基于PCA模式識別算法的收割機自主路徑規劃設計

許 娜，周煒明

(河南工業職業技術學院，河南 南陽 473000)

0 引言

隨著現代農業技術的發展，加上大規模農田作業的需求，聯合收割機自動化作業能力急需提升，這就需要借助于人工智能技術將計算機技術和控制理論技術緊密聯系起來，利用智能識別和自主路徑規劃，實現聯合收割機的無人化、自動化作業。在聯合收割機對目標智能識別和路徑自主規劃過程中，會產生數量龐大的圖像數據，需要借助于一種高效的圖像處理算法。PCA算法可以從模式矢量空間選擇模式特征子空間得到主特征矢量，是一種高維數據特征提取和線性降維的圖像方法，具有較高的圖像處理效率和圖像識別的準率性。因此，本研究將該算法引入到收割機的圖像識別系統中，以提高大規模圖像的處理和識別效率。

1 收割機自主路徑規劃系統

收割機自動路徑規劃系統的功能設計中最主要的是圖像識別功能，圖像識別的好壞直接關系到路徑規劃的準確程度，進而影響導航的精度。在收割機實時路徑規劃過程中會產生海量的圖像數據，要想對這些圖像數據進行快速處理并提取出有用的特征信息，需要引入一種高效的圖像處理算法。PCA算法在圖像處理方面具有很多優勢，因此本次選用PCA算法作為路徑規劃系統的圖像識別算法。該算法優點如下：

1)最小均方誤差。PCA算法本身是一種正交分解下的最小均方差，因此利用PCA算法壓縮信號時可以得到最大的信噪比。

2)降維。PCA算法采用基函數的方法處理圖像，基函數要比信號本身的維數小很多，因此可以大大降低圖像處理時的數據表示維數，從而提高計算效率。

3)消除冗余。利用PCA算法可以將圖像的冗余部分消除，進而提升圖像識別的準確程度。

基于PCA算法的以上特點，設計了收割機路徑規劃圖像識別的基本流程，其圖像識別過程主要依靠農田里的導航標，如圖1所示。

圖1 導航路標圖像識別流程Fig.1 The image recognition process of navigation landmark

在導航和路徑規劃過程中，首先對采集的圖像進行檢測和跟蹤，然后利用PCA算法進行圖像的特征提取。為了降低計算量，在識別匹配前先利用PCA算法進行降維，通過匹配識別最后輸出圖像識別的結果。為了路標圖像識別和匹配的速度和精度，本研究采用了圖像樣本訓練的方法，其過程如圖2所示。

圖2 圖像識別的學習訓練過程Fig.2 The learning and training process of image recognition

圖像學習的訓練過程：將農田里的路標導航圖像進行采集后，制作成訓練樣本，對樣本圖像進行特征提取后建立特征子空間；然后，再采集某個路標樣本進行識別訓練，驗證識別算法的可靠性；通過訓練后，當識別準率較高時，建立農田導航路標的識別規則。識別規則主要依據采集到的路標圖像和樣本圖像的相似程度，對相似程度設計相關閾值，建立完善的導航路徑規劃的識別系統。

2 基于PCA算法原理的收割機導航方式

目前，自主規劃路徑的收割機導航方式有多種，主要包括視覺導航、路標導航、衛星導航和傳感器導航等，其對環境的適應能力也各不相同，一種好的導航方式可以大大提高收割機的導航效率。

1)路標導航。路標導航是將作用于農田環境中的特征標的物存儲到收割機的內部，在收割機進行收割作業時，通過識別路標確定自己的位置，然后通過識別下一標的物，探測出行進路線，其導航效率較高。

2)視學導航。由于計算機硬件技術的不斷發展，利用機器視覺進行導航成為可能，視覺導航利用攝像機獲取環境信息，對環境信息加以分析處理后，自主形成路徑規劃方案，自動化程度較高；但技術實現較為復雜，并且成本較高。

3)傳感器導航。傳感器導航主要是在作業環境中使用大量的傳感器(如紅外傳感器及微波測距傳感器等)，這種導航方式跟路標導航類似，實際應用中需要鋪設大量的傳感器，成本也較高。

4)衛星導航。衛星導航主要是利用GPS全球定位系統觀測的方式，對收割機進行定位，是一種輔助導航的定位方法，單獨利用GPS實現實時的路徑規劃較為困難。

綜上所述，從導航成本和實現的難以程度考慮，最終選擇路標導航方式。為了提高路標的識別效率，引入了PCA算法原理。PCA算法是主成分分析方法的簡稱，可以實現圖像特征信息的提取，對于復雜圖像可以起到降維的作用。在收割機實際導航過程中，首先利用K-L變換對路標的主成分進行抽取，構成特征空間，識別過程中將圖像投影到該空間，得到投影系數，通過和預選存儲的路標信息進行比對，對路標進行識別。路標識別過程主要有兩個階段：一是訓練階段；二是識別階段。本文首先介紹訓練階段。

1)假設有200個路標圖像訓練樣本，樣本圖像全部為灰度圖像，每個樣本的大小為M·N，則每個訓練樣本可以寫成

x=(x1,x2,...,x200)T

(1)

其中，向量xi為由第i個圖像的每一列向量堆疊成一列的MN維列向量，利用該方式將矩陣向量化。

2)計算路標圖像平均值，即

(2)

3)計算差值路標。計算每一個路標與平均路標的差值，即

di=xi-Ψ(i=1,2,...,200)

(3)

4)構建協方差矩陣，則

(4)

A=(d1,d2,...,d200)

(5)

5)求協方差矩陣的特征值和特征向量，構造特征路標空間。首先，求出ATA的特征值λi；然后，求出其正交歸一化特征向量vi。選擇特征值得貢獻率最大的前p個最大特征向量，則

(6)

一般取a=99%，于是可以求出協方差矩陣的特征向量為

(7)

則路標圖像的特征空間為

w=(u1,u2,...，up)

(8)

將每一個路標與于路標平均值差值矢量投影到路標特征空間，即

Ωi=wTdi(i=1,2,...,200)

(9)

識別階段則包括以下幾個步驟：

1)將待識別的路標圖像Γ與平均臉的差值臉投影到特征空間，得到其特征向量為

ΩΓ=wT(Γ-Ψ)

(10)

2)定義閾值。

(11)

3)采用歐式距離來計算ΩΓ與每個人臉的距離εi，即

(12)

根據距離εi，可以設定閾值來建立識別的規則。當距離小于閾值時，便可以認為識別到待識別的路標，從而完成識別過程。

3 基于PCA模式識別算法的收割機自主路徑規劃系統測試

為了驗證PCA模式識別算法在收割機自主路徑規劃過程中的作用，將該算法嵌入到了收割機作業控制系統中，主要分為圖像信息采集部分和PC圖像信息處理部分。為了保證實驗的順利進行，選擇了較為開闊平坦的農田作業實驗測試基地，如圖3所示。

圖3 嵌入PCA模式識別系統的收割機Fig.3 The harvester embedded in the PCA pattern recognition system

圖像采集部分采用的高清攝像機，安裝在收割機駕駛室的頂部，圖像處理部分采用的PC處理器，安裝在駕駛室里。首先對收割機作業農田里的導航路標圖像進行訓練，最后進行識別，其流程如圖4所示。

圖4 農田導航路標訓練和識別流程Fig.4 The training and identification process of farmland navigation landmark

在農田導航路標得識別過程中，首先讀取多個農田導航路標圖像的訓練樣本，構造矩陣；然后通過圖像采集得到一幅導航路標圖像，讀取后求取采集圖像和訓練樣本圖像的差值；將差值圖像在特征向量上進行投影，通過計算歐式距離看其和哪個導航路標圖像接近，一旦發現數據同哪個路標吻合，自動規劃出相應的前進路徑。通過測試，初步得到了如圖5所示的規劃路徑。

圖5 路徑生成示意圖Fig.5 The schematic diagram of path generation

根據聯合收割機的行進路徑，最終繪制了收割機自主路徑規劃的示意圖。由圖5可以看出：采用PCA模式識別算法，可以成功地完成聯合收割機的導航路標識別與自主路徑規劃。

對農田路標導航識別效率進行了測試統計，如表1所示。由測試統計結果可以看出：采用PCA模式識別算法對導航路標得識別準確率較高，超過了95%，耗時較少，平均耗時沒有超過1s，識別的效率較高。

表1 農田路標導航識別效率測試統計Table 1 The test statistics of navigation recognition efficiency of farmland roadmap

4 結論

為了提高聯合收割機導航和自動路徑規劃系統的圖像識別與處理能力，將PCA模式識別算法引入到了系統中，通過分割圖像進行特征提取和主成分分析，將圖像主軸旋轉成水平方向和訓練樣本庫進行匹配，從而有效地提高了農田導航路標圖像的識別準確率和識別效率。對系統進行了測試，結果表明：采用PCA模式識別算法可以有效地識別農田導航路標，其識別效率和識別準確率均較高，并可通過導航路標自動生成行進路徑，驗證了方案的可行性和可靠性。