和魚尾形，具體詳見圖2。其中：W代表機器人作業的幅寬，r表示其最小轉彎半徑。

在轉彎路徑示意圖中，由圖2（a）和2（b）可知，U形和弓形的轉彎方式較為相似，轉彎整個過程不需要太大區域，施藥機器人只需單向轉動即可，操作簡單、效率較高。圖2（c）魚尾形與U形和弓形的轉彎方式相比，魚尾形的轉彎方式明顯復雜，人需要在轉彎過程中兩次自動調整速度，并隨之改變運動狀態，系統需花費更多時間處理指令的接收與發送，增大了各系統間的通信延遲，從而增加了非作業時間，可能導致移動路線發生偏移，轉彎失敗。圖2（d）Ω形的轉彎角度超過了180°，需要的轉彎區域會顯著增大，所占用的空間也會增加，并且由于轉彎幅度較大，整體的控制難度也會相應提升，不利于智能施藥機器人的路徑規劃。

一般來說，路徑長短會影響施藥機器人的所需工作時間。施藥機器人在進入相鄰直線路徑時，需要根據最小轉彎半徑與作業幅寬的關系來選擇轉彎路徑。當W≥2r時，采用U形或弓形轉彎路徑；當rlt;Wlt;2r時，采用Ω形或魚尾形轉彎路徑。在實際情況下，Ω形和U形會增加路徑長度，會延長智能施藥機器人工作時間，所以可以通過跨行實現弓形轉彎，弓形轉彎路徑詳見圖3所示。

4.3 構建馬鈴薯田間模型

針對馬鈴薯田地施藥進行仿真試驗，研究以10行植株為例，設置田地寬度為7 m，機器人作業幅寬為0.7 m。每一作業行兩端中點處各設置一個節點，代表坐標點，田間作業行所有的坐標點用V=｛1，2，…，n｝來表示，其中n表示坐標點的總數。經過處理之后，作業行可簡化為兩端坐標點的連線，馬鈴薯田地模擬情況采用1、2…10為地頭坐標，20、19…為相對應的地頭坐標，即1?20、2?19、3?18、…、10?11。坐標點集合V組織為集合 [H=a1，b1，a2，b1，…an/2，bn/2]，在模型中其[ai+bi=n+1]，且[ai]和[bi]是位于不同地頭的坐標點；集合[H]可根據所屬地頭進一步分為集合[H1]和集合[H2]，其中集合[H1=a1，a2，…an/2]表示位于地頭1的坐標點，集合[H2=b1，b1，…bn/2]表示位于地頭２的坐標點。

4.4 試驗結果分析

在Python環境下，設定馬鈴薯田地大小為20 m×7 m，機器人的最小轉彎半徑為r=0.6 m，初始作業速度為0.3 m/s，作業幅寬為W=0.7 m，根據作業幅寬算得作業條帶數量n=10。用AI算法結合套行法和梭形法兩種作業方式，進行對比試驗。試驗中假設馬鈴薯田地中障礙物可以避開，施藥機器人將在無干擾以及不受外部因素的影響情況下完成作業。

兩種作業方式對比如下：第一種采用梭形法（牛耕法），第二種則采用套行法。通過對比試驗，觀察兩種方式在障礙物環境中的作業表現和效率。由于rlt;Wlt;2r，在梭形法作業方式下，機器人需要使用Ω形轉彎路徑；而在套行法中，采用弓形轉彎路徑。該試驗從作業路徑軌跡、轉彎路徑類型及轉彎路徑總長度三個方面進行對比分析，實驗結果如表1所示。

分析可知，梭形法和套行法分別采用了Ω形轉彎路徑和弓形轉彎路徑，其轉彎路徑長度各為61.45 m和34.26 m。套行法相比梭形法節省了44.2%的轉彎路徑長度。套行法的轉彎路徑總共長度較短，這是因為相比于梭形法所使用的Ω形路徑，套行法的轉彎角度較小。由于套行法轉彎時占用的區域較小，轉彎長度相對較短。說明套行法在狹小空間內操作時更為靈活，適用性更廣。

在兩種不同作業方式下，機器人路徑軌跡有著明顯的不同，作業路徑軌跡如圖4所示?？梢钥闯觯诘仡^無障礙物的情況下，套行法工作方式下，地頭轉彎面積較小。與Ω形轉彎路徑的梭形法相比，弓形轉彎路徑的套行法的機器人在轉彎時無需進行過多的停止和啟動操作，有助于減少能源消耗和機器磨損，并且不需要較大的轉彎空間，提高馬鈴薯種植面積，提升經濟效益。

5 馬鈴薯病害檢測識別系統設計

5.1 構建數據集

該識別系統主要識別馬鈴薯病害，這些病害包括炭疽病、早疫病、晚疫病及其他病害。馬鈴薯不同情況下的葉片特征如圖5所示。

收集大量的病害圖片后，需對圖片進行預處理，以便構建馬鈴薯葉片病害識別模型的數據集，具體構建數據流程如圖6所示。

5.2 Mobilenet-V2輕量級卷積神經網絡的優化訓練

在構建了馬鈴薯病害識別的數據集之后，選擇合適的模型進行訓練是關鍵的一步。在偏遠農村地區，沒有互聯網連接或互聯網速度較慢的地區，由于傳統的大型CNN不適合離線部署，需要模型更小的CNN進行離線部署。識別模型中需選擇MobileNet-V2作為骨干網絡來執行馬鈴薯作物病害鑒定。

為了提高此模型的學習能力識別微小病變特征，對經典的MobileNet-V2進行了改進遷移學習方法，空間注意和通道注意模塊被整合到預訓練的模型中，是一個八度卷積（OctConv）塊用于高維特征的提取的關注模塊可以充分利用通道注意和空間注意來學習通道之間的相互依存關系以及空間點對中間的意義特征圖。此外，利用八度卷積塊可以提高提取效率高頻特征，并減少低頻信息的冗余，從而提高作物病害識別的準確性?；贠ctConv思想，實現了包含的OctConv結構包括初始層、過渡層和輸出層。初始層為單輸入雙輸出，并負責接收輸入特征映射圖像處理時。原始圖像通過卷積層一個卷積核大小為3×3的輸出高頻特征圖，并經過執行平均池化和相同的卷積運算，得到低頻特征圖的輸出。雙輸入雙輸出在過渡層，高頻特征和低頻特征再經過卷積層后通過下采樣和上采樣輸出。雙輸入和單輸出在輸出層。在卷積層和向上采樣后得到的特征圖中加入卷積運算得到的高頻特征八度卷積塊的輸出特征圖。通過移除Boottleneck模塊、縮減和增加通道數。這樣，利用生成的MobileNet V2-B0網絡對馬鈴薯進行鑒定作物的疾病。其中底部卷積層采用來自ImageNet的預先訓練的MobileNet-V2和OctConv塊嵌入到網絡中進行高維特征提取。此外，一個注意模塊由通道注意和空間注意組成了每個空間位置的意義，實現最大限度的再利用渠道間關系，從而重新校準空間和通道特征。

MobileNet V2-B0模型和MobileNet-V2模型在不同學習率下各項數據如表2、表3。在學習率為0.001的情況下，MobileNet V2-B0模型訓練準確率和測試準確率比MobileNet-V2模型分別高2.04%，0.40%。根據以上分析，選取0.001的學習率完成MobileNet V2-B模型的訓練與測試效果最好。

6 系統試驗研究與分析

初期試驗在室外進行，為了便于調整靶標作物的間距，選擇了盆栽的馬鈴薯病害植株，植株高度約為0.3 m～0.5 m，可以滿足本次試驗的需求。使用的施藥機器人的行駛速度設定在0.4 m/s～0.8 m/s的范圍內，噴頭與馬鈴薯植株的水平距離設定為0.3 m，激光雷達的檢測范圍設定為左右角度各為10°，探測距離為1 m。當探測范圍內出現馬鈴薯植株時，智能施藥機器人將自動執行施藥操作。施藥工作圖試驗現場詳見圖7所示。

工作時，遇到農作物之間存在的間隙，施藥機器人可以在此空間停止噴霧。為測試對靶噴灑相比連續噴灑的省藥率，本次選擇施藥機器人0.4 m/s、0.6 m/s和0.8 m/s三種運行速度，兩種噴藥方式對同一行馬鈴薯病害葉片施藥。試驗采用分裝有三種藥的儲藥箱，每個儲藥箱分別裝入300 ml藥液進行連續噴灑，采用識別對靶施藥方式，每次噴灑結束后記錄儲藥箱內藥液剩余重量。試驗中，省藥率可通過實際用藥量和理論用藥量計算；準確率可通過實際用藥劑量和理論用藥劑量計算。本次試驗取其試驗次數的平均值作為最終數據，靶標馬鈴薯病害作物行的參數詳見表4所示，馬鈴薯病害植株行施藥結果詳見表5所示。

根據表5數據可知，在馬鈴薯病害植株行中，行駛速度0.4 m/s時，其省藥率分別為51.3%、42.6%和37.3%，對靶施藥準確率分別為95.6%、96.5%和97.3%；在行駛速度0.6 m/s時，省藥率分別為52.2%、43.3%和35.7%，對靶施藥準確率為94.8%、95.4%和96.5%；在行駛速度0.8 m/s時，省藥率分別為53.8%、44.2%和36.7%，對靶施藥準確率為96.2%、95.8%和96.8%，均取得了較好的結果。試驗在施藥機器人中所部署的路徑規劃算法、病害識別模型以及施藥的執行機構的可行性均得到了驗證。從實驗數據可以看出，在速度不斷增加的情況下，施藥機器人的噴藥時間也會相應縮短，省藥率也會增大。然而，噴藥時間縮短可能導致馬鈴薯病害植株所需藥量不足的情況，因此，在實際作業中應根據作物密度合理調整行駛速度，優化藥劑使用效果。

7 結束語

通過研究分析，初期階段設計的施藥機器人具備田間自動路徑規劃與精準噴藥功能。該施藥機器人集成了雷達建圖、路徑規劃算法以及病害識別技術，可以在農田中自主導航，實時檢測馬鈴薯病害植株，并對靶噴灑藥劑，實現精準、有效的病害控制。研究發現施藥機器人應用于農作物生產中不僅可以減少農藥的使用量，降低環境污染，而且能夠提高作物防治作業效率和病害防治的效果。綜上所述，施藥機器人作為智能農業裝備在病害防治等領域的應用有著較好的前景，為農業生產中向智能化發展提供了新的思路，也為未來農田自動化管理的發展提供良好的示范效應。

參考文獻：

［1］申賓德，崔玉萍，徐生龍.基于綠色農業的智能噴藥機器人的設計與應用［J］.寒旱農業科學，2023，2（9）：859-864.

［2］歐澤兵.農藥作業安全與作業者健康［J］.現代職業安全， 2019（7）：92-94.

［3］馬偉，馮青春，王秀，等.溫室智能裝備系列之六十七出風口自調節風送變量噴藥機器人開發及試驗［J］.農業工程技術（溫室園藝），2015（10）：24-26.

［4］劉路.大田環境下智能移動噴藥機器人系統研究［D］.合肥：中國科學技術大學， 2016.

［5］蔡彥倫.低空無人機接觸式靜電噴霧系統設計與試驗［D］.鎮江：江蘇大學，2017.