牛潤(rùn)新 張向陽 王 杰 祝 輝 黃 健 陳正偉

(1.中國科學(xué)院合肥物質(zhì)科學(xué)研究院， 合肥 230088； 2.中國科學(xué)技術(shù)大學(xué)， 合肥 230026)

0 引言

隨著我國農(nóng)業(yè)機(jī)械自動(dòng)化水平的不斷提高，農(nóng)業(yè)機(jī)器人相關(guān)領(lǐng)域的研究也越來越受到重視[1-2]。果園生產(chǎn)管理過程中的耕作[3]、修剪[4]、施藥[5-6]、除草[7]、采摘[8-9]等活動(dòng)都離不開農(nóng)業(yè)機(jī)器人對(duì)果園環(huán)境的感知[10]。機(jī)器人在果園這種非結(jié)構(gòu)化環(huán)境中作業(yè)，首先要知道果樹的準(zhǔn)確位置[11-12]。激光雷達(dá)作為一種新興的導(dǎo)航定位傳感器，具有精度高、實(shí)時(shí)性好、全天候等特點(diǎn)[13-15]，在農(nóng)業(yè)機(jī)器人環(huán)境感知研究中得到了廣泛應(yīng)用。

文獻(xiàn)[16]將二維激光雷達(dá)垂直安裝，通過設(shè)定高度閾值排除樹冠點(diǎn)及地面點(diǎn)，并采用隱半馬爾可夫模型進(jìn)行結(jié)果優(yōu)化，最終樹干信息提取準(zhǔn)確率達(dá)89%，由于激光雷達(dá)一次只能提取一棵樹干信息，故檢測(cè)范圍較小，效率較低。文獻(xiàn)[17]將二維激光雷達(dá)水平安裝，利用果樹行間距固定的特點(diǎn)，通過計(jì)算激光雷達(dá)數(shù)據(jù)中的內(nèi)凹點(diǎn)，將成等差數(shù)列的數(shù)據(jù)點(diǎn)視為樹干點(diǎn)，由于依賴行間距，故對(duì)株距不固定或果樹缺失情況下果樹檢測(cè)的適應(yīng)性不佳。文獻(xiàn)[18]利用二維激光雷達(dá)，采用K-均值聚類算法，通過斜率變化的方法確定聚類數(shù)，從而實(shí)現(xiàn)對(duì)立木的識(shí)別，在3種不同樹干分布下準(zhǔn)確率達(dá)95.5%，但試驗(yàn)在室內(nèi)進(jìn)行，未考慮雜草及其他障礙物等干擾因素。文獻(xiàn)[19]通過改進(jìn)的基于密度聚類(Density-based spatial clustering of application with noise, DBSCAN)算法對(duì)果園樹干進(jìn)行檢測(cè)，并通過航位推算模型排除地面干擾，但算法復(fù)雜、計(jì)算量較大，且同樣未考慮雜草對(duì)果樹檢測(cè)的影響。

針對(duì)現(xiàn)有果樹檢測(cè)方法存在的計(jì)算量大、未考慮雜草等影響、適應(yīng)性較差等問題，本文提出一種基于自適應(yīng)密度聚類的樹干檢測(cè)算法。首先，將激光雷達(dá)獲取的數(shù)據(jù)點(diǎn)進(jìn)行數(shù)據(jù)預(yù)處理，排除噪聲點(diǎn)及不可利用的數(shù)據(jù)點(diǎn)，并根據(jù)數(shù)據(jù)點(diǎn)到激光雷達(dá)的距離自適應(yīng)設(shè)定密度閾值，進(jìn)行初步聚類；然后，利用地面類中的數(shù)據(jù)點(diǎn)過多以及數(shù)據(jù)點(diǎn)之間趨于直線的特點(diǎn)，通過最小二乘法進(jìn)行圓的擬合，并設(shè)定半徑閾值，將地面類剔除；最后，利用雜草枝葉類中的數(shù)據(jù)點(diǎn)之間距離不連續(xù)的特征，將雜草枝葉類剔除，完成對(duì)果園中果樹樹干的檢測(cè)。

1 研究平臺(tái)與方法

1.1 研究平臺(tái)介紹

本研究以中國科學(xué)院合肥物質(zhì)科學(xué)研究院應(yīng)用技術(shù)研究所自主研制的履帶式農(nóng)業(yè)機(jī)器人為平臺(tái)，所用傳感器為德國SICK公司生產(chǎn)的LMS111型單線激光雷達(dá)，其掃描分辨率為0.5°/0.25°，掃描頻率為25/50 Hz，掃描角最大為270°，最大檢測(cè)距離為20 m，當(dāng)超出最大檢測(cè)距離時(shí)，返回距離為0。激光雷達(dá)在機(jī)器人的正前方水平安裝，掃描平面距離地面約350 mm。激光雷達(dá)傳感器經(jīng)Ethernet網(wǎng)絡(luò)接口將采集的數(shù)據(jù)傳輸至上位機(jī)，由上位機(jī)進(jìn)行數(shù)據(jù)處理，最終結(jié)果通過RS-232接口發(fā)送至下位機(jī)，下位機(jī)也可通過RS-232接口接收遙控器信號(hào)，輸出脈寬調(diào)制(Pulse width modulation, PWM)信號(hào)到電動(dòng)機(jī)驅(qū)動(dòng)器驅(qū)動(dòng)電動(dòng)機(jī)，實(shí)現(xiàn)機(jī)器人行走，如圖1所示。

圖1 研究平臺(tái)系統(tǒng)結(jié)構(gòu)圖Fig.1 System structure diagram

定義機(jī)器人的局部坐標(biāo)系原點(diǎn)與激光雷達(dá)位置重合，y軸正方向指向機(jī)器人前進(jìn)的正前方，x軸正方向與機(jī)器人前進(jìn)方向垂直向右。二維激光雷達(dá)采集的數(shù)據(jù)點(diǎn)qi以極坐標(biāo)(di,θi)的形式表示，為了方便計(jì)算，將極坐標(biāo)轉(zhuǎn)換為笛卡爾坐標(biāo)形式(xi,yi,θi)，計(jì)算公式為

(1)

式中di——數(shù)據(jù)點(diǎn)qi到激光雷達(dá)的距離

θi——數(shù)據(jù)點(diǎn)qi和激光雷達(dá)的連線與x軸正方向的夾角

在激光雷達(dá)返回的數(shù)據(jù)點(diǎn)中，任意2個(gè)數(shù)據(jù)點(diǎn)qi和qj之間的距離di,j為

(2)

1.2 數(shù)據(jù)預(yù)處理

激光雷達(dá)在采集數(shù)據(jù)過程中，發(fā)射器的光束通常會(huì)經(jīng)過多次反射和折射，為了降低干擾，激光雷達(dá)拒收超過一個(gè)波長(zhǎng)時(shí)間段的反射光，但在結(jié)果中仍然會(huì)包含一些孤立噪聲點(diǎn)[20-21]，這些噪聲點(diǎn)并不是真實(shí)測(cè)得的數(shù)據(jù)信息，它們不僅會(huì)對(duì)激光雷達(dá)數(shù)據(jù)處理造成一定程度的干擾，而且會(huì)增加數(shù)據(jù)處理的時(shí)間，因此在數(shù)據(jù)處理之前應(yīng)將其濾除。另外隨著測(cè)量距離的增加，激光雷達(dá)數(shù)據(jù)點(diǎn)變得稀疏，所能提供可利用的有效信息變少，參考意義不大，在數(shù)據(jù)處理之前也應(yīng)將其濾除。

針對(duì)以上問題，在獲取激光雷達(dá)數(shù)據(jù)后，選取機(jī)器人正前方180°的數(shù)據(jù)點(diǎn)并進(jìn)行遍歷，將距離大于10 m的數(shù)據(jù)點(diǎn)濾除，然后在保留的數(shù)據(jù)中分別計(jì)算當(dāng)前數(shù)據(jù)點(diǎn)與相鄰數(shù)據(jù)點(diǎn)之間的距離，并將與左右相鄰數(shù)據(jù)點(diǎn)距離都較遠(yuǎn)的數(shù)據(jù)視為無效噪聲點(diǎn)，也將其從原始數(shù)據(jù)中濾除。如圖2所示，矩形框中的數(shù)據(jù)點(diǎn)距離激光雷達(dá)較遠(yuǎn)，無法提供可利用的信息，視為無效點(diǎn)；圓形框標(biāo)記的數(shù)據(jù)點(diǎn)與相鄰的數(shù)據(jù)點(diǎn)均較遠(yuǎn)，視為噪聲點(diǎn)。

圖2 數(shù)據(jù)濾波示意圖Fig.2 Data filtering diagram

1.3 基于距離的自適應(yīng)密度聚類

常規(guī)密度聚類算法DBSCAN可以有效地尋找到被低密度區(qū)域分割的高密度區(qū)域，在具有噪聲的數(shù)據(jù)中發(fā)現(xiàn)任意形狀的簇，但需提前確定聚類半徑和鄰域內(nèi)點(diǎn)的數(shù)量2個(gè)全局參數(shù)，且聚類效果對(duì)其設(shè)定的全局參數(shù)值較為敏感[22-23]。由二維激光雷達(dá)的基本原理[24-25]可知，激光雷達(dá)數(shù)據(jù)點(diǎn)的密度隨數(shù)據(jù)點(diǎn)到激光雷達(dá)的距離增加而降低?？紤]到果園中雜草和枝葉干擾的情況，若直接使用DBSCAN 聚類算法，當(dāng)檢測(cè)距離較近時(shí)，數(shù)據(jù)點(diǎn)密度較高，聚類半徑相同的情況下，會(huì)存在距離較近且較細(xì)的雜草枝葉與距離較遠(yuǎn)且直徑較大的樹干相比接收到的數(shù)據(jù)點(diǎn)數(shù)量接近甚至更多的現(xiàn)象，從而出現(xiàn)大量誤判與漏檢。因此，為得到更好的聚類效果，提出一種基于自適應(yīng)密度聚類算法。

為提取出樹干信息，以樹干為主要目標(biāo)設(shè)定聚類半徑，設(shè)果園中最細(xì)的果樹樹干直徑為Dmin，則聚類半徑為Dmin/2。激光雷達(dá)相鄰數(shù)據(jù)點(diǎn)之間的理論距離h與激光雷達(dá)的角度分辨率φ及數(shù)據(jù)點(diǎn)到激光雷達(dá)的距離d之間的關(guān)系為

h=dtanφ

(3)

則理論上，以Dmin/2為聚類半徑的圓內(nèi)所接收到數(shù)據(jù)點(diǎn)的個(gè)數(shù)n為：n=Dmin/h=Dmin/(dtanφ),考慮到樹干的橫截面為圓形，則聚類的數(shù)據(jù)點(diǎn)數(shù)目閾值設(shè)為

(4)

當(dāng)以數(shù)據(jù)點(diǎn)qi為中心，以Dmin/2為半徑的圓內(nèi)數(shù)據(jù)點(diǎn)的數(shù)目ni≥Nmin時(shí)，則該點(diǎn)為核心點(diǎn)，其周圍的點(diǎn)為邊界點(diǎn)。從激光雷達(dá)第1個(gè)數(shù)據(jù)點(diǎn)開始依次遍歷所有數(shù)據(jù)點(diǎn)，找出所有的核心點(diǎn)。由于激光雷達(dá)數(shù)據(jù)點(diǎn)在一個(gè)平面內(nèi)是按逆時(shí)針順序展開，為了加快搜索速度，提高計(jì)算效率，尋找核心點(diǎn)時(shí)只需要計(jì)算當(dāng)前數(shù)據(jù)點(diǎn)與其一定范圍內(nèi)的數(shù)據(jù)點(diǎn)的距離即可。搜索半徑為Dmin/2，則計(jì)算與該點(diǎn)左右相鄰的點(diǎn)的個(gè)數(shù)為：mi=Dmin/(2h)=Dmin/(2ditanφ)，計(jì)算出所有核心點(diǎn)后，隨機(jī)選取一個(gè)核心點(diǎn)初始化隊(duì)列Q，并取出隊(duì)列中的數(shù)據(jù)點(diǎn)q，如果數(shù)據(jù)點(diǎn)q為核心點(diǎn)，則將以該點(diǎn)為核心的邊界點(diǎn)加入到隊(duì)列Q中，依次取出隊(duì)列Q中的數(shù)據(jù)點(diǎn)直到隊(duì)列Q為空，此時(shí)，所有訪問過的數(shù)據(jù)點(diǎn)生成一個(gè)新的聚類簇。然后隨機(jī)取出另一未訪問過的核心點(diǎn)初始化隊(duì)列Q繼續(xù)計(jì)算并生成新的類簇，直到所有的核心點(diǎn)均被訪問,完成數(shù)據(jù)的初步聚類。

1.4 地面類的排除

圖3 地面聚類示意圖Fig.3 Ground clustering diagram

由于丘陵果園中存在斜坡，或者由于路面顛簸，激光雷達(dá)可能掃描到地面，從而影響果樹檢測(cè)的準(zhǔn)確率，因此必須排除地面類的干擾。如圖3所示，當(dāng)激光雷達(dá)掃描地面時(shí)，有可能將地面聚為一類，但地面類數(shù)據(jù)點(diǎn)具有連續(xù)、量大且大致呈一條直線的特點(diǎn)，利用此特點(diǎn)，可以將地面類排除。

根據(jù)類中第1個(gè)數(shù)據(jù)點(diǎn)qf和最后一個(gè)數(shù)據(jù)點(diǎn)qe的中心計(jì)算該類的中心點(diǎn)坐標(biāo)

(5)

式中Gx——類中心點(diǎn)橫坐標(biāo)

Gy——類中心點(diǎn)縱坐標(biāo)

df——數(shù)據(jù)點(diǎn)qf到激光雷達(dá)的距離

de——數(shù)據(jù)點(diǎn)qe到激光雷達(dá)的距離

θf——數(shù)據(jù)點(diǎn)qf與x方向夾角

θe——數(shù)據(jù)點(diǎn)qe與x方向夾角

果園中果樹樹干最大直徑為Dmax，則根據(jù)類中心到激光雷達(dá)的距離dg計(jì)算類中數(shù)據(jù)點(diǎn)的數(shù)目最大值為nm=Dmax/h=Dmax/(dgtanφ)?？紤]到果園中地面不平整，激光雷達(dá)掃描平面與水平面可能存在夾角，此時(shí)樹干接收到的數(shù)據(jù)點(diǎn)變多，因此設(shè)定類內(nèi)數(shù)據(jù)點(diǎn)數(shù)目的閾值Nm=1.5nm。如果類內(nèi)數(shù)據(jù)點(diǎn)數(shù)量Nc≥Nm，則認(rèn)為該類為地面類。如果類內(nèi)數(shù)據(jù)點(diǎn)數(shù)量Nc

R2=(x-A)2+(y-B)2=
x2-2Ax+A2+y2-2By+B2

(6)

式中R——擬合圓半徑

A——擬合圓圓心橫坐標(biāo)

B——擬合圓圓心縱坐標(biāo)

令a=-2A，b=-2B，c=A2+B2-R2，得到圓曲線方程的另一種表達(dá)形式為

x2+y2+ax+by+c=0

(7)

根據(jù)最小二乘法原理，求目標(biāo)函數(shù)F(a,b,c)的最小值

(8)

將F(a,b,c)對(duì)a、b、c求偏導(dǎo)，求得最小二乘解為

(9)

由于地面類數(shù)據(jù)點(diǎn)更趨向于直線，如果2R≥1.5Dmax，則認(rèn)為該類為地面類，并將此類從數(shù)據(jù)中剔除。

1.5 排除雜草及枝葉的干擾

理想的果園環(huán)境中，排除地面背景后的剩余類即為果樹類，但丘陵果園環(huán)境比較復(fù)雜，常伴有少量較高的雜草和較低的果樹枝葉。盡管選擇合適的激光雷達(dá)安裝高度可減少雜草或枝葉的干擾，但卻不能完全避免，因此須考慮雜草和枝葉干擾的情況。

由于單個(gè)枝葉寬度遠(yuǎn)小于樹干直徑，相同的聚類半徑內(nèi)其返回?cái)?shù)據(jù)點(diǎn)的個(gè)數(shù)必定小于聚類的閾值，因此在初次聚類的過程中已將其排除。而連續(xù)的幾個(gè)枝葉在同一平面的投影長(zhǎng)度可能大于樹干的直徑，因此在初次聚類的過程中有可能將其聚為一類。為準(zhǔn)確提取出樹干的位置信息，必須將雜草及枝葉類排除。觀察實(shí)際雜草及枝葉的形態(tài)可知，盡管其在同一平面的投影連續(xù)，但其縱向枝葉間存在一定間距，反映在數(shù)據(jù)中則會(huì)出現(xiàn)相鄰數(shù)據(jù)點(diǎn)之間的距離產(chǎn)生突變、不連續(xù)的現(xiàn)象(圖4)，因此可利用此特點(diǎn)排除雜草及枝葉類的干擾。

圖4 雜草枝葉聚類示意圖Fig.4 Schematic of weeds and foliage clustering

在初次聚類結(jié)果中依次計(jì)算相鄰數(shù)據(jù)點(diǎn)的實(shí)際距離，當(dāng)存在相鄰2個(gè)數(shù)據(jù)點(diǎn)的距離大于給定的閾值時(shí)可判定此類為雜草或枝葉類。由于樹干為柱形且表面凹凸不平，設(shè)定類中相鄰數(shù)據(jù)點(diǎn)的距離閾值為

Ti,i+1=2h=2dmtanφ

(10)

式中dm——數(shù)據(jù)點(diǎn)qi和qi+1到激光雷達(dá)距離的平均值

如果類中存在2個(gè)相鄰數(shù)據(jù)點(diǎn)之間的距離di,i+1≥Ti,i+1，則認(rèn)為該類為雜草或枝葉類。另外，對(duì)于存在個(gè)別枝葉間的縱向距均小于閾值Ti,i+1的情況，由于樹干的橫截面呈類圓形，在其表面分布的激光雷達(dá)相鄰數(shù)據(jù)點(diǎn)之間的斜率逆時(shí)針方向存在一次由正向負(fù)的變化，而由多個(gè)雜草或枝葉形成的類中由于枝葉間的交錯(cuò)，必然存在多次相鄰數(shù)據(jù)點(diǎn)之間斜率正負(fù)的變化。同一類簇中相鄰數(shù)據(jù)點(diǎn)之間的斜率為

(11)

如果類中相鄰數(shù)據(jù)點(diǎn)之間的斜率正負(fù)變化次數(shù)大于等于3次，那么該類同樣被認(rèn)為是雜草或枝葉類，并將此類從數(shù)據(jù)中剔除。

2 試驗(yàn)與結(jié)果分析

2.1 試驗(yàn)設(shè)計(jì)

為檢驗(yàn)自適應(yīng)密度聚類算法對(duì)于樹干檢測(cè)的效果以及利用特征點(diǎn)對(duì)地面和雜草等干擾排除的效果，針對(duì)四川省閬中楊氏果業(yè)生產(chǎn)應(yīng)用示范基地中的檸檬(Citruslimon(L.)Burm.f)園中存在斜坡且樹干較為明顯的特點(diǎn)，以安徽省合肥市大蜀山森林公園及周邊的香樟樹園為試驗(yàn)場(chǎng)地(由于季節(jié)和實(shí)驗(yàn)條件原因，以此試驗(yàn)地模擬)，樹木為香樟樹(Cinnamomumcamphora(L.) Presl)，試驗(yàn)中最大坡度為20°，選擇的樹高3～5 m，枝下高1.2～2 m，株距約3 m，環(huán)境中主要的干擾為少量較高的雜草以及斜坡，雜草主要為野生的草本植物以及少量的野生小灌木。為檢驗(yàn)該方法對(duì)樹干檢測(cè)的準(zhǔn)確性以及在存在地面及雜草干擾情況下的適應(yīng)性，試驗(yàn)場(chǎng)景主要分為4種類型，分別為只存在樹干且無干擾的平整地形場(chǎng)景、存在樹干和斜坡的場(chǎng)景、存在樹干和雜草干擾的場(chǎng)景、存在樹干及斜坡和雜草干擾的場(chǎng)景。

試驗(yàn)中，設(shè)置激光雷達(dá)角度分辨率為0.5°，掃描頻率為25 Hz，履帶機(jī)器人行駛速度0.2 m/s，試驗(yàn)平臺(tái)及場(chǎng)景如圖5所示。

圖5 試驗(yàn)平臺(tái)及場(chǎng)景Fig.5 Experiment platform and scene1.上位機(jī) 2.履帶式農(nóng)業(yè)機(jī)器人 3.激光雷達(dá)

2.2 聚類及干擾排除試驗(yàn)

運(yùn)用基于距離的自適應(yīng)密度聚類方法，在只存在樹干且無干擾的平整地形環(huán)境下進(jìn)行試驗(yàn)，用以檢驗(yàn)在無干擾情況下算法對(duì)樹干檢測(cè)的準(zhǔn)確率。試驗(yàn)中每隔0.5 m取出一次完整數(shù)據(jù)幀，共選取50幀數(shù)據(jù)進(jìn)行聚類分析。

首先進(jìn)行數(shù)據(jù)預(yù)處理，將噪聲點(diǎn)以及不可利用的無效數(shù)據(jù)點(diǎn)去除，然后利用基于自適應(yīng)密度聚類方法進(jìn)行樹干檢測(cè)。聚類結(jié)果如圖6所示，其中圓形標(biāo)記的類為真實(shí)場(chǎng)景中存在的樹干(下同)，統(tǒng)計(jì)聚類后結(jié)果中的樹干數(shù)目nc以及真實(shí)場(chǎng)景中樹干的數(shù)目nc，并計(jì)算對(duì)果樹的漏檢率與誤檢率。在選取的50幀數(shù)據(jù)中共存在真實(shí)的果樹263棵，出現(xiàn)誤檢的有2棵，誤檢率為0.76%，出現(xiàn)漏檢的有5棵，漏檢率為1.90%，無其他干擾情況下的樹干檢測(cè)平均正確率為97.3%。當(dāng)數(shù)據(jù)點(diǎn)在較粗的樹干上出現(xiàn)噪聲，在數(shù)據(jù)預(yù)處理時(shí)噪聲點(diǎn)被濾除，樹干上的數(shù)據(jù)點(diǎn)被濾除的噪聲分隔開，因此樹干被聚為兩類，從而出現(xiàn)誤檢的現(xiàn)象。當(dāng)激光雷達(dá)位置靠近樹行的一側(cè)且激光雷達(dá)正前方與樹行平行時(shí)，由于角度原因，接近激光雷達(dá)的樹干對(duì)遠(yuǎn)離激光雷達(dá)的樹干進(jìn)行了部分遮擋，導(dǎo)致被部分遮擋的樹干出現(xiàn)了漏檢，隨著履帶小車的移動(dòng)，激光雷達(dá)與樹干之間的角度不斷變化，漏檢的現(xiàn)象消失。

圖6 無干擾時(shí)的聚類結(jié)果Fig.6 Clustering results without interference

2.3 地面干擾排除試驗(yàn)

在存在樹干和斜坡的場(chǎng)景中進(jìn)行試驗(yàn)，選取20幀同時(shí)具有樹干和地面點(diǎn)的數(shù)據(jù)幀進(jìn)行聚類及地面干擾的排除。圖7為聚類后地面干擾排除前的結(jié)果，其中橢圓標(biāo)記的類為真實(shí)場(chǎng)景中的地面(下同)，圖8為地面干擾排除后的結(jié)果。在選取的20幀數(shù)據(jù)中共存在真實(shí)的果樹76棵，其中出現(xiàn)了3次將地面誤判為果樹的情況，在存在地面干擾情況下的正確率為96.1%，誤判是由于地面中的石塊等突然凸起的物體導(dǎo)致的誤檢。

圖7 只存在地面干擾時(shí)的聚類結(jié)果Fig.7 Clustering results with only ground interference

圖8 地面干擾排除后的結(jié)果Fig.8 Results after ground interference removal

2.4 雜草干擾排除試驗(yàn)

在存在樹干和雜草干擾的場(chǎng)景中進(jìn)行試驗(yàn)，選取20幀同時(shí)具有樹干和雜草干擾的數(shù)據(jù)幀進(jìn)行聚類及雜草干擾的排除。圖9為聚類后雜草排除前的結(jié)果，其中矩形標(biāo)記的類為真實(shí)場(chǎng)景中的雜草(下同)，圖10為雜草排除后的結(jié)果(存在一處雜草未被排除的情況)。在選取的20幀數(shù)據(jù)中共存在真實(shí)果樹93棵，其中出現(xiàn)了8次將雜草誤判為果樹的情況，在存在雜草干擾情況下的正確率為91.4%，誤判是由于數(shù)據(jù)點(diǎn)恰好全部落在最靠近激光雷達(dá)的雜草表面以及雜草過密所造成的。

圖9 只存在雜草干擾時(shí)的聚類結(jié)果Fig.9 Clustering results with only weed interference

圖10 雜草干擾排除后的結(jié)果Fig.10 Results after weed interference removal

2.5 綜合試驗(yàn)

為檢驗(yàn)在同時(shí)存在地面和雜草干擾情況下樹干檢測(cè)的準(zhǔn)確率，選取10幀同時(shí)具有地面和雜草干擾的數(shù)據(jù)幀進(jìn)行干擾的排除。圖11為干擾排除前的聚類結(jié)果，圖12為干擾排除后的結(jié)果。在選取的10幀數(shù)據(jù)中共存在真實(shí)果樹37棵，其中出現(xiàn)了3次將地面或雜草誤判為果樹的情況，在同時(shí)存在地面和雜草干擾情況下的正確率為91.9%。

在選取的全部100幀數(shù)據(jù)中，共存在真實(shí)果樹469棵，誤判的次數(shù)共21次，綜合平均正確率為95.5%，該算法可用于地面平整度低且存在雜草干擾的丘陵果園中的樹干檢測(cè)。

圖11 存在雜草和地面干擾時(shí)的聚類結(jié)果Fig.11 Clustering results in presence of weeds and ground interference

圖12 地面和雜草干擾排除后的結(jié)果Fig.12 Results after ground and weed interference removal

3 結(jié)論

(1)主要分析了在存在斜坡及雜草干擾的環(huán)境中，利用二維激光雷達(dá)獲取環(huán)境信息、并基于自適應(yīng)密度聚類的樹干檢測(cè)算法。數(shù)據(jù)預(yù)處理中，在排除噪聲點(diǎn)及無法利用的數(shù)據(jù)點(diǎn)后進(jìn)行聚類，然后利用地面及雜草數(shù)據(jù)點(diǎn)的特點(diǎn)排除對(duì)樹干檢測(cè)的干擾。

(2)試驗(yàn)表明，在無干擾情況下，對(duì)樹干的誤檢率為0.76%、漏檢率為1.90%、平均正確率為97.3%；在只存在地面干擾的情況下，樹干檢測(cè)平均正確率為96.1%；在只存在雜草干擾和同時(shí)存在地面和雜草干擾的情況下，樹干檢測(cè)平均正確率分別為91.4%和91.9%；綜合以上各種情況的樹干檢測(cè)平均正確率為95.5%，說明在具有干擾情況下樹干檢測(cè)正確率較高，對(duì)存在斜坡及雜草干擾的喬化果園環(huán)境適應(yīng)性較強(qiáng)，可用于丘陵地區(qū)樹干較明顯的喬化果園中的樹干檢測(cè)。由于單線激光雷達(dá)傳感器單一、信息量較小，對(duì)于誤判情況及更細(xì)果樹的檢測(cè)，后續(xù)研究中可融合視覺進(jìn)行檢測(cè)。