視覺導航溫室機器人路徑識別算法與實驗

張 群， 宋 健， 曹高華， 袁鳳茹(. 山東科技大學 機械電子工程學院, 山東 青島 66590; . 濰坊學院 機電與車輛工程學院, 山東 濰坊 606)

0 引 言

隨著農業現代化的推進，精細化農業不斷發展，農業機器人導航技術的研究越來越受到關注[1-3]。在溫室環境下，利用農業機器人自主導航作業不僅可以大幅減輕勞動者的體力勞動，也可以避免在高溫、高濕的惡劣環境下受到的人身傷害[4]。也有學者提出垂直投影法，該法提取的特征點數目可隨圖像高度變化而變化，原理簡單，特征點精確，應用廣泛; 孫元義等[5]采用該法獲取導航基準線候選點，再采用Hough 變換將導航定位點擬合成導航基準線。溫室環境下，農業機器人路徑導航的首要問題是在復雜光照下將植物從土壤環境中識別出來。

本文采用單目攝像頭，基于溫室環境下對獲得的番茄彩色圖像進行處理，利用Hough變換獲得導航路徑，并對實時圖像進行驗證處理。

1 番茄圖像分割

1.1 圖像采集

番茄圖像采集于山東濰坊溫室大棚，在不同光照條件下分別采集5次，并選取其中一張照片。攝像機與地面的高度為0.5 m，俯視角為30°、45°、60°，其中中間區域為土壤部分，有地膜、土塊等背景，采集圖像的分辨率為1 280×960像素，圖片格式為JPG，采集到的原始圖像信息如圖1所示。

1.2 顏色空間選擇

對于機器視覺，常用的顏色空間主要有RGB、Lab等。RGB顏色空間的主要缺點是RGB每個分量不僅表示一種顏色，還表示顏色的敏感程度，并且不同顏色在RGB顏色空間中距離較小[6];Lab顏色空間是CIE(國際照明委員)指定的一種彩色模式。Lab顏色空間中的L分量用于表示像素的亮度，取值范圍是[0,100],表示從純黑到純白；a表示從紅色到綠色的范圍，取值范圍是[127,-128]；b表示從黃色到藍色的范圍，取值范圍是[127,-128]。本文將RGB圖片轉化為Lab空間圖像，并取Lab空間a通道數據信息進行灰度化，并與原始圖像灰度化效果進行對比，效果圖如圖2所示。

2 圖像分割及路徑選擇

2.1 形態學處理

形態學處理是從圖像中提取對于表達和描繪區域形狀有意義的圖像分量，是后續的識別工作能夠抓住最為本質的形狀特征[7]。a通道的灰度圖像中，可以看出在植物葉片之間存在較多噪點，這些噪點會對后期的圖像分割產生一定的影響，從而導致圖像分割不完整或過度分割等現象。因此，對該圖像進行開閉運算，見圖3。

(a) 原始圖像灰度圖(b) Lab空間a通道灰度圖

圖3 開閉運算效果圖

2.2 分水嶺算法圖像分割

分水嶺分割方法是把圖片看作是測地學上的拓撲地貌，圖像中的每一個像素點的灰度值都表示該點的海拔高度，每一個局部極小值及其影響區域稱為集水盆，而集水盆的邊界則形成分水嶺[8-10]，見圖4。

圖4 a通道圖像像素梯度值

分水嶺變換得到的是輸入圖像的集水盆圖像，集水盆之間的邊界點即為分水嶺。顯然，分水嶺表示的是輸入圖像極大值點[11-14]。因此，為得到圖像的邊緣信息，通常把梯度圖像作為輸入圖像，即

g(x,y) = grad(f(x,y))={[f(x,y)-f(x-1,y)]2[f(x,y)-f(x,y-1)]2}0.5

式中:f(x,y)表示原始圖像;grad{·}表示梯度運算。

分水嶺算法對微弱邊緣具有良好的響應，圖像中的噪聲、物體表面細微的灰度變化都會產生過度分割的現象[15]。但同時應當看出，分水嶺算法對微弱邊緣具有良好的響應，是得到封閉連續邊緣的保證的。另外，分水嶺算法所得到的封閉的集水盆，能夠更好地分析圖像的區域特征。

為消除分水嶺算法產生的過度分割，通常可以采用兩種處理方法，① 利用先驗知識去除無關邊緣信息;② 修改梯度函數使得集水盆只響應想要探測的目標。本文將a分量效果圖采用“Sobel”算子進行梯度處理，并標記出最小值附近的區域，然后對圖像進行二值化處理，通過三次分水嶺算法獲得最后效果圖(見圖5、6)。

溫室種植情況下，生長出的作物表現接近直線，但由于枝葉的原因會造成處理后的路徑曲線是曲線，并且路徑在圖像中的表現為底端較粗、行間距較大，上端較細、行間距較小。因此，對圖像路徑選擇的具體步驟如下：

(1) 設圖像的高度為H，圖像寬度為W，圖像中兩條邊界的坐標起點分別為(x0，0)，(x3，0)，終點坐標為(x2，y2)，(x4，y4)。

(2) 利用垂直投影法計算圖像白色高亮點的位置信息，分別記為(xn，y11)，(xn，y12)，分別表示第n行(n= 1，2，…，W)路徑左右兩側邊緣位置坐標。

(3) 對每行坐標取其x方向的均值進行轉換獲得導航離散點的信息，最后運用Hough變換對離散點進行直線擬合獲取溫室移動機器人的導航路徑信息(紅色線條)，見圖7、8。

圖5 二值化圖像

圖6 分水嶺分割效果圖

圖7 導航離散點

圖8 機器人導航路徑(紅色線條)

3 實驗及分析

實驗時，機器人分別以0.5、1 m/s的速度在45°的視角下對采集的連續圖像進行分析處理，實驗分析處理一幅圖像平均耗時為157、179 ms，為了提高實驗數據的可靠性，對每一種速度進行3次重復實驗，并在該速度條件下，選取實際位移偏差最大和最小的一次作為一組，進行對比試驗，實驗跟蹤結果如圖9所示。當速度為0.5 m/s時，實際位移偏移趨勢與預測位移趨勢幾乎一致，并且最大實際位移偏移量和最小實際位移偏移量與預測位移偏移量的差值均在10 cm以內，最大橫向位移偏差為10、7 cm，平均位移偏差為2.5、2.27 cm，機器人在運動過程中波動較小。當速度為1 m/s時，實際位移偏移趨勢和預測位移偏移趨勢差別較大，同時實際位移偏移量和預測位移偏移量的波動均較大，最大實際位移偏差和最小實際位移偏差與預測位移偏移量的差值在10～20 cm之間，最大橫向位移偏差為17、11 cm，平均位移偏差為4.89、4.64 cm，因此當運行速度為1 m/s時，機器人在運動過程中位置偏移波動較大。由于攝像頭擺放角度、高度都不能完全滿足在理想條件，因此誤差不可避免，可以認為在誤差范圍內獲得的導航信息有效，相較于速度為1m/s，機器人在0.5 m/s時偏移量和波動均較小，因此機器人速度在0.5 m/s時效果更好。

(a) 速度為0.5 m/s

4 結 論

本文以山東濰坊大棚種植為研究背景，結合其種植特點，在Lab色彩空間中通過分水嶺算法將植物從以土壤、地膜為背景的圖像中識別出來。有效地解決了復雜光照信息對圖像的采集。在圖像分割中進行形態學處理后，運用分水嶺算法在圖片中分離道路信息，通過Hough變換將道路信息進行路徑規劃。通過實驗和分析表明：

(1) 對于光照信息較為復雜的溫室環境下，從Lab色彩空間中提取a通道的光照信息，可有效的改善光照對路徑識別的影響，提高農業機器人路徑識別對光照復雜的魯棒性。

(2) 在圖像背景復雜的溫室環境下，對采集圖像進行形態學處理后，運用分水嶺算法進行圖像分割，道路信息提取率達到95.7%，提高了Hough變換對路徑規劃的準確率。

(3) 整個圖像處理過程中，單幅圖像處理耗時大大降低，路徑識別速度明顯提高，更好的滿足系統實時性要求。

參考文獻(References)：

[1] 高國琴，李 明. 基于 K-means 算法的溫室移動機器人導航路徑識別[J]. 農業工程學報：2014,30(7)：25-32.

[2] 姬江濤，鄭治華，杜蒙蒙．農業機器人的發展現狀及趨勢[J]. 農機化研究，2014，36(12) : 1-4．

[3] 王新忠，韓 旭，毛罕平，等. 基于最小二乘法的溫室番茄壟間視覺導航路徑檢測[J]. 農業機械學報，2012，43(6)：161-166.

[4] 侯學貴，陳 勇，郭偉斌. 除草機器人田間機器視覺導航[J]. 農業機械學報，2008，39(3)：106-112.

[5] 孫元義，張紹磊，李 偉. 棉田噴藥農業機器人的導航路徑識別[J]. 清華大學學報(自然科學版)，2007，47(2)：206-209.

[6] 岡薩雷斯，伍 茲. 數字圖像處理[M]. 3版. 北京：電子工業出版社，2010.

[7] 劉國棟，謝宏斌，李春光．動態環境中基于遺傳算法的移動機器人路徑規劃的方法[J]. 機器人，2003，25(4) : 327-330．

[8] 周 俊，陳 欽，梁 泉. 基于強化學習的農業移動機器人視覺導航[J]. 農業工程學報，2014，45(2)：53-58.

[9] 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] . 農業工程學報，2009，25(12)：107-113.

[10] 孟慶寬，何 潔，仇瑞承，等．基于機器視覺的自然環境下作物行識別與導航線提取[J]. 光學學報，2014， 34(7) :1-7

[11] 朱群峰，黃 磊．溫室移動機器人軌跡控制系統的設計[J]．農機化研究，2009，31(4) : 73-75．

[12] 朱俊良，王茂芝，郭 科．基于形態預處理和標記提取的分水嶺分割算法[J].信息技術,2010(9)：17-20.

[13] 冷 萍，鮑蘇蘇，孟祥熙,等．一種改進的分水嶺分割算法[J]. 貴州師范大學學報(自然科學版)，2010,28(1)：62-65.

[14] 姬長英，周 俊．農業機械導航技術發展分析[J]．農業機械學報，2014，45(9) : 44-54．

[15] 孫惠杰，鄧廷權，李艷超．改進的分水嶺圖像分割算法[J]．哈爾濱工程學報,2014,35(7):854-864.