粗糙集多傳感器融合理論在大棚噴霧機(jī)器人中的應(yīng)用

摘要：針對多傳感器融合過程中傳感器數(shù)據(jù)過載的問題，提出了一種基于粗糙集約簡理論的方法，應(yīng)用于大棚噴霧機(jī)器人植物識別系統(tǒng)之中。首先根據(jù)植物的特性，建立植物種類識別信息表即初始決策表，然后根據(jù)粗糙集約簡規(guī)則推導(dǎo)出最小決策規(guī)則，最后得到雜草識別區(qū)分的最快融合算法。

關(guān)鍵詞：粗糙集；多傳感器融合；機(jī)器人

中圖分類號：Ｓ１２６；ＴＰ２４文獻(xiàn)標(biāo)識碼：Ａ文章編號：0439－８114（２０11）03－0５８９-03

Ｒｏｕｇｈ Ｓｅｔ ａｎｄ Ｍｕｌｔｉ－ｓｅｎｓｏｒ Ｆｕｓｉｏｎ Ｔｈｅｏｒｙ ａｎｄ Ｉｔｓ Ａｐｐｌｉｃａｔｉｏｎ ｉｎ Ｇｒｅｅｎｈｏｕｓｅ

Ｓｐｒａｙ Ｒｏｂｏｔ

ＬＩＡＮＧ Ｗｅｉ，ＸＩＡＯ Ａｉ－ｐｉｎｇ，ＱＩＡＮ Ｈｕａ

（Ｓｃｈｏｏｌ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ， Ｂｅｉｊｉｎｇ Ｆｏｒｅｓｔｒｙ Ｕｎｉｖｅｒｓｉｔｙ， Ｂｅｉｊｉｎｇ １０００８３， Ｃｈｉｎａ）

Ａｂｓｔｒａｃｔ： Ｗｈｅｎ ｓｙｎｃｒｅｔｉｚｉｎｇ ｍｕｌｔｉ－ｓｅｎｓｏｒ ｉｎｆｏｒｍａｔｉｏｎ， ｔｈｅ ｓｅｎｓｏｒ ｄａｔａs were ｏｆｔｅｎ ｏｖｅｒｌｏａｄｅｄ． Ｔｈｅ ｍｅｔｈｏｄ ｂａｓｅｄ ｏｎ ｒｏｕｇｈ ｓｅｔ ｒｅｄｕｃｉｎｇ ｄｅｃｉｓｉｏｎ－ｍａｋｉｎｇ ａｎｄ ｄｅｌｅｔｉｎｇ ｒｅｄｕｎｄａｎｔ ａｔｔｒｉｂｕｔｅｓ ｗａｓ ｐｒｏｐｏｓｅｄ ｆｏｒ ｐｌａｎｔ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｓｙｓｔｅｍ ｏｆ ｇｒｅｅｎｈｏｕｓｅ ｓｐｒａｙ ｒｏｂｏｔ． Ｆｉｒｓｔｌｙ，ａｃｃｏｒｄｉｎｇ ｔｏ ｔｈｅ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｏｆ ｐｌａｎｔｓ， ｗｅ ｅｓｔａｂｌｉｓｈｅｄ ｐｌａｎｔ ｓｐｅｃｉｅｓ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｉｎｆｏｒｍａｔｉｏｎ ｔａｂｌｅ（ｔｈｅ ｉｎｉｔｉａｌ ｄｅｃｉｓｉｏｎ－ｍａｋｉｎｇ ｔａｂｌｅ）．Ｓｅｃｏｎｄｌｙ， ｔｈｅ ｍｉｎｉｍｕｍ ｄｅｃｉｓｉｏｎ－ｍａｋｉｎｇ ｒｕｌｅｓ ｗｅｒｅ ｄｅｄｕｃｔｅｄ ｂａｓｅｄ ｏｎ ｒｏｕｇｈ ｓｅｔ ｒｅｄｕｃｔｉｏｎ ｒｕｌｅｓ． Ｆｉｎａｌｌｙ， ｗｅ ｇｏｔ ｔｈｅ ｆａｓｔｅｓｔ ｆｕｓｉｏｎ ａｌｇｏｒｉｔｈｍ ｏｆ ｗｅｅｄ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ａｎｄ ｄｉｓｔｉｎｃｔｉｏｎ．

Ｋｅｙ ｗｏｒｄｓ： ｒｏｕｇｈ ｓｅｔ； ｍｕｌｔｉ－ｓｅｎｓｏｒ ｆｕｓｉｏｎ； ｒｏｂｏｔ

１粗糙集與多傳感器融合理論簡介

多傳感器信息融合的實(shí)質(zhì)是對多源不確定性信息的分析與綜合［１］，其處理過程非常復(fù)雜，在其融合過程中，我們經(jīng)常會遇到傳感器數(shù)據(jù)的過載問題，例如在用神經(jīng)網(wǎng)絡(luò)進(jìn)行傳感器信息融合時(shí)存在如何選擇樣本集的問題。這些問題制約了傳感器信息融合的發(fā)展，粗糙集理論的出現(xiàn)，對解決這些問題提供了具體可行的思路。

粗糙集理論是波蘭數(shù)學(xué)家Ｚ．Ｐａｗｌａｋ在１９８２年提出的一種新的處理模糊和不確定性知識的數(shù)據(jù)分析理論［２，３］。目前，粗糙集理論已被成功地運(yùn)用于機(jī)器學(xué)習(xí)、過程控制、決策分析、專家系統(tǒng)與智能控制、數(shù)據(jù)挖掘等研究領(lǐng)域［４］。

目前，智能機(jī)器人在進(jìn)行物體辨別的時(shí)候，首先需要根據(jù)物體的基本特征，根據(jù)經(jīng)驗(yàn)知識等，建立物體的特征數(shù)據(jù)庫，然后再將傳感器測得的值與特征數(shù)據(jù)庫進(jìn)行匹配，最后得出匹配結(jié)果［５］。但是特征數(shù)據(jù)庫的建立是一項(xiàng)極其費(fèi)時(shí)費(fèi)力的工作，而且特征數(shù)據(jù)庫中必然包含許多冗余信息，影響了融合的速度。把粗糙集多傳感器融合理論運(yùn)用在智能機(jī)器人物體識別系統(tǒng)中，可以有效地克服這些缺點(diǎn)，快速得到融合算法，提高決策能力。

２基于粗糙集多傳感器融合理論的大棚噴霧機(jī)器人雜草區(qū)分系統(tǒng)

我們以大棚噴霧機(jī)器人進(jìn)行農(nóng)藥噴灑為例，機(jī)器人通過安裝在機(jī)器上的ＣＣＤ傳感器、光學(xué)傳感器、顏色傳感器，來對大棚中種植的黃瓜苗與雜草（主要是馬齒莧與狗尾草）進(jìn)行區(qū)分，從而進(jìn)行農(nóng)藥噴灑除草作業(yè)。

２．１基于完全簡化規(guī)則集的數(shù)據(jù)融合算法

對于每次傳感器采集的數(shù)據(jù)，可以看作是一個(gè)等價(jià)類，根據(jù)粗糙集理論的約簡、核等概念，對傳感器收集的信息進(jìn)行分析，去除冗余信息，綜合互補(bǔ)數(shù)據(jù)，求出大量數(shù)據(jù)中的最小不變核，得到融合算法。具體的步驟如下：①將采集到的傳感器數(shù)據(jù)編制成決策表；②根據(jù)粗糙集屬性約簡和核等概念，去除冗余的條件屬性和重復(fù)信息，得到簡化決策表；③求出核值表；④由核值表求出決策表的簡化形式；⑤由簡化的決策表求得最小決策算法，即快速融合算法。

由此我們就可以得到最小簡化決策算法，由最小決策算法得到一組最小規(guī)則集。

2.2繪制信息表（決策表）

ＣＣＤ傳感器用于獲取植物的形狀及紋理特征等屬性，光學(xué)傳感器用于獲取植物葉面反射率屬性，顏色傳感器可以得到顏色屬性。令傳感器所測得的屬性分別為ａ（反射率）、ｂ（紋理特征）、ｃ（葉片顏色）、ｄ（葉片形狀），其中屬性ａ、ｂ、ｄ的值劃分為三檔，分別用（０，１，２）表示，屬性ｃ的值劃分為兩檔，用（０，２）表示。植物種類ｅ的編碼為０（黃瓜苗）、１（馬齒莧）、２（狗尾草）。根據(jù)大棚噴霧機(jī)器人多次測量的數(shù)據(jù)值，我們得到機(jī)器人識別植物種類的信息表如表１所示。

2.3初始決策表的粗糙集簡化

令Ｐ＝｛ａ，ｂ，ｃ，ｄ｝是條件屬性，Ｑ＝｛ｅ｝是決策屬性，信息表的簡化一般有屬性約簡和屬性值約簡兩種。

２．3．１條件屬性約簡在信息系統(tǒng)的決策表中，將屬性集Ａ中的屬性逐個(gè)移去，每移去一個(gè)屬性即刻檢查其決策表，如果不出現(xiàn)新的不一致，則該屬性是可被約去的；否則該屬性不能被約去，稱這種方法為屬性約簡的數(shù)據(jù)分析方法［６］。

首先分析植物種類識別信息表，其規(guī)則如下：１．ａ１ｂ０ｃ０ｄ１→ｅ１，２．ａ１ｂ０ｃ０ｄ０→ｅ１，３．ａ０ｂ０ｃ０ｄ０→ｅ０，４．ａ１ｂ１ｃ０ｄ１→ｅ０，５．ａ１ｂ１ｃ０ｄ２→ｅ２，６．ａ２ｂ２ｃ０ｄ２→ｅ２，７．ａ２ｂ２ｃ２ｄ２→ｅ２，顯然是一致性決策表，因?yàn)槠渲忻恳粭l規(guī)則都是一致的。進(jìn)行條件屬性約簡，具體做法是去掉條件ａ或ｂ或ｃ或ｄ，觀察是否存在不相容的決策規(guī)則，經(jīng)分析，條件屬性ａ、ｂ、ｄ是必須的，ｃ是可省略的。通過刪除多余的條件屬性及重復(fù)的樣本信息得到屬性約簡表如表２。

２．3．２屬性值約簡求出完全簡化決策規(guī)則表進(jìn)行屬性約簡后，還要進(jìn)行值的約簡，以求出核值和簡化值，最后求出完全簡化決策規(guī)則表［７］。以表２中第一條決策規(guī)則ａ１ｂ０ｄ１→ｅ１為例，去掉ａ１得ｂ０ｄ１→ｅ１，沒有相沖突的規(guī)則，故ａ１是多余的，可以被約去；去掉ｂ０得ａ１ｄ１→ｅ１，與第四行ａ１ｄ１→ｅ０相沖突，故ｂ０是核值，應(yīng)予以保留；去掉ｄ１得ａ１ｂ０→ｅ１，沒有相沖突的規(guī)則，故ｄ１也是多余的，可以被約去。同樣的方法對剩下的決策規(guī)則進(jìn)行分析，得到核值表如表３所示。

２．3．３求出完全簡化決策規(guī)則表定義：設(shè)ｄｘ是一條被消去所有過剩條件屬性的決策規(guī)則，條件屬性集Ｃ的等價(jià)類［ｘ］ｃ中任何最少屬性ａ的等價(jià)類［ｘ］ａ的交集?哿相應(yīng)決策類［ｘ］ｄ中，則由此而得到的最小條件屬性ａ組成的相應(yīng)于ｄｘ的新決策規(guī)則ｄｘ＇是ｄｘ的一個(gè)決策規(guī)則約簡。

對表２，我們首先對第一條決策規(guī)則進(jìn)行約簡，其決策類［１］｛ｅ｝＝｛１，２｝，［１］｛ａ｝＝｛１，２，４，５｝，［１］｛ｂ｝＝｛１，２，３｝，［１］｛ｄ｝＝｛１，４｝，此時(shí)有［１］｛ａ｝∩［１］｛ｂ｝＝｛１，２｝?哿［１］｛ｅ｝和［１］｛ｂ｝∩［１］｛ｄ｝＝｛１｝?哿［１］｛ｅ｝，得到兩條約簡的決策規(guī)則：（１）ａ１ｂ０→ｅ１和（１′）ｂ０ｄ１→ｅ１。

對于余下的規(guī)則，運(yùn)用同樣的方法，得到完全簡化決策規(guī)則表如表４所示。

根據(jù)完全簡化決策規(guī)則表（合并重復(fù)規(guī)則），可以得到雜草識別區(qū)分的最快融合算法：

ａ０∨ｂ１ｄ１→ｅ０ ａ１ｂ０→ｅ１ｄ２→ｅ２

和ａ０∨ｂ１ｄ１→ｅ０ ｂ０ｄ１∨ａ１ｄ０→ｅ１ ｄ２→ｅ２

即可以通過傳感器的屬性值，按照以上的規(guī)則來對雜草與作物進(jìn)行判別，通過試驗(yàn)結(jié)果分析得知，識別的正確率為８５％，對比其他使用單一傳感器的方法，識別效果有了明顯提升。

通過以上算法可以看出，運(yùn)用粗糙集理論，對大棚噴霧機(jī)器人傳感器所測得的大量數(shù)據(jù)進(jìn)行分析處理，很快便去除了其中的大量冗余信息，找到了數(shù)據(jù)之間的內(nèi)在聯(lián)系，得到了雜草識別區(qū)分的快速融合算法，極大地提高了工作效率。

３小結(jié)

通過以上例子可以看出，粗糙集理論可以無需提供問題所需處理的數(shù)據(jù)集合之外的任何先驗(yàn)信息，只根據(jù)傳感器自身提供的信息就可以對數(shù)據(jù)進(jìn)行化簡并求得融合算法。但是，基于粗糙集的多傳感器信息融合理論的研究剛剛起步，有許多方面考慮得尚不成熟，例如對傳感器信息的實(shí)時(shí)收集實(shí)時(shí)處理等方面尚有許多問題亟待解決，但是畢竟為多傳感器信息融合處理提供了一個(gè)新的可行的研究途徑，將粗糙集與神經(jīng)網(wǎng)絡(luò)、Ｄ－Ｓ等理論方法相結(jié)合，必將為多傳感器信息融合理論開辟一個(gè)嶄新的途徑［８］。

參考文獻(xiàn)：

［１］ 張菊秀． 多傳感器信息融合技術(shù)和發(fā)展［Ｊ］．電子世界，２００５（４）：６－７．

［２］ ＰＡＷＬＡＫ Ｚ． Ｒｏｕｇｈ ｓｅｔｓ ａｎｄ ｉｎｔｅｌｌｉｇｅｎｔ ｄａｔａ ａｎａｌｙｓｉｓ［Ｊ］． Ｉｎｆｏｒｍａｔｉｏｎ Ｓｃｉｅｎｃｅｓ，２００２，１４７（１－４）：１－１２．

［３］ ＰＡＷＬＡＫ Ｚ． Ｒｏｕｇｈ ｓｅｔｓ：ｔｈｅｏｒｅｔｉｃａ１ ａｓｐｅｃｔｓ ｏｆ ｒｅａｓｏｎｉｎｇ ａｂｏｕｔ ｄａｔａ［Ｍ］．Ｄｏｒｄｒｅｃｈｔ，Ｈｏｌｌａｎｄ：Ｋｌｕｗｅｄｒ Ａｃａｄｅｍｉｃ Ｐｕｂｌｉｓｈｅｒｓ，１９９１．

［４］ 張文修，吳志偉，梁吉業(yè)，等．粗糙集理論與方法［Ｍ］．北京：科學(xué)出版社，２００１．

［５］ 譚民，徐德，侯增廣，等． 先進(jìn)機(jī)器人控制［Ｍ］．北京：高等教育出版社，２００７．

［６］ 劉清． Ｒｏｕｇｈ集及Ｒｏｕｇｈ推理［Ｍ］． 北京：科學(xué)出版社，２００１．

［７］ 王國胤． Ｒｏｕｇｈ集理論與知識獲取［Ｍ］． 西安：西安交通大學(xué)出版社，２００１．

［８］ 羅志增，蔣靜坪． 機(jī)器人感覺與多信息融合［Ｍ］．北京：機(jī)械工業(yè)出版社，２００２．