陳繼清　強虎　徐關文　劉旭　莫榮現　 黃仁智

摘? 要： 針對園林噴藥機器人在綠籬帶、花圃周圍難以自動導航的問題，該文提出一種基于Hough變換擬合導航線的方法;利用逐段分解的思想，將彎路分解為多個近視直路;使用該文改進的灰度化因子處理分解后的路段圖像;考慮到機器人在工作的時候會有農藥或水滴影響圖像質量，采用中值濾波強化圖像;為了避免光照不均勻的影響，采用基于局部統(tǒng)計的可變閾值法二值化灰度圖像;為了加快處理速度，每隔10像素行取一個采樣行，采用相對白色像素中點的算法求取導航離散點，最后使用Hough變換擬合導航點，提取導航線。實驗結果表明，該文提出的提取導航線的方法具有穩(wěn)定性好、精度高、算法簡單的優(yōu)點。

關鍵詞： 噴藥機器人; 導航線提取; Hough變換; 圖像預處理; 圖像二值化; 導航離散點

中圖分類號： TN820.4?34? ? ? ? ? ? ? ? ? ? ? ? ? ?文獻標識碼： A? ? ? ? ? ? ? ? ? ? ? 文章編號： 1004?373X（2020）20?0183?04

Extraction of Hough transform based navigation line of garden spraying robot

CHEN Jiqing1，2， QIANG Hu1， XU Guanwen1， LIU Xu1， MO Rongxian1， HUANG Renzhi1

（1. College of Mechanical Engineering， Guangxi University， Nanning 530007， China;

2. Guangxi Key Laboratory of Manufacturing System and Advanced Manufacturing Technology， Nanning 530007， China）

Abstract： In allusion to the problem that the garden spraying robot is difficult to navigate automatically around hedgerow and flower nursery， a method of fitting navigation line based on Hough transform is proposed. The curved path is divided into several myopic straight paths by means of the idea of piecewise decomposition， which is processed by using the improved gray scale factor. Considering that there will be pesticides or water droplets affecting the image quality when the robot is working， the median filtering is used to intensify the image. The gray image is binarized by means of the variable threshold method based on local statistics to avoid the influence of uneven illumination. In order to speed up the processing， a sampling line is taken every 10 pixels， the navigation discrete points are calculated by means of the relative white pixel midpoint algorithm， and the navigation points are fitted by the Hough transform to extract the navigation lines. The experimental results show that the proposed method of extracting the navigation line has the advantages of stability， high accuracy and simple algorithm.

Keywords： spraying robot; navigation line extraction; Hough transform; image preprocessing; image binaryzation; navigation discrete point

0? 引? 言

隨著城市的發(fā)展，城市生態(tài)功能卻逐漸下降，嚴重影響到居民的生活質量，隨著酸雨、霧霾等一系列生態(tài)事故的發(fā)生，讓人們意識到了園林綠化的重要性[1];園林綠化在一定程度上可以減弱噪聲對人心理的影響，提高人們的幸福感[2?4]。但是園林的維護需要很大的成本，尤其是雜草的防治。

在現代園林建設中，雜草的防治是一項看起來簡單而做起來繁雜的工作，雜草的生長對園林植物生長的好壞和美觀有著非常重要的影響，如果不能很好的防治雜草生長，可能會引起園林原有自然景觀的退化[5?6]。傳統(tǒng)的人工除草效率低，且效果差，人工攜帶噴霧劑噴灑除草劑除草，勞動強度大，且對人身體危害極大。根據急性中毒數據，世界衛(wèi)生組織和聯合國環(huán)境署報告，全世界每年有100多萬人因除草劑中毒，其中，10萬人死亡。隨著科技的發(fā)展，噴藥機器人可以替代人類完成這一任務，而相應在噴藥機器人智能化行走時，最重要的就是導航線的提取。

任金波等人采用HSV空間的S分量將道路從植物中提取出來作為研究對象，取得很好的提取效果[7];Montalvo等人基于超綠特征值因子2G?B?R和雙Otsu方法，提出一種抗雜草干擾的作物行識別方法[8];任永新等人采用基于一點改進型Hough變換由離散導航點擬合導航線直線，提高了計算速度[9];文獻[10]提出一種基于偏微分方程的方法用來檢測作物行，有效地減弱雜草等干擾;陳嬌等人根據壟線平行的特點，利用垂直投影法獲取導航離散點，結合改進的Hough變換實現田間多壟線的識別[11]。

上述方法在一定環(huán)境下都可以將導航線或植物壟線提取出來，但是上述方法不能解決彎路導航線提取的問題，沒有考慮光照不均勻的情況，也沒有將目標區(qū)域提取出來，圖像處理時間長，導航線也沒有均勻的分布在路中間;而本文采用逐段分解的思想，將一段彎路截取為多個直路段，解決彎路的問題;采用基于局部統(tǒng)計的可變閾值法解決光照不均勻的問題;結合垂直投影圖和Hough變換擬合導航路線，為園林噴藥機器人提供導航路徑。

1? 實驗平臺的搭建及工作流程

本文主要研究噴藥機器人的導航問題，所以平臺設計上不考慮噴藥模塊。實驗平臺的搭建如圖1所示，主要包括主控計算機、履帶式車載部分、攝像頭及其支架、STM控制芯片、直流電機及其驅動器。實驗數據主要在平臺Matlab上處理。攝像機選用大恒圖像的工業(yè)相機MER?132?43U3C?L，采用USB 3.0傳送數據。機器人圖像處理系統(tǒng)在上位機，運動控制系統(tǒng)采用STM32作為主控芯片。圖像處理軟件在Visual Studio平臺下開發(fā)，通過Arm?linux?gcc完成程序的交叉編譯，然后移植至主控計算機。

圖形采集模塊對于本文的機器人系統(tǒng)尤為重要，為了保證圖像采集的速度與質量，選擇ZC031P芯片的USB攝像頭。攝像頭對道路圖像進行采集，主控制器對輸入的道路圖像進行相關運算處理后，提取出導航中心線，然后通過UART串口傳輸導航參數至小車運動控制模塊，最后控制電機運行。建立穩(wěn)定可靠的硬件平臺是機器人能實現路徑自主導航的基礎，如圖2所示。

2? 圖像預處理

2.1? 逐段截取與分析

公園花籬和綠籬帶周圍的路況很復雜，而且彎路居多。本文針對這種情況，采用將彎路逐段截取，“化曲為直”，在簡化路況的同時，也減少了圖像的處理量，加快了處理速度。本文截取圖像的最后220像素行作為研究對象。

2.2? 圖像的灰度化及濾波

針對機器人的工作環(huán)境，本文在常用的超綠特征值灰度化因子的基礎上，通過100組灰度化實驗，提出改進后的灰度化因子。超綠特征值灰度化因子如式（1）所示，改進后的灰度化因子如式（2）所示?？紤]到機器人在工作的過程中鏡頭可能會有藥滴，本文使用椒鹽噪聲模擬噪聲，并使用中值濾波[12]進行增強。

[gray（x，y）=0，? ? ? ? ? ? ? ? ? ? 2G-R-B<0255，? ? ? ? ? ? ? ?2G-R-B>2552G（x，y）-R（x，y）-B（x，y），? ?else ] （1）

[gray（x，y）=G（x，y）-B（x，y），? ? else0，? ? ? ? ? ? ? ? ? ?G

式中：[grayx，y]為灰度化后的圖像;[R]為彩色圖像的紅色分量;[G]為彩色圖像的綠色分量;[B]為彩色圖像的藍色分量。

2.3? 圖像二值化及形態(tài)學處理

考慮到機器人在植物間工作，隨著時間的不同，光照不均勻會影響圖像質量，這時采用全局閾值處理往往會失敗。本文使用基于局部統(tǒng)計的可變閾值法來二值化圖像，解決光照不均勻的影響，該方法是基于[（x，y）]鄰域中像素的一種或多種指定特性，在每個[（x，y）]處計算一個閾值，利用標準差和均值來確定局部均值，然后進行二值化處理。植物圖像二值化后通常有一些小的孔洞，為了減弱這些孔洞對導航線提取的影響，使用數學形態(tài)學閉運算來填補孔洞[13]，如下：

[A·g=（A⊕g）Θg ] （3）

首先使用結構元素g對圖像A膨脹，如下：

[A⊕g=x（g+x）?x≠?] （4）

然后使用結構元素g對膨脹過的圖像進行腐蝕，如下：

[BΘg=x（g+x）?A] （5）

2.4? 感興趣區(qū)域的截取與導航離散點的獲取

本文主要研究噴藥機器人的智能行走，感興趣區(qū)域為路面區(qū)域。本文采用垂直投影法來獲取路面區(qū)域，像素垂直投影法是一種簡單的投影方法，可以實現目標的提取，如式（6）所示;本文使用白色像素相對坐標中點法來求取道路的導航離散點，如式（7）所示。

[f（i，j）=i=0M-1f（i，j），? j=0，1，2，…，N-1] （6）

式中：[f（i，j）]為二值圖像點[（i，j）]的值0或1;[M]為圖像高度;[N]為圖像寬度。

[x=i=0L-1（xi-L）+j=L+1N（xj-L）K] （7）

1） 首先計算上文中截取道路圖像的中間像素列坐標L;

2） 計算每一個采樣行中白色像素的總數K;

3） 計算L列兩側白色像素的相對L的坐標點值;

4） 確定導航離散點的坐標。

在導航點的過程中，考慮到求取的導航離散點有可能存在極大誤差點，而Hough變換抗干擾性強，可以減弱極大誤差點的影響，提高擬和精度。因此本文采用Hough變換提取導航線。

3? 實驗與分析

實驗在南寧花卉公園進行，拍攝圖像大小為640×480。為了驗證本文所提方法的實用性，本文選取其中一張道路情況較為復雜的圖像作為研究對象，如圖3所示。圖3a）為拍攝彩色圖像原圖;圖3b）為原圖像R，G，B分量圖的垂直投影圖;圖3c）為截取原圖像220行像素的結果;圖3d）為圖3c）超綠特征值灰度化的結果;圖3e）為圖3c）使用改進灰度化因子灰度化的結果;圖3f）為圖3d）中值濾波后采用基于局部統(tǒng)計的可變閾值法二值化結果;圖3g）為圖3e）中值濾波后采用基于局部統(tǒng)計的可變閾值法二值化結果;圖3h），圖3i）分別是圖3f），圖3g）形態(tài)學處理后的結果;圖3j）是圖3i）取反后的垂直投影圖;圖3k）是經過圖3j）截取結果;圖3l）是用式（7）求得的導航離散點;圖3m）是通過Hough變換擬合的導航線。

由圖3b）可知，道路和兩側植物的像素值有很大區(qū)別，可以通過直方圖將路面信息提取出來。通過對比圖3d）～圖3i）可知，使用超綠特征值法灰度化圖像，灰度化圖像的效果很好。但是在二值化圖像時，不能很好地將路面和植物分離開，存在很多孔洞，即使通過形態(tài)學運算也不能將孔洞填充，如圖3h）所示，孔洞較多，這將影響到導航點的計算精度。但是使用本文改進的灰度化因子處理圖像，經過基于局部統(tǒng)計的可變閾值法和形態(tài)學處理后，道路兩側植物的孔洞很少，如圖3i）所示。對圖3i）圖像取反，求其垂直投影直方圖，如圖3j）所示，波峰兩側波谷對應的列坐標便為道路與植物的邊緣，通過波谷對應列坐標將道路提取出來，如圖3k）所示，效果很好。由圖3l）可知，通過本文提出的導航點提取算法取得很好的效果，導航點分布在道路中心。圖3m）顯示通過Hough變換擬合導航線，取得很好的效果。擬合機器人行走路線如圖4所示。

由圖4可知，采用本文方法可以指導機器人在園林行走。在長達5 m的試驗路導航線擬合的過程中，在有花的道路，導航線稍微偏離中心;其余路段，導航線都很均勻的分布在道路中心。每幅圖像的處理時間在0.1 s之內，可以滿足實時性的調整要求。

4? 結? 論

本文針對園林噴藥機器人導航線提取難的問題，提出了基于霍夫變換擬合導航線的方法。該方法精度高，不受光照的影響，且算法簡單對計算機的依賴低。通過大量園林道路R，G，B分量圖的垂直投影圖分析發(fā)現：絕大多數道路的灰度值和道路兩旁植物的灰度值有很大區(qū)別，可以通過投影法將感興趣區(qū)域提取出來。利用逐段提取導航線的方法，將彎路轉換為直路，易于導航線的提取，而且也減少了圖像處理量，加快圖像處理速度。針對園林圖像灰度化，本文改進了傳統(tǒng)的超綠特征值灰度化因子，使得經過改進灰度化因子處理的圖像，在二值化后只有少量的孔洞，提高了導航點的求取精度。

參考文獻

[1] 周華鳳.林業(yè)生態(tài)環(huán)境的改善與園林綠化的發(fā)展[J].現代園藝，2018（22）：165.

[2] DZHAMBOV Angel， DIMITROVA Donka. Urban green spaces′ effectiveness as a psychological buffer for the negative health impact of noise pollution： a systematic review [J]. Noise health， 2014， 16（70）： 157?165.

[3] FAN Yang， ZHI Yibao， ZHU Junzhu. An assessment of psychological noise reduction by landscape plants [J]. International journal of environmental research & public health， 2011， 8（4）： 1032?1048.

[4] MA Ben， ZHOU Tiantian， LEI Shuo， et al. Effects of urban green spaces on residents well?being [J]. Environment， development and sustainability， 2019， 21（6）： 2793?2809.

[5] 秦富貞，曹愛霞.園林自動噴藥機器人雜草識別與導航方法探究[J].農機化研究，2019，41（10）：234?237.

[6] 何莎，曾婷，易洪，等.園林綠化中的主要雜草及防除技術：以湖南為例[J].湖南農業(yè)科學，2016（1）：53?55.

[7] 任金波，郭翰林，洪瑛杰，等.基于ARM Cortex?A8平臺的噴藥機器人路徑檢測與仿真[J].現代電子技術，2017，40（22）：156?158.

[8] MONTALVO M， PAJARES G， GUERRERO J M， et al. Automatic detection of crop rows in maize fields with high weeds pressure [J]. Expert systems with applications， 2012， 39（15）： 11889?11897.

[9] 任永新，譚豫之，楊會華，等.基于模糊控制的黃瓜采摘機器人視覺導航[J].江蘇大學學報（自然科學版），2009（4）：343?346.

[10] XHAFA F， PATNAIK S， ZOMAYA A Y. International conference on intelligent and interactive systems and applications [J]. Advances in intelligent systems and computing， 2016（17）： 103?112.

[11] 陳嬌，姜國權，杜尚豐，等.基于壟線平行特征的視覺導航多壟線識別[J].農業(yè)工程學報，2009，25（12）：107?113.

[12] 劉天輝.車輛視覺導航中道路檢測算法研究[D].沈陽：沈陽工業(yè)大學，2015.

[13] 王向東.數字圖像處理[M].北京：高等教育出版社，2013.