許 娜，周煒明

(河南工業(yè)職業(yè)技術(shù)學(xué)院，河南 南陽 473000)

0 引言

隨著現(xiàn)代農(nóng)業(yè)技術(shù)的發(fā)展，加上大規(guī)模農(nóng)田作業(yè)的需求，聯(lián)合收割機(jī)自動化作業(yè)能力急需提升，這就需要借助于人工智能技術(shù)將計(jì)算機(jī)技術(shù)和控制理論技術(shù)緊密聯(lián)系起來，利用智能識別和自主路徑規(guī)劃，實(shí)現(xiàn)聯(lián)合收割機(jī)的無人化、自動化作業(yè)。在聯(lián)合收割機(jī)對目標(biāo)智能識別和路徑自主規(guī)劃過程中，會產(chǎn)生數(shù)量龐大的圖像數(shù)據(jù)，需要借助于一種高效的圖像處理算法。PCA算法可以從模式矢量空間選擇模式特征子空間得到主特征矢量，是一種高維數(shù)據(jù)特征提取和線性降維的圖像方法，具有較高的圖像處理效率和圖像識別的準(zhǔn)率性。因此，本研究將該算法引入到收割機(jī)的圖像識別系統(tǒng)中，以提高大規(guī)模圖像的處理和識別效率。

1 收割機(jī)自主路徑規(guī)劃系統(tǒng)

收割機(jī)自動路徑規(guī)劃系統(tǒng)的功能設(shè)計(jì)中最主要的是圖像識別功能，圖像識別的好壞直接關(guān)系到路徑規(guī)劃的準(zhǔn)確程度，進(jìn)而影響導(dǎo)航的精度。在收割機(jī)實(shí)時(shí)路徑規(guī)劃過程中會產(chǎn)生海量的圖像數(shù)據(jù)，要想對這些圖像數(shù)據(jù)進(jìn)行快速處理并提取出有用的特征信息，需要引入一種高效的圖像處理算法。PCA算法在圖像處理方面具有很多優(yōu)勢，因此本次選用PCA算法作為路徑規(guī)劃系統(tǒng)的圖像識別算法。該算法優(yōu)點(diǎn)如下：

1)最小均方誤差。PCA算法本身是一種正交分解下的最小均方差，因此利用PCA算法壓縮信號時(shí)可以得到最大的信噪比。

2)降維。PCA算法采用基函數(shù)的方法處理圖像，基函數(shù)要比信號本身的維數(shù)小很多，因此可以大大降低圖像處理時(shí)的數(shù)據(jù)表示維數(shù)，從而提高計(jì)算效率。

3)消除冗余。利用PCA算法可以將圖像的冗余部分消除，進(jìn)而提升圖像識別的準(zhǔn)確程度。

基于PCA算法的以上特點(diǎn)，設(shè)計(jì)了收割機(jī)路徑規(guī)劃圖像識別的基本流程，其圖像識別過程主要依靠農(nóng)田里的導(dǎo)航標(biāo)，如圖1所示。

圖1 導(dǎo)航路標(biāo)圖像識別流程Fig.1 The image recognition process of navigation landmark

在導(dǎo)航和路徑規(guī)劃過程中，首先對采集的圖像進(jìn)行檢測和跟蹤，然后利用PCA算法進(jìn)行圖像的特征提取。為了降低計(jì)算量，在識別匹配前先利用PCA算法進(jìn)行降維，通過匹配識別最后輸出圖像識別的結(jié)果。為了路標(biāo)圖像識別和匹配的速度和精度，本研究采用了圖像樣本訓(xùn)練的方法，其過程如圖2所示。

圖2 圖像識別的學(xué)習(xí)訓(xùn)練過程Fig.2 The learning and training process of image recognition

圖像學(xué)習(xí)的訓(xùn)練過程：將農(nóng)田里的路標(biāo)導(dǎo)航圖像進(jìn)行采集后，制作成訓(xùn)練樣本，對樣本圖像進(jìn)行特征提取后建立特征子空間；然后，再采集某個(gè)路標(biāo)樣本進(jìn)行識別訓(xùn)練，驗(yàn)證識別算法的可靠性；通過訓(xùn)練后，當(dāng)識別準(zhǔn)率較高時(shí)，建立農(nóng)田導(dǎo)航路標(biāo)的識別規(guī)則。識別規(guī)則主要依據(jù)采集到的路標(biāo)圖像和樣本圖像的相似程度，對相似程度設(shè)計(jì)相關(guān)閾值，建立完善的導(dǎo)航路徑規(guī)劃的識別系統(tǒng)。

2 基于PCA算法原理的收割機(jī)導(dǎo)航方式

目前，自主規(guī)劃路徑的收割機(jī)導(dǎo)航方式有多種，主要包括視覺導(dǎo)航、路標(biāo)導(dǎo)航、衛(wèi)星導(dǎo)航和傳感器導(dǎo)航等，其對環(huán)境的適應(yīng)能力也各不相同，一種好的導(dǎo)航方式可以大大提高收割機(jī)的導(dǎo)航效率。

1)路標(biāo)導(dǎo)航。路標(biāo)導(dǎo)航是將作用于農(nóng)田環(huán)境中的特征標(biāo)的物存儲到收割機(jī)的內(nèi)部，在收割機(jī)進(jìn)行收割作業(yè)時(shí)，通過識別路標(biāo)確定自己的位置，然后通過識別下一標(biāo)的物，探測出行進(jìn)路線，其導(dǎo)航效率較高。

2)視學(xué)導(dǎo)航。由于計(jì)算機(jī)硬件技術(shù)的不斷發(fā)展，利用機(jī)器視覺進(jìn)行導(dǎo)航成為可能，視覺導(dǎo)航利用攝像機(jī)獲取環(huán)境信息，對環(huán)境信息加以分析處理后，自主形成路徑規(guī)劃方案，自動化程度較高；但技術(shù)實(shí)現(xiàn)較為復(fù)雜，并且成本較高。

3)傳感器導(dǎo)航。傳感器導(dǎo)航主要是在作業(yè)環(huán)境中使用大量的傳感器(如紅外傳感器及微波測距傳感器等)，這種導(dǎo)航方式跟路標(biāo)導(dǎo)航類似，實(shí)際應(yīng)用中需要鋪設(shè)大量的傳感器，成本也較高。

4)衛(wèi)星導(dǎo)航。衛(wèi)星導(dǎo)航主要是利用GPS全球定位系統(tǒng)觀測的方式，對收割機(jī)進(jìn)行定位，是一種輔助導(dǎo)航的定位方法，單獨(dú)利用GPS實(shí)現(xiàn)實(shí)時(shí)的路徑規(guī)劃較為困難。

綜上所述，從導(dǎo)航成本和實(shí)現(xiàn)的難以程度考慮，最終選擇路標(biāo)導(dǎo)航方式。為了提高路標(biāo)的識別效率，引入了PCA算法原理。PCA算法是主成分分析方法的簡稱，可以實(shí)現(xiàn)圖像特征信息的提取，對于復(fù)雜圖像可以起到降維的作用。在收割機(jī)實(shí)際導(dǎo)航過程中，首先利用K-L變換對路標(biāo)的主成分進(jìn)行抽取，構(gòu)成特征空間，識別過程中將圖像投影到該空間，得到投影系數(shù)，通過和預(yù)選存儲的路標(biāo)信息進(jìn)行比對，對路標(biāo)進(jìn)行識別。路標(biāo)識別過程主要有兩個(gè)階段：一是訓(xùn)練階段；二是識別階段。本文首先介紹訓(xùn)練階段。

1)假設(shè)有200個(gè)路標(biāo)圖像訓(xùn)練樣本，樣本圖像全部為灰度圖像，每個(gè)樣本的大小為M·N，則每個(gè)訓(xùn)練樣本可以寫成

x=(x1,x2,...,x200)T

(1)

其中，向量xi為由第i個(gè)圖像的每一列向量堆疊成一列的MN維列向量，利用該方式將矩陣向量化。

2)計(jì)算路標(biāo)圖像平均值，即

(2)

3)計(jì)算差值路標(biāo)。計(jì)算每一個(gè)路標(biāo)與平均路標(biāo)的差值，即

di=xi-Ψ(i=1,2,...,200)

(3)

4)構(gòu)建協(xié)方差矩陣，則

(4)

A=(d1,d2,...,d200)

(5)

5)求協(xié)方差矩陣的特征值和特征向量，構(gòu)造特征路標(biāo)空間。首先，求出ATA的特征值λi；然后，求出其正交歸一化特征向量vi。選擇特征值得貢獻(xiàn)率最大的前p個(gè)最大特征向量，則

(6)

一般取a=99%，于是可以求出協(xié)方差矩陣的特征向量為

(7)

則路標(biāo)圖像的特征空間為

w=(u1,u2,...，up)

(8)

將每一個(gè)路標(biāo)與于路標(biāo)平均值差值矢量投影到路標(biāo)特征空間，即

Ωi=wTdi(i=1,2,...,200)

(9)

識別階段則包括以下幾個(gè)步驟：

1)將待識別的路標(biāo)圖像Γ與平均臉的差值臉投影到特征空間，得到其特征向量為

ΩΓ=wT(Γ-Ψ)

(10)

2)定義閾值。

(11)

3)采用歐式距離來計(jì)算ΩΓ與每個(gè)人臉的距離εi，即

(12)

根據(jù)距離εi，可以設(shè)定閾值來建立識別的規(guī)則。當(dāng)距離小于閾值時(shí)，便可以認(rèn)為識別到待識別的路標(biāo)，從而完成識別過程。

3 基于PCA模式識別算法的收割機(jī)自主路徑規(guī)劃系統(tǒng)測試

為了驗(yàn)證PCA模式識別算法在收割機(jī)自主路徑規(guī)劃過程中的作用，將該算法嵌入到了收割機(jī)作業(yè)控制系統(tǒng)中，主要分為圖像信息采集部分和PC圖像信息處理部分。為了保證實(shí)驗(yàn)的順利進(jìn)行，選擇了較為開闊平坦的農(nóng)田作業(yè)實(shí)驗(yàn)測試基地，如圖3所示。

圖3 嵌入PCA模式識別系統(tǒng)的收割機(jī)Fig.3 The harvester embedded in the PCA pattern recognition system

圖像采集部分采用的高清攝像機(jī)，安裝在收割機(jī)駕駛室的頂部，圖像處理部分采用的PC處理器，安裝在駕駛室里。首先對收割機(jī)作業(yè)農(nóng)田里的導(dǎo)航路標(biāo)圖像進(jìn)行訓(xùn)練，最后進(jìn)行識別，其流程如圖4所示。

圖4 農(nóng)田導(dǎo)航路標(biāo)訓(xùn)練和識別流程Fig.4 The training and identification process of farmland navigation landmark

在農(nóng)田導(dǎo)航路標(biāo)得識別過程中，首先讀取多個(gè)農(nóng)田導(dǎo)航路標(biāo)圖像的訓(xùn)練樣本，構(gòu)造矩陣；然后通過圖像采集得到一幅導(dǎo)航路標(biāo)圖像，讀取后求取采集圖像和訓(xùn)練樣本圖像的差值；將差值圖像在特征向量上進(jìn)行投影，通過計(jì)算歐式距離看其和哪個(gè)導(dǎo)航路標(biāo)圖像接近，一旦發(fā)現(xiàn)數(shù)據(jù)同哪個(gè)路標(biāo)吻合，自動規(guī)劃出相應(yīng)的前進(jìn)路徑。通過測試，初步得到了如圖5所示的規(guī)劃路徑。

圖5 路徑生成示意圖Fig.5 The schematic diagram of path generation

根據(jù)聯(lián)合收割機(jī)的行進(jìn)路徑，最終繪制了收割機(jī)自主路徑規(guī)劃的示意圖。由圖5可以看出：采用PCA模式識別算法，可以成功地完成聯(lián)合收割機(jī)的導(dǎo)航路標(biāo)識別與自主路徑規(guī)劃。

對農(nóng)田路標(biāo)導(dǎo)航識別效率進(jìn)行了測試統(tǒng)計(jì)，如表1所示。由測試統(tǒng)計(jì)結(jié)果可以看出：采用PCA模式識別算法對導(dǎo)航路標(biāo)得識別準(zhǔn)確率較高，超過了95%，耗時(shí)較少，平均耗時(shí)沒有超過1s，識別的效率較高。

表1 農(nóng)田路標(biāo)導(dǎo)航識別效率測試統(tǒng)計(jì)Table 1 The test statistics of navigation recognition efficiency of farmland roadmap

4 結(jié)論

為了提高聯(lián)合收割機(jī)導(dǎo)航和自動路徑規(guī)劃系統(tǒng)的圖像識別與處理能力，將PCA模式識別算法引入到了系統(tǒng)中，通過分割圖像進(jìn)行特征提取和主成分分析，將圖像主軸旋轉(zhuǎn)成水平方向和訓(xùn)練樣本庫進(jìn)行匹配，從而有效地提高了農(nóng)田導(dǎo)航路標(biāo)圖像的識別準(zhǔn)確率和識別效率。對系統(tǒng)進(jìn)行了測試，結(jié)果表明：采用PCA模式識別算法可以有效地識別農(nóng)田導(dǎo)航路標(biāo)，其識別效率和識別準(zhǔn)確率均較高，并可通過導(dǎo)航路標(biāo)自動生成行進(jìn)路徑，驗(yàn)證了方案的可行性和可靠性。