馬秋宇，黃良永

（廣西科技師范學(xué)院職業(yè)技術(shù)教育學(xué)院，廣西 來賓 545004）

0 引言

農(nóng)機設(shè)備自主導(dǎo)航技術(shù)是實施精準(zhǔn)農(nóng)業(yè)的基礎(chǔ)，可以降低勞動強度，提高作業(yè)效率[1-2]。自主導(dǎo)航技術(shù)已廣泛應(yīng)用在農(nóng)田耕種、除草、施肥、噴藥、收割等方面[3-4]。農(nóng)機設(shè)備自主導(dǎo)航的關(guān)鍵是田間導(dǎo)航線的提取，近年來眾多學(xué)者針對田間導(dǎo)航線的提取算法進行了深入的研究。如利用人工蜂群算法將獲得的導(dǎo)航特征點擬合導(dǎo)航路徑[5]；通過K-means（K 均值聚類）估算提取作物行中心線[6]；基于分區(qū)域特征點聚類的秧苗行中心線提取方法[7]；利用區(qū)域生長算法擬合導(dǎo)航線[8]；使用改進的輕量化Deeplab-MV3（深度學(xué)習(xí)）模型識別壟徑區(qū)域，獲取導(dǎo)航中線[9]；利用改進YOLOv7（深度神經(jīng)網(wǎng)絡(luò)）模型得到兩側(cè)果樹行線的定位參照點，然后擬合導(dǎo)航線[10]；利用HSV 顏色空間，選用H 分量二值分割，對分割圖像進行填充處理，根據(jù)特征曲線擬合導(dǎo)航線[11]。

綜上所述，目前對導(dǎo)航線的提取，多數(shù)處于圖像坐標(biāo)下，僅對獲取的單幅圖像提取導(dǎo)航線，且圖像獲取范圍沒有統(tǒng)一標(biāo)準(zhǔn)，提出的算法適用范圍窄，直接應(yīng)用到導(dǎo)航設(shè)備上會產(chǎn)生較大誤差。在圖像采集過程中，一般情況下視覺范圍近的圖像可為導(dǎo)航線提供準(zhǔn)確定位，視覺范圍遠的圖像可為導(dǎo)航線提供方向。本研究通過圖像采集設(shè)備獲取不同視覺范圍下的近景圖像和遠景圖像，利用圖像處理算法和形態(tài)學(xué)操作獲取二值圖，將背景像素中點作為導(dǎo)航特征點，通過坐標(biāo)系轉(zhuǎn)換，將圖像坐標(biāo)系下導(dǎo)航特征點映射到同一地面坐標(biāo)系，繼而對多幅圖像映射后的導(dǎo)航特征點進行融合；最后由最小二乘法進行直線擬合。該算法將導(dǎo)航線的提取從圖像坐標(biāo)系轉(zhuǎn)換到了地面實際坐標(biāo)系下，對農(nóng)機設(shè)備的自主導(dǎo)航具有重要意義。

1 研究方法

通過圖像采集設(shè)備獲取田間圖像，采用歸一化超綠特征（2G-R-B）獲取灰度圖，再用Otsu 算法和形態(tài)學(xué)填充操作對圖像進行分割，獲取二值圖，提取背景像素中點作為導(dǎo)航特征點；然后通過坐標(biāo)系轉(zhuǎn)換，將四幅圖像的導(dǎo)航特征點映射到同一地面坐標(biāo)系，通過加權(quán)平均獲取最終導(dǎo)航特征點；最后通過最小二乘法擬合導(dǎo)航線，總體研究流程如圖1所示。

圖1 總體研究流程

2 圖像預(yù)處理

2.1 圖像采集

本研究自制圖像采集設(shè)備如圖2 所示，其利用四個與地面具有不同高度差的攝像頭依次獲取田間不同視覺范圍下的近景圖像和遠景圖像。

圖2 圖像采集設(shè)備

2.2 圖像分割

由于獲取的田間圖像為彩色圖像，為使農(nóng)作物部分更明顯突出，使農(nóng)作物和土壤明顯區(qū)分開，需對獲取的田間圖像進行預(yù)處理。由于農(nóng)作物的RGB 圖像中，G 顏色分量占比最高，可以通過提高G 分量最大限度分離作物和背景，即超綠特征（2G-R-B）灰度化方法，G、R、B 為綠、紅、藍顏色分量像素值。為增加農(nóng)作物和背景土壤的對比度，還需對灰度圖進行歸一化處理。因此，對圖3（a）采用歸一化2G-R-B 超綠特征獲取圖像灰度圖，如圖3（b）所示；灰度圖可以有效區(qū)分農(nóng)作物和土壤背景，然后采用Otsu 閾值分割自適應(yīng)生成閾值獲取二值圖，閾值分割可以將整個圖像分成兩個區(qū)域，白色表示農(nóng)作物，黑色表示土壤背景，如圖3（c）所示；最后采用形態(tài)學(xué)填充操作對分割圖像進行進一步降噪處理，形態(tài)學(xué)運算可有效增強區(qū)域的連通性，消除噪聲對壟行檢測的影響，如圖3（d）所示，大部分噪聲被濾除。

圖3 圖像預(yù)處理

2.3 特征點提取

特征點的提取是導(dǎo)航線擬合的前提，圖像預(yù)處理中已經(jīng)將農(nóng)作物和土壤背景分離。特征點提取方法有很多，根據(jù)圖像處理情況，采用背景像素中點作為導(dǎo)航特征點，通過擬合導(dǎo)航特征點獲取導(dǎo)航線。

3 實驗結(jié)果與分析

3.1 坐標(biāo)系轉(zhuǎn)換

由于每幅圖像的坐標(biāo)系不同，多幅圖像無法融合，因此要把多幅圖像的導(dǎo)航特征點放到同一坐標(biāo)下，需要進行坐標(biāo)系的轉(zhuǎn)換。

BP 神經(jīng)網(wǎng)絡(luò)算法屬于非線性分類器，可以實現(xiàn)從輸入到輸出的任意非線性映射，由于田間環(huán)境屬于復(fù)雜的非線性環(huán)境，因此利用BP 神經(jīng)網(wǎng)絡(luò)算法建立圖像坐標(biāo)系到地面實際坐標(biāo)系的坐標(biāo)系轉(zhuǎn)換模型，圖像坐標(biāo)系的像素坐標(biāo)作為輸入，將對應(yīng)的實際坐標(biāo)作為輸出建立神經(jīng)網(wǎng)絡(luò)。建立圖像坐標(biāo)系到地面實際坐標(biāo)系轉(zhuǎn)換模型的步驟如下：

1）確定地面實際坐標(biāo)系與圖像坐標(biāo)系的原點。地面實際坐標(biāo)系（OXY）的原點根據(jù)實際場景設(shè)置，圖像坐標(biāo)系（OUV）的原點一般為采集圖像的左上角。

2）選取BP 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本。采用大小相等、黑白相間的正方形格子作為標(biāo)定紙，在地面均勻分布。地面實際坐標(biāo)系下的每一個實際坐標(biāo)位置在圖像坐標(biāo)系下都有一個與之對應(yīng)的像素坐標(biāo)，如圖4 所示。其中，圖像坐標(biāo)系下坐標(biāo)的單位為像素，地面實際坐標(biāo)系下坐標(biāo)的單位為厘米。選取一定數(shù)量的樣本值對網(wǎng)絡(luò)進行訓(xùn)練，樣本值的選取按照平均主義原則，以圖像坐標(biāo)的中點為中心，四個象限平均取值。

圖4 坐標(biāo)對應(yīng)示意圖

3）構(gòu)建網(wǎng)絡(luò)模型。以圖像坐標(biāo)（u，v）為輸入，以對應(yīng)的地面實際坐標(biāo)（x，y）為輸出建立神經(jīng)網(wǎng)絡(luò)模型。

4）對網(wǎng)絡(luò)進行訓(xùn)練和測試。利用訓(xùn)練樣本對網(wǎng)絡(luò)進行訓(xùn)練，然后利用測試樣本檢測網(wǎng)絡(luò)的泛化能力。

通過以上四步即可實現(xiàn)圖像坐標(biāo)系到地面坐標(biāo)系的轉(zhuǎn)換，將每一幅圖像的導(dǎo)航特征點映射到同一地面坐標(biāo)系，在同一地面坐標(biāo)系下，將導(dǎo)航特征點進行融合，融合方法是將特征點加權(quán)平均，獲取最終導(dǎo)航特征點，導(dǎo)航線提取過程如圖5 所示。由于導(dǎo)航線大多近似直線，因此采用最小二乘法進行導(dǎo)航線擬合。

圖5 導(dǎo)航線提取過程示意圖

3.2 實驗結(jié)果

利用該方法進行了5 組田間實驗，并對比了實驗結(jié)果，對比結(jié)果如表1 所示。在同一地面坐標(biāo)系下，擬合后導(dǎo)航線系數(shù)a的絕對值普遍高于單條導(dǎo)航線的值。其中，a表示導(dǎo)航線斜率，斜率的絕對值越大，表明直線越接近y軸，即直線傾斜角度越小，導(dǎo)航線擬合精度越高。

表1 導(dǎo)航線擬合系數(shù)對比結(jié)果

4 結(jié)論

目前田間導(dǎo)航線的提取主要是在圖像坐標(biāo)系下，主要涉及三個步驟：圖像預(yù)處理、特征點提取、導(dǎo)航線擬合。圖像預(yù)處理階段是目前的研究熱點，主要是為了有效區(qū)分作物和土壤背景，田間圖像的獲取容易受環(huán)境因素的影響，例如光照強弱、土壤干濕、有無遮擋等因素。因此，很多學(xué)者通過改變顏色空間模型降低環(huán)境對圖像處理的影響，主要的顏色空間模型包括RGB、HIS、HSV、YUV等。雖然通過顏色空間模型的改變，圖像處理效果有所提高，但是每一種顏色空間模型都有其局限性，并不能適應(yīng)所有的田間環(huán)境。本研究主要是將圖像坐標(biāo)系轉(zhuǎn)換到了地面實際坐標(biāo)系，將不同范圍內(nèi)的導(dǎo)航特征點映射到同一地面坐標(biāo)系，再將導(dǎo)航特征點進行融合，最后通過最小二乘法擬合融合導(dǎo)航線。該方法為真實環(huán)境下降低山區(qū)農(nóng)業(yè)機器人自主導(dǎo)航誤差提供了思路。