蘭家祥, 林壽英, 余文泉, 王國邦, 廖耿斌(福建農(nóng)林大學(xué)機電工程學(xué)院，福建 福州 350002)

葡萄是我國重要的經(jīng)濟作物之一，在大部分地區(qū)都有規(guī)?；N植與生產(chǎn).截至2015年，全國葡萄栽培面積已超過80萬hm2，年產(chǎn)量達(dá)到1 300萬t[1].當(dāng)前葡萄種植領(lǐng)域的自動化程度還相對較低，尤其是對葡萄植株水肥的管理仍然是以人工噴灑為主，這種管理方法不僅工作效率低，還大幅度增加了農(nóng)產(chǎn)品的生產(chǎn)成本[2].近年來，隨著精細(xì)農(nóng)業(yè)技術(shù)的提出，農(nóng)業(yè)自動對靶技術(shù)引起了諸多學(xué)者的關(guān)注.汪小志等[3]研發(fā)了一種帶有自主定位能力的施藥機,能通過微波傳感器來獲得植株的標(biāo)靶靶向信息，從而依據(jù)靶向信息調(diào)整施藥機的位置，實現(xiàn)了精確對靶施藥.然而此種施藥機適用于場地作業(yè)空間大、植株型號小的作物，不適合于葡萄植株的田間管理.李濤斌等[4]還針對農(nóng)藥殘余量超標(biāo)的問題，研制了一種行距可變式噴藥機，通過調(diào)整支架與升降桿孔之間的連接，使噴藥支架離地高度發(fā)生變化，以達(dá)到對靶噴藥的目的.宋淑然等[5]設(shè)計了一種形狀可調(diào)的柔性對靶噴霧裝置，該裝置能夠根據(jù)果樹冠的中心位置進(jìn)行自適應(yīng)變形，并利用激光測距傳感器對靶標(biāo)植株進(jìn)行距離探測，從而實現(xiàn)精準(zhǔn)對靶噴霧.然而激光傳感器在使用的過程中也存在一些問題，如作業(yè)時無法精確區(qū)分被檢測物是否為植株.

目前有關(guān)對靶施肥對象的識別研究較少.本研究結(jié)合葡萄植株的實際生產(chǎn)作業(yè)環(huán)境,提出了基于視覺判別分析的葡萄植株對靶系統(tǒng),快速對葡萄植株的位置進(jìn)行初步判別；同時還采用判別分析法對圖像信息進(jìn)行特征提取，判斷待測對象是否為葡萄植株.

1 材料與方法

1.1 作業(yè)環(huán)境概況

圖1 葡萄種植環(huán)境Fig.1 The environment of grape planting

圖2 硬件結(jié)構(gòu)圖Fig.2 Diagram of hardware structure

當(dāng)前立體種植葡萄模式的種植環(huán)境如圖1所示.從圖1可看出，葡萄植株的枝葉部分被整齊地固定于葡萄支架上，葡萄果實分布于離地1.8 m以上區(qū)域，其枝干部分與果園地面相連接.每列葡萄植株的間隔為1.5 m，每行葡萄植株的走道寬度為2.5 m[6].這種分布不僅減少了植株間的陽光競爭，還有利于人工采摘、套袋和施肥，同時也為葡萄植株對靶系統(tǒng)提供了足夠的作業(yè)空間[7].

于 2017 年7月在福安巨峰葡萄實驗園對樣本進(jìn)行了采集.采集時間為9:00—11:00，大棚內(nèi)光照度為40～70 klx.采集了100幅圖像作為樣本，其中50幅為葡萄植株，其余為樹樁或水泥柱樁.

1.2 硬件設(shè)計

基于視覺判別分析的葡萄植株對靶系統(tǒng)的整體硬件結(jié)構(gòu)如圖2所示.其輸入部分是依據(jù)超聲波傳感器、激光傳感器和攝像頭來獲取環(huán)境信息，輸出部分是顯示屏和六自由度機械臂.機械臂由4個數(shù)字舵機組成，機械臂固定于支撐板上，超聲波傳感器安裝于機械臂的末端，攝像頭和激光傳感器均安裝于支撐板的正中央.

該對靶系統(tǒng)采用的是TI公司生產(chǎn)的控制芯片，型號為STM32F103，能實現(xiàn)各種參數(shù)信息的采集、運算、存儲和輸出控制等功能[8].引腳系統(tǒng)可分為圖像采集系統(tǒng)與機械臂執(zhí)行系統(tǒng)兩部分.

圖像采集系統(tǒng)：采用TI公司生產(chǎn)的TLC5510攝像頭，其通信采用標(biāo)準(zhǔn)SCCB接口，可以同時兼容I2C接口，有效像素為640(H)×480(V)，感光面積為4.8 mm×3.6 mm，自身攜帶背光補償和電子快門[9].該攝像頭能對被檢測物體進(jìn)行快速圖像掃描，并將掃描到的圖像信息儲存到指定內(nèi)存中.

機械臂執(zhí)行系統(tǒng)：主要由4個舵機組成，分別能實現(xiàn)左右、上下、前后6個方位的運動.本設(shè)計所選用的舵機型號是SAIBO-1502-17，舵機在接受5 V電源供電時，其無負(fù)載速度為356 (°)s-1，轉(zhuǎn)動扭矩為17 kg，它是作為臂部傳動的動力源，主要用于驅(qū)動整體結(jié)構(gòu)的運動.舵機控制盤引出的3根線分別連接主控制器的正極、負(fù)極與PWM信號輸出口.首先，單片機輸出相應(yīng)信號，并通過信號線將其傳送至舵機的控制盤中；控制系統(tǒng)會依據(jù)信號對齒輪和小電機的轉(zhuǎn)動進(jìn)行有效控制；內(nèi)部電機通過電位差對齒輪的正轉(zhuǎn)、反轉(zhuǎn)和停止進(jìn)行調(diào)節(jié)，驅(qū)動頂部舵機盤的轉(zhuǎn)動，實現(xiàn)對位置的精確控制[10].

1.3 傳動控制

機械臂執(zhí)行系統(tǒng)采用逐點比較算法對多個舵機的運動進(jìn)行控制.根據(jù)機械臂的運動平面建立二維直角坐標(biāo)系，以舵機運動的最小角度作為單位步進(jìn)距離.算法的基本思路為：舵機每步進(jìn)一個單位距離，控制器會比較當(dāng)前所處坐標(biāo)與給定終點坐標(biāo)的偏差；控制器根據(jù)偏差，決定下一步的步進(jìn)方向.若機械臂末端所處的坐標(biāo)點在要求的軌跡下側(cè)，就必須向軌跡上側(cè)運動；若機械臂末端位置在軌跡的上側(cè)，將往前部移動，以縮小偏差[11-12].基于這個控制方法，對機械臂的運動形式、軌跡，速度進(jìn)行編程控制.運動過程以第Ⅰ象限為例，起點為坐標(biāo)原點(0，0)，終點的坐標(biāo)為(5,5)，直線插補算法程序流程圖如圖3所示.

1.4 判別分析

攝像頭采集的源圖像如圖4所示.圖4中除巨峰葡萄的主枝干外，還有其他植株的葉片、小枝干、地面等.因獲取圖像前經(jīng)過激光傳感器的位置定位，故其主枝干部分位于圖像中央.通過分析植株枝干與背景色彩的特征，發(fā)現(xiàn)了目標(biāo)植株枝干一般會從圖像上端貫穿至圖像底部，色差對比明顯.經(jīng)過計算，植株共占用100像素列.為進(jìn)一步減少圖像分析的檢測范圍與判別運算所需時間，選取中間50列像素、200行像素作為候選區(qū)域分析的依據(jù).

圖3 直線插補流程圖Fig.3 The tree of linear interpolation圖4 采集源圖像Fig.4 Source image of acquisition

候選區(qū)域的100×200像素點分別對每5列求和、取平均值，得到一個20×40的多維矩陣.采用數(shù)理判別法構(gòu)造一個判別函數(shù)，并據(jù)此判別函數(shù)對新的未知屬性樣品做出判斷.判別函數(shù)的獲取步驟如下[13-15]：

(1)借助OpenCV計算機軟件，將現(xiàn)場采集的圖像樣本作為目標(biāo)資料，建立樣本資料庫,每個樣本表示為xi(i=1,2…n).

(2)計算均值向量的估計量.

(1)

(3)計算各個母體的樣本離差陣.

(2)

(4)計算協(xié)差陣無偏估計量.

(3)

(5)對回代樣本進(jìn)行判別，以檢驗這種判別方法的可行性.

(4)

為了檢驗對靶系統(tǒng)對葡萄植株的識別能力與對靶系統(tǒng)的實施效果，于2017年8月在福建省寧德市的巨峰葡萄大棚生產(chǎn)基地進(jìn)行了試驗.試驗時間為09:00—11:00，溫室內(nèi)的光照度為40～80 klx.在現(xiàn)場隨機選取了10組葡萄植株與4組木樁，分別對對靶系統(tǒng)進(jìn)行了測試.

表1 判別分析結(jié)果Table 1 The results of discriminant analysis

2 結(jié)果與分析

2.1 樣本庫分析

采用上述判別分析法對圖像進(jìn)行分析，并借助計算機軟件進(jìn)行計算，得到樣本庫判別分析結(jié)果(表1).

樣本庫錯判的概率P表示為：

(5)

2.2 現(xiàn)場測試

為了使所采集的圖像符合要求，通過分析現(xiàn)場圖像得出，對靶系統(tǒng)在距離被測物體50 cm時，可以得到理想的圖像效果.現(xiàn)場測試結(jié)果表明對靶系統(tǒng)對12組樣本可進(jìn)行有效識別，另外2組樣本為誤判，結(jié)果如表2所示.

表2 試驗數(shù)據(jù)Table 2 The data of experiment

采用折線圖來表示試驗次數(shù)和偏差角度的對應(yīng)關(guān)系,如圖5所示.圖5中Y軸表示偏差角度值，X軸表示試驗次數(shù).

圖5 偏差角度圖Fig.5 Diagram of deviation angle

從表2和圖5可知，對靶系統(tǒng)有效識別時，被測物體的偏差角度均在10°以內(nèi)，對靶系統(tǒng)對葡萄植株的識別率P為：

(6)

在第10次和第11次試驗過程中，對靶系統(tǒng)出現(xiàn)了誤判.通過數(shù)據(jù)對比可知，誤判的2次試驗的偏差角度均超過了10°，偏差值分別為19°和21°.偏差角度過大會導(dǎo)致對靶系統(tǒng)采集圖像的位置出現(xiàn)偏差，造成誤判.

對靶系統(tǒng)的平均對靶距離L、平均偏差角度Q，以及對靶距離誤差率Pe的計算式分別表示如下：

(7)

(8)

(9)

對靶系統(tǒng)在試驗過程中會產(chǎn)生偏差角度過大這一狀況，通過分析原因，提出如下解決方法：

(1)對靶系統(tǒng)試驗時，激光傳感器一旦檢測到物體，移動系統(tǒng)便立即停止運動，由于慣性的作用，會導(dǎo)致對靶中心點發(fā)生偏移，進(jìn)而引起誤差.可以在移動平臺的前端增加一個激光傳感器，來對待檢測物體進(jìn)行前瞻檢測，使系統(tǒng)及時減速.

(2)對靶系統(tǒng)采用的是延遲的方式來對舵機的運動速度進(jìn)行控制，從而導(dǎo)致對靶過程中脈沖數(shù)會有一個步進(jìn)距離的誤差.可以采用更高精度的舵機來驅(qū)動機械臂的運動，如博創(chuàng)機器人舵機、樂高數(shù)字舵機等.

3 小結(jié)

本文提出了一種基于視覺判別分析的葡萄植株對靶系統(tǒng).首先，系統(tǒng)利用激光傳感器來快速檢測葡萄植株的初步位置；再運用攝像頭對圖像特征進(jìn)行提取和識別；最后由舵機驅(qū)動機械臂完成對靶運動.結(jié)果表明，樣本庫判別分析的誤判率為13%，實際試驗的誤判率為14.3%.對靶系統(tǒng)正常判別時，被測物體的偏差角度均在10°以內(nèi)，平均對靶距離為42.3 mm，平均偏差角度為4.5°，對靶距離誤差率為15.4%.