基于機器視覺的農(nóng)業(yè)導航系統(tǒng).pdf

1、隨著機器視覺技術(shù)的不斷發(fā)展，農(nóng)業(yè)機器人使用視覺導航技術(shù)進行作業(yè)已經(jīng)成為現(xiàn)代智能農(nóng)業(yè)機械一個重要研究方向，在自動噴藥施肥、收割作業(yè)、耕種除草、病蟲害檢測等方面有著廣泛的應用。
　　本文根據(jù)目前農(nóng)業(yè)領域機器視覺技術(shù)發(fā)展現(xiàn)狀，在總結(jié)國內(nèi)外相關(guān)研究成果的基礎上，設計并開發(fā)了一套基于機器視覺的農(nóng)業(yè)導航系統(tǒng)，本文的主要研究工作和成果如下：
　　(1)針對農(nóng)業(yè)環(huán)境的多變性和復雜性，為了保證在各種環(huán)境中分割的成功率，采用了基于局部特征的層級

2、分割結(jié)構(gòu)進行圖像分割，由于層級分割結(jié)構(gòu)計算過程復雜，往往需要耗費大量的時間和內(nèi)存，因此采用了基于離散-連續(xù)的最優(yōu)梯度方向信號預測算法，相較于不使用預測算法，可以保證在成功分割的前提下減少40％的計算時間和10%的內(nèi)存使用。
　　(2)由于目前農(nóng)作物種植大多為條播法，但在導航線提取時往往只用到兩條作物行，因此許多研究中在圖像處理過程中創(chuàng)建感興趣區(qū)域(ROI)用于簡化計算。針對目前研究中ROI多為人工創(chuàng)建的現(xiàn)狀，提出自動ROI的思想。

3、跟人工創(chuàng)建ROI相比，自動ROI可以根據(jù)條件和參數(shù)變化進行自我調(diào)整，如作物種類、拍攝角度等，不再只局限于某一特定作物或場景，增強了系統(tǒng)的魯棒性。
　　(3)針對雜草存在對導航線提取精度的影響問題，使用了機器學習進行雜草識別，一共使用了三種分類器進行實驗，分別是人工神經(jīng)網(wǎng)絡，支持向量機和隨機森林。實驗結(jié)果表明，三種分類器都可以識別出雜草，其中隨機森林的效果最佳，對作物的識別率為93.8%，雜草的識別率為91.1%，所以選擇隨機森林作

4、為雜草識別的分類器。
　　(4)對于雜草識別后的作物行識別問題，由于已經(jīng)創(chuàng)建了合適的ROI，并且排除了雜草的影響，此時使用橫條法加線性回歸的組合算法更加簡單有效。通過對比實驗證明，無論是在精度還是耗時組合算法均優(yōu)于隨機Hough變換，所以最終選擇了橫條法加線性回歸的組合算法進行作物行檢測。
　　(5)針對農(nóng)田地形環(huán)境和實際需求，以韓伯電子技術(shù)研究所HBE-ROBOCAR型號機器人為移動平臺，設計并開發(fā)了機器人控制系統(tǒng)。為了克