劉岳開(kāi)　高宏力　張潔

摘要：以機(jī)器人操作系統(tǒng)（robot operating system，ROS）為框架，以開(kāi)源項(xiàng)目樹(shù)莓派微型硬件作為圖像處理模塊，Arduino作為機(jī)械臂運(yùn)動(dòng)控制模塊;基于自適應(yīng)參數(shù)輸入的霍夫圓檢測(cè)算法，實(shí)現(xiàn)一種USB攝像頭的雙目視覺(jué)蘋(píng)果采摘系統(tǒng)，保證算法實(shí)時(shí)性高的前提下識(shí)別率較高。以輪廓完整、小色塊去除為優(yōu)化策略，最大、最小圓面積自動(dòng)估算，實(shí)現(xiàn)對(duì)霍夫圓檢測(cè)輸入?yún)?shù)的自適應(yīng)控制。對(duì)于采摘順序規(guī)劃，通過(guò)競(jìng)爭(zhēng)策略，每次篩選出最優(yōu)果實(shí)，從而實(shí)現(xiàn)多目標(biāo)的采摘順序確定。結(jié)果表明，基于本策略的自適應(yīng)霍夫圓檢測(cè)試驗(yàn)算法對(duì)遮擋狀況下的小規(guī)模成簇果實(shí)具有較高識(shí)別率。此外，借助眾靈科技有限公司的開(kāi)源ROS五自由度機(jī)械臂通過(guò)簡(jiǎn)易抓取試驗(yàn)完成了算法可實(shí)施性驗(yàn)證。

關(guān)鍵詞：開(kāi)源系統(tǒng)設(shè)計(jì);機(jī)器視覺(jué);顏色空間;自適應(yīng)霍夫圓檢測(cè)

中圖分類號(hào)： S225.93? 文獻(xiàn)標(biāo)志碼： A? 文章編號(hào)：1002-1302（2019）04-0187-05

在采摘算法上，對(duì)目標(biāo)果實(shí)識(shí)別的準(zhǔn)確性和效率是決定采摘質(zhì)量的關(guān)鍵。經(jīng)典的采摘算法包括圖像預(yù)處理（去除噪聲、提高對(duì)比度）、圖像分割獲取果實(shí)部分圖像、輪廓精準(zhǔn)識(shí)別獲取三維坐標(biāo)信息。Lab顏色空間下的K-means聚類算法的圖像分割[1-2]和基于最大類間方差的動(dòng)態(tài)閾值OTSU法[3-5]是典型的基于區(qū)域的分割算法。未對(duì)輸入圖像做出適應(yīng)性修正的算法在復(fù)雜光照及背景采摘環(huán)境下，提取蘋(píng)果輪廓易出現(xiàn)不完整、目標(biāo)區(qū)域產(chǎn)生空洞的情況。而現(xiàn)有算法中對(duì)預(yù)處理過(guò)程中的參數(shù)優(yōu)化較弱[6-11]。K-means和GA-RBF-LMS神經(jīng)網(wǎng)絡(luò)識(shí)別相結(jié)合的算法[1]，雖然提高了識(shí)別率，但神經(jīng)網(wǎng)絡(luò)算法訓(xùn)練數(shù)據(jù)量本大，數(shù)據(jù)處理實(shí)時(shí)性較弱。目前多數(shù)算法研究者的研究過(guò)程[6-11]往往只專注于圖像識(shí)別過(guò)程，林冰心等對(duì)采摘順序規(guī)劃進(jìn)行了研究[12]，而算法與機(jī)械臂控制結(jié)合的開(kāi)發(fā)試驗(yàn)鮮有研究。

在軟硬件平臺(tái)上，ROS和樹(shù)莓派、Arduino是目前發(fā)展較為成熟的開(kāi)源軟硬件項(xiàng)目平臺(tái)。國(guó)外研究者已有基于ROS系統(tǒng)構(gòu)建服務(wù)機(jī)器人方案的研究[13-16]，但國(guó)內(nèi)關(guān)于此方面的研究較少，ROS跨平臺(tái)以及其類似模塊化編程的優(yōu)越性正在逐步顯現(xiàn)。本研究專注于如何利用OSHW項(xiàng)目高效地設(shè)計(jì)機(jī)器視覺(jué)系統(tǒng)，以ROS操作系統(tǒng)為框架，構(gòu)建了一種基于Arduino和Raspberry Pi等OSHW項(xiàng)目的蘋(píng)果采摘機(jī)器視覺(jué)系統(tǒng)。ROS環(huán)境下的視覺(jué)算法實(shí)現(xiàn)，借助于OSHW項(xiàng)目以及ROS代碼的強(qiáng)復(fù)用性，二次開(kāi)發(fā)過(guò)程得到簡(jiǎn)化。Raspberry Pi微型計(jì)算機(jī)相比于傳統(tǒng)的嵌入式或者基于工業(yè)PC臺(tái)式機(jī)電腦的視覺(jué)系統(tǒng)，計(jì)算性能得到保證的同時(shí)便攜性顯著提高。

本研究基于一種自適應(yīng)參數(shù)修正的霍夫圓檢測(cè)算法，保證識(shí)別算法實(shí)時(shí)性高的前提下輪廓擬合精度較高，通過(guò)引入競(jìng)爭(zhēng)機(jī)制后能夠單次采摘具有最優(yōu)圖像信息的果實(shí)，實(shí)現(xiàn)順序采摘過(guò)程，最后基于OSHW軟硬件平臺(tái)構(gòu)建并完成了抓取試驗(yàn)測(cè)試。

1 視覺(jué)系統(tǒng)總體設(shè)計(jì)

基于視覺(jué)的蘋(píng)果采摘系統(tǒng)是一種通過(guò)圖像處理手段對(duì)標(biāo)定后相機(jī)圖像進(jìn)行處理，提取目標(biāo)果實(shí)三維坐標(biāo)信息的系統(tǒng)。本系統(tǒng)是以ROS系統(tǒng)為框架開(kāi)發(fā)的一套雙目視覺(jué)系統(tǒng)，并在實(shí)體機(jī)械臂上完成算法采摘可實(shí)施性驗(yàn)證。系統(tǒng)主要包括圖像采集設(shè)備、圖像處理模塊、相關(guān)通信線纜等。圖像采集、圖像處理硬件選型根據(jù)視覺(jué)算法需要，以安裝Ubuntu 14.04系統(tǒng)的樹(shù)莓派3為載體，2臺(tái)西安維氏的工業(yè)相機(jī)組成雙目立體視覺(jué)系統(tǒng)，相機(jī)通過(guò)USB 2.0接口與樹(shù)莓派連接。調(diào)用基于ROS的張氏標(biāo)定法完成鏡頭畸變校正，并解決相機(jī)安裝偏差的極線校正過(guò)程。系統(tǒng)內(nèi)部通信基于ROS的信息傳輸機(jī)制，信號(hào)從主題發(fā)布節(jié)點(diǎn)傳向訂閱主題的節(jié)點(diǎn)。另外，樹(shù)莓派3通過(guò)USB 2.0接口或RS232接口與機(jī)器人運(yùn)動(dòng)控制芯片（如Arduino等）通信（圖1）。

2 采摘識(shí)別算法優(yōu)化

對(duì)現(xiàn)有的霍夫梯度圓檢測(cè)過(guò)程的參數(shù)輸入以及果實(shí)識(shí)別采摘順序規(guī)劃過(guò)程做了相關(guān)算法改良設(shè)計(jì)（圖2）。

2.1 顏色空間轉(zhuǎn)換及圖像分割

將原始圖片從顏色分量關(guān)聯(lián)性強(qiáng)的RGB顏色空間轉(zhuǎn)化到關(guān)聯(lián)性低的HSV顏色空間，方便顏色提取過(guò)程。HSV空間中H代表色調(diào)，決定色彩的基本種類。計(jì)算公式由立方體模型到六棱錐模型的變換公式導(dǎo)出。公式中相關(guān)符號(hào)R、G、B分別代表RGB空間中的紅色、綠色、藍(lán)色分量。max（R，G，B）表示RGB三通道矩陣最大值，min（R，G，B）表示RGB三通道矩陣最小值。公式（1）、（2）、（3）、（4）為HSV空間各分量的計(jì)算公式。

2.2 圖像預(yù)處理

圖像預(yù)處理是實(shí)現(xiàn)高精度尺寸、距離測(cè)量以及圖像識(shí)別過(guò)程的基礎(chǔ)。為更好地保留果實(shí)信息，在轉(zhuǎn)化為HSV顏色空間后，再進(jìn)行直方圖均衡化增強(qiáng)圖像對(duì)比度。通過(guò)自適應(yīng)閾值法對(duì)圖像做二值化處理，消除其他噪聲，保留果實(shí)圖像信息。

當(dāng)色調(diào)H的計(jì)算結(jié)果小于0時(shí)，采用公式（2）計(jì)算。

為更好地區(qū)分采摘圖像中的背景色彩和果實(shí)色彩，測(cè)試了果實(shí)與背景顏色H分量構(gòu)成。圖3展示了果實(shí)圖像目標(biāo)與背景中色調(diào)分量的直方圖，即各顏色的比重，得出背景色彩多為藍(lán)色、棕色，如天空、樹(shù)枝，目標(biāo)果實(shí)主要為紅色和部分黃色分量，從而以直方圖色度信息為判據(jù)提取對(duì)應(yīng)取值的顏色分量。圖4所示分別為K均值、HSV空間紅黃分量提取以及本研究算法圖像分割結(jié)果對(duì)比，本研究算法能夠更加完整地識(shí)別果實(shí)顏色分量，在圖像分割質(zhì)量上具有一定優(yōu)越性。

2.3 果實(shí)圖像的霍夫梯度圓檢測(cè)

霍夫圓檢測(cè)是目前應(yīng)用較為廣泛的一種圓檢測(cè)方法[17-21]。圓檢測(cè)由于其特征較少，傳統(tǒng)的多邊形檢測(cè)方法難以檢測(cè)，目前提出的圓檢測(cè)方法包括環(huán)路積分微分法，基于最小二乘的圓擬合法，而霍夫圓檢測(cè)算法是目前應(yīng)用最為廣泛的算法?；舴驁A檢測(cè)的基本原理可簡(jiǎn)述為利用點(diǎn)與線的對(duì)偶性，將圖像空間的線條變?yōu)閰?shù)空間的點(diǎn)，即將過(guò)點(diǎn)[a（i），b（i）]的圓簇表示為[a（i），b（i），r（i）]參數(shù)形式;圖像空間中的過(guò)點(diǎn)（a，b）的圓在參數(shù)空間中表示為一個(gè)圓錐面。最后問(wèn)題轉(zhuǎn)化為求解參數(shù)空間的峰值問(wèn)題。引入消除粒子群優(yōu)化（eliminating particle swarm optimization，EPSO）方法[17]的霍夫圓檢測(cè)算法優(yōu)化了計(jì)算速度，以及基于輪廓點(diǎn)處梯度方向交點(diǎn)投票機(jī)制算法[18]也較顯著加速了Hough圓檢測(cè)算法的效率及抗干擾能力。然而在蘋(píng)果采摘環(huán)境下，受環(huán)境噪聲（樹(shù)枝、樹(shù)葉遮擋）以及自身梯度方向的計(jì)算誤差的影響，目標(biāo)果實(shí)的擬合結(jié)果仍然易出現(xiàn)輸出擬合圓過(guò)多且不準(zhǔn)確的狀況。通過(guò)提前估算果實(shí)圖像區(qū)域大小以及個(gè)數(shù)等特征作為參數(shù)輸入，則能較好地解決Hough圓檢測(cè)算法對(duì)輸入?yún)?shù)敏感的問(wèn)題。基于梯度的快速霍夫圓檢測(cè)，利用梯度信息，對(duì)圓檢測(cè)過(guò)程中隨機(jī)點(diǎn)的選取作初步篩選。

（1）OTSU大津法通過(guò)公式（5）選擇在最佳狀態(tài)空間點(diǎn)（w0，w1，u0，u1）處對(duì)應(yīng)的閾值，然后根據(jù)閾值對(duì)圖像進(jìn)行二值化處理。公式（5）中w0為背景像素占總像素?cái)?shù)的比值，w1為前景像素的占比值，u0為背景像素點(diǎn)的灰度平均值，u1為前景像素點(diǎn)的灰度平均值，S為最大類間方差。

2.4 霍夫圓檢測(cè)的自適應(yīng)參數(shù)輸入

Hough圓檢測(cè)的輸入?yún)?shù)包括最大圓半徑、最小圓半徑r、R，圓心距最小值d。本研究使用Python的Scipy庫(kù)的ndimage中的measurements模塊實(shí)現(xiàn)了果實(shí)圖像的形態(tài)學(xué)度量，完成圖像中果實(shí)的面積大小及數(shù)量的估算，從而對(duì)霍夫梯度檢測(cè)的輸入?yún)?shù)進(jìn)行控制。該方法能夠有效提高Hough圓檢測(cè)算法輸入?yún)?shù)的準(zhǔn)確性，從而提高識(shí)別精度。具體算法的驗(yàn)證代碼已經(jīng)上傳到GitHub軟件項(xiàng)目托管平臺(tái)。算法流程如下所示。

比較圖5所示算法效果可以看出，自適應(yīng)參數(shù)的Hough圓檢測(cè)能夠在圖像輸入前有效去除影響噪聲，以及消除果實(shí)粘接等產(chǎn)生的目標(biāo)形狀畸變等問(wèn)題。

2.5 ROS環(huán)境下雙目視覺(jué)深度計(jì)算

程序采用ROS的標(biāo)準(zhǔn)節(jié)點(diǎn)格式，左、右相機(jī)通過(guò)節(jié)點(diǎn)的圖像處理程序?qū)⒐麑?shí)的二維坐標(biāo)計(jì)算結(jié)果發(fā)布到/tf主題，機(jī)械臂狀態(tài)節(jié)點(diǎn)訂閱該消息，并將左、右相機(jī)處理的二維結(jié)果通

過(guò)公式轉(zhuǎn)化為三維坐標(biāo)信息，通過(guò)相關(guān)ROS自帶的相關(guān)逆運(yùn)動(dòng)學(xué)求解包得到機(jī)械臂各個(gè)關(guān)節(jié)的轉(zhuǎn)角參數(shù)，實(shí)現(xiàn)機(jī)械臂的簡(jiǎn)單控制過(guò)程。

2.6 競(jìng)爭(zhēng)策略與順序采摘

王冰心等實(shí)現(xiàn)了一種基于生物選擇性注意機(jī)制及贏者取全的仿生學(xué)算法[12]，而本研究基于競(jìng)爭(zhēng)機(jī)制淘汰篩選得到最佳待采摘果實(shí)的方法，實(shí)現(xiàn)了果實(shí)簇的順序采摘過(guò)程。圖6為K均值算法、基于霍夫梯度檢測(cè)、基于開(kāi)源項(xiàng)目算法檢測(cè)的結(jié)果比較。其算法步驟如下。

Step1：計(jì)算雙目鏡頭的Hough圓檢測(cè)擬合結(jié)果，得到二維圓心坐標(biāo)，雙目算法求取三維視野距離Dz。

Step2：求輪廓完整度判據(jù)。以圖像目標(biāo)實(shí)際面積與對(duì)應(yīng)擬合圓面積比值Kz為判斷依據(jù)。

Step3：以視野距離、輪廓完整度為指標(biāo)，篩選確定出最佳可摘果實(shí)。

Step4：返回Step1，對(duì)采摘后圖像繼續(xù)判斷最佳果實(shí)，循環(huán)執(zhí)行，直到采摘完畢。

由圖6所示試驗(yàn)結(jié)果可知，自適應(yīng)參數(shù)的霍夫圓檢測(cè)方法準(zhǔn)確率在無(wú)遮擋、樹(shù)枝樹(shù)葉遮擋2種情況下相比于一般的果實(shí)識(shí)別算法具有優(yōu)越性，相比于神經(jīng)網(wǎng)絡(luò)模型下的算法略低，如基于DSP和μC/OS-Ⅱ的采摘機(jī)器人視覺(jué)系統(tǒng)設(shè)計(jì)[9]達(dá)到97%的識(shí)別率，但省去了訓(xùn)練時(shí)間且不存在泛化性問(wèn)題。

3 基于ROS系統(tǒng)的雙目視覺(jué)測(cè)試與結(jié)果分析

ROS支持的Python和C+ +語(yǔ)言由于OpenCV以及其他開(kāi)源視覺(jué)算法庫(kù)的引入，使得多種基本的算法處理實(shí)現(xiàn)得到簡(jiǎn)化，研究更為便捷。圖像預(yù)處理是實(shí)現(xiàn)高精度尺寸、距離測(cè)量以及圖像識(shí)別過(guò)程的基礎(chǔ)。通過(guò)圖像對(duì)比度增強(qiáng)、降噪等軟手段減小噪聲信息的影響。預(yù)處理的效果直接影響到后續(xù)的尺寸、距離、識(shí)別過(guò)程的精度。對(duì)K均值、HSV空間紅黃分量提取以及本研究算法圖像分割結(jié)果進(jìn)行了試驗(yàn)與對(duì)比，結(jié)果表明，本研究提出的算法能夠更加完整地識(shí)別并完成目標(biāo)果實(shí)圖像的分割，從而提升后續(xù)的識(shí)別精度。在目標(biāo)提取上，基于一種改良參數(shù)的自適應(yīng)霍夫圓檢測(cè)算法獲取果實(shí)的二維坐標(biāo)，可避免圖像分割后的輪廓不完整以及空洞，影響果實(shí)精確位置判斷?；谔荻鹊目焖倩舴驁A檢測(cè)，利用梯度信息，對(duì)圓檢測(cè)過(guò)程中隨機(jī)點(diǎn)作初步篩選，從而減小計(jì)算量，提升計(jì)算速度。

引入競(jìng)爭(zhēng)機(jī)制實(shí)現(xiàn)果實(shí)采摘的順序規(guī)劃，從而完成對(duì)成簇狀果實(shí)群的順序采摘。ROS系統(tǒng)的引入方便了機(jī)器人運(yùn)動(dòng)學(xué)以及動(dòng)力學(xué)控制過(guò)程。無(wú)論是對(duì)于底層的關(guān)節(jié)速度、力反饋控制，還是對(duì)于進(jìn)一步的機(jī)械臂軌跡規(guī)劃、運(yùn)動(dòng)規(guī)劃，ROS系統(tǒng)提供了Move_base、MoveIt、Gmaping等運(yùn)動(dòng)控制包，幫助實(shí)現(xiàn)機(jī)器人的運(yùn)動(dòng)控制過(guò)程。圖7是ubuntu系統(tǒng)中，ROS環(huán)境下雙目視覺(jué)rqt_graph包生成的計(jì)算圖。圖8是本研究設(shè)計(jì)的雙目視覺(jué)系統(tǒng)與眾靈科技有限公司的開(kāi)源Arduino機(jī)器人組成的雙目視覺(jué)采摘試驗(yàn)測(cè)試的計(jì)算圖（由rqt_graph包生成）。圖9是基于樹(shù)莓派的ROS視覺(jué)采摘系統(tǒng)現(xiàn)場(chǎng)測(cè)試過(guò)程。

樹(shù)莓派3代B作為圖像處理模塊以及機(jī)械臂定位信號(hào)發(fā)送端。顯示器通過(guò)樹(shù)莓派的HDMI接口接入并實(shí)時(shí)顯示ROS圖像處理過(guò)程，可以通過(guò)樹(shù)莓派的相關(guān)外圍設(shè)備鼠標(biāo)、鍵盤(pán)調(diào)用ROS的Rqt_graph包查看ROS節(jié)點(diǎn)計(jì)算圖;攝像頭設(shè)備通過(guò)樹(shù)莓派的USB端口輸入采集到的原始圖像。Arduino接收樹(shù)莓派的定位信號(hào)并作為機(jī)械臂的底層控制部分完成最終機(jī)械臂的運(yùn)動(dòng)控制過(guò)程。圖9所示的模擬測(cè)試過(guò)程為攝像頭采集到原始圖像后，經(jīng)過(guò)樹(shù)莓派圖像處理獲取最終的三維坐標(biāo)信息并發(fā)送給Arduino，機(jī)械臂在Arduino控制下完成對(duì)蘋(píng)果的抓取動(dòng)作。

4 結(jié)論

經(jīng)試驗(yàn)測(cè)試驗(yàn)證， 本研究算法的識(shí)別率在一般識(shí)別算法中準(zhǔn)確率較高。本研究使用眾靈科技公司開(kāi)發(fā)的開(kāi)源ROS機(jī)械臂對(duì)雙目視覺(jué)采摘系統(tǒng)做場(chǎng)地測(cè)試，驗(yàn)證了該算法的可實(shí)施性。經(jīng)測(cè)試統(tǒng)計(jì)，在無(wú)遮擋和樹(shù)枝、樹(shù)葉遮擋2種情況下該算法識(shí)別率均較高，在果實(shí)重疊情況下效果仍需提高。

ROS類似于模塊化的基于獨(dú)立節(jié)點(diǎn)通信機(jī)制的信息傳輸方式讓基于ROS的視覺(jué)系統(tǒng)設(shè)計(jì)研究者可以快速熟悉并快速用于二次開(kāi)發(fā)。代碼的分類管理能有效提高開(kāi)發(fā)效率。GitHub能以版本控制方式進(jìn)行更好的管理并方便軟件的Bug修復(fù)、意見(jiàn)征集以及基于源碼的二次開(kāi)發(fā)過(guò)程。

ROS wiki網(wǎng)頁(yè)上提供的眾多接口以及開(kāi)源算法，為視覺(jué)機(jī)器人的開(kāi)發(fā)提供了便利。由于項(xiàng)目時(shí)間匆促，后期可以與其他視覺(jué)識(shí)別定位的橫向智能學(xué)習(xí)算法做對(duì)比，從而對(duì)采摘算法做進(jìn)一步優(yōu)化。

參考文獻(xiàn)：

[1]賈偉寬，趙德安，劉曉洋，等. 機(jī)器人采摘蘋(píng)果果實(shí)的K-means和GA-RBF-LMS神經(jīng)網(wǎng)絡(luò)識(shí)別[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2015，31（18）：175-183.

[2]Malinen M I，Mariescu-Istodor R，F(xiàn)ranti P. K-means{*}：clustering by gradual data transformation[J]. Pattern Recognition，2014，47（10）：3376-3386.

[3]郭翰林，林 建，張 翔. 基于HSV空間再生稻植株與土壤背景圖像分割[J]. 農(nóng)機(jī)化研究，2017（7）：169-174.

[4]李碧青，朱 強(qiáng)，鄭仕勇，等. 雜草自動(dòng)識(shí)別除草機(jī)器人設(shè)計(jì)——基于嵌入式Web和ZigBee網(wǎng)關(guān)[J]. 農(nóng)機(jī)化研究，2017（1）：217-226.

[5]李運(yùn)志，Zhang Q，陳弘毅，等. 基于機(jī)器視覺(jué)的半干棗病害和裂紋識(shí)別研究[J]. 農(nóng)機(jī)化研究，2016（8）：120-125.

[6]趙德安，沈 甜，陳 玉，等. 蘋(píng)果采摘機(jī)器人快速跟蹤識(shí)別重疊果實(shí)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2015，31（2）：22-28.

[7]熊俊濤，鄒湘軍，彭紅星，等. 荔枝采摘機(jī)械手視覺(jué)定位系統(tǒng)設(shè)計(jì)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2012（增刊1）：250-255.

[8]王 政，張微微，張 賓，等. 基于聚類算法對(duì)象提取的快速定位采摘機(jī)器人設(shè)計(jì)[J]. 農(nóng)機(jī)化研究，2016（7）：45-49.

[9]申一歌，靳 果. 基于DSP和μC/OS-Ⅱ的采摘機(jī)器人視覺(jué)系統(tǒng)設(shè)計(jì)[J]. 農(nóng)機(jī)化研究，2017（6）：223-227.

[10]顧蘇杭，馬正華，呂繼東. 基于顯著性輪廓的蘋(píng)果目標(biāo)識(shí)別方法[J]. 計(jì)算機(jī)應(yīng)用研究，2017，34（8）：2551-2556.

[11]楊信廷，孫文娟，李 明，等. 基于K均值聚類和開(kāi)閉交替濾波的黃瓜葉片水滴熒光圖像分割[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2016，32（17）：136-143.

[12]王冰心，王孫安，于德弘. 基于選擇性注意機(jī)制的果實(shí)簇識(shí)別與采摘順序規(guī)劃[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2016，47（11）：1-7.

[13]Wang Z Y，Gong L，Chen Q L，et al. Rapid developing the simulation and control systems for a multifunctional autonomous agricultural robot with ROS[C]//Intelligent robotics and applications. Springer，2016：26-39.

[14]Seib V，Memmesheimer R，Paulus D. A ROS-Based system for an autonomous service robot[M]//Robot operating system （ROS）. Springer，2016：215-252.

[15]Araújo A，Portugal D，Couceiro M S，et al. Integrating arduino-based educational mobile robots in ROS[J]. Journal of Intelligent & Robotic Systems，2015，77（2）：281-298.

[16]Hu T J，Zhang B X，T ang D Q，et al. ROS-based ground stereo vision detection：implementation and experiments[J]. Robotics and Biomimetics，2016（3）：1-9.

[17]Cheng H D，Guo Y H，Zhang Y T. A novel Hough transform based on eliminating particle swarm optimization and its applications[J]. Pattern Recognition，2009，42（9）：1959-1969.

[18]Galambos C，Kittler J，Matas J. Gradient based progressive probabilistic Hough transform[J]. Image and Signal Processing，2001，148（3）：158-165.

[19]楊博文，孫永榮，黃 斌，等. 加油錐套遠(yuǎn)距圖像的Hough-LS快速檢測(cè)[J]. 光電工程，2015，42（4）：44-48，55.

[20]毛順兵. Hough變換和輪廓匹配相結(jié)合的瞳孔精確檢測(cè)算法[J]. 計(jì)算機(jī)應(yīng)用，2016，36（5）：1415-1420.

[21]葉 峰，陳燦杰，賴乙宗，等. 基于有序Hough變換的快速圓檢測(cè)算法[J]. 光學(xué)精密工程，2014，22（4）：1105-1111.許 健，蔡宗壽，張國(guó)帥，等. 基于離散元的傾斜圓盤(pán)勺式大豆排種器取種勺優(yōu)化研究[J]. 江蘇農(nóng)業(yè)科學(xué)，2019，47（4）：192-196.