基于激光雷達的棗樹輪廓測量平臺的設計與試驗

吳志鵬,付 威,2,婁朝霞,李亞麗,付昱興,陳亞婭,張志元

(1.石河子大學 機械電氣工程學院,新疆 石河子 832003;2.海南大學 機電工程學院,海口 570100)

0 引言

果樹智能化修剪能夠解決勞動力緊缺的問題,提高修剪作業效率,有利于標準化果園建園。果樹智能修剪的前提需要快速、準確提取果樹的三維空間拓撲信息,通常采用激光雷達獲取點云數據并進行果樹的三維結構重建[1-2]。近年來,由于新疆紅棗栽植面積迅猛增長,人工修剪已經不能滿足修剪作業要求,亟待采用智能化修剪機具解決紅棗修剪問題。

國內外針對激光雷達果樹重建和智能化修剪已開展了相關研究。Medeiros等人針對果樹修剪,采用放置于移動平臺上的滑軌帶動激光雷達實現果樹準確測量,再通過多次掃描匹配獲得完整果樹點云,完成果樹的三維重建[3];Sanz-Cortiella, Ricard在實驗室使用電控滑軌控制激光雷達掃描驗證了系統可靠性[4];劉慧在實驗室通過電控滑軌分析了激光雷達檢測姿態偏差對檢測的影響[5];張美娜采用電控滑軌組成試驗平臺進行了靶標探測試驗[6];沈躍通過滑軌帶動激光雷達掃描不同的物體檢驗掃描誤差[7]。上述研究多在實驗室條件下使用導軌作為定位裝置實現三圍掃描。Medeiros等人的研究雖然實現了田間環境下的果樹三維點云信息獲取,但需要對果樹進行多次掃描,作業效率有待提高。

本文在上述研究基礎上,設計了一種電動滑軌帶動激光雷達的果樹輪廓測量平臺,通過在田間對棗樹的兩側進行掃描,利用點云數據獲取、地面濾波、點云匹配和點云分割提取果樹的三維輪廓。為驗證輪廓提取的準確性,從輪廓數據中提取果樹兩側的冠幅數據與手工測量結果進行對比,以驗證裝置的準確性。

1 果樹輪廓測量平臺結構組成

1.1 硬件結構組成

移動激光雷達測試平臺主要包括激光雷達、電動滑軌、計算機、云臺、電源和支架等部件,如圖1所示。

激光雷達是整個平臺的關鍵部件之一,主要作用是完成棗樹樹冠的三維信息的采集,其選型將直接影響測量精度。該平臺選用Sick公司的LMS141-15100型二維激光測距儀,掃描范圍可達60 m,角度分辨率為1°和0.5°,掃描頻率為50 Hz和25 Hz。

電動滑軌的作用是支撐和引導平臺穩定運行。該平臺選用SuteFot公司生產的電動滑軌,總長度為1500mm,有效行程為1425mm。該系統通過步進電機驅動,移動速度為4～30mm/s;系統支架高度可通過調節螺母進行調節,可較好地適應田間作業環境,保證系統的穩定性;整個體統通過蓄電池供電。

筆記本電腦為數據采集與處理終端,與激光雷達通過以太網電纜連接,采用TCP/IP協議進行通訊。

1.2 軟件設計

軟件部分通過MatLab編寫,工作流程主要包括點云獲取、果樹點云提取及冠幅測量程序,如圖2所示。

點云獲取部分主要涉及激光雷達與計算機之間的命令與數據通訊,此類通訊均基于TCP/IP協議,使用二進制報文的形式實現。

MatLab軟件集成了TCP/IP通訊功能,通過tcpip函數設置相關參數以后,使用fopen函數建立計算機與激光雷達的通訊。激光雷達的啟動與停止命令為sEN LMDscandata 1和sEN LMDscandata 0;通過將此命令對應的二進制報文后發送至激光雷達控制激光雷達的啟動與停止;激光雷達啟動后向計算機連續發送二進制報文;計算機通過MatLab中的fread函數逐幀讀取激光雷達發出二進制報文后,經程序轉換即可獲取激光雷達的點云數據信息。

果樹自動提取是整個軟件的核心部分,主要提取過程包括以下幾個步驟:

1)棗樹區域提取。依據田間環境參數,設定固定閾值進行棗樹區域提取。

2)棗樹樹冠提取。基于果樹的幾何特征,對棗樹樹冠進行快速提取。

3)雙側樹冠點云匹配。依據棗樹枝條信息,對棗樹樹冠進行匹配,提取完整樹冠點云。

4)樹冠分割。將提取樹冠中的相鄰棗樹樹冠進行去除,提高提取棗樹輪廓信息及冠幅信息的準確性。

2 樹冠輪廓檢測原理

2.1 滑軌啟停檢測

點云獲取的過程中,激光雷達需在電動滑軌的帶動下完成棗樹的三維掃描。由于滑軌的開啟和停止均為手工操作,使電動滑軌和激光雷達難以實現同步運行,造成掃描不完全或首尾端重復掃描等問題。為避免上述問題,需將此類誤差進行減小或消除。

激光雷達掃描時數據變化明顯,而停止時數據變化不明顯,所以可利用此特征檢測激光雷達的運動狀態,檢測流程如圖3所示。為提高數據處理的實時性,只在預估開始和停止的時間段內進行狀態檢測。

圖3 電動滑軌啟停流程Fig.3 The work flow of starting detection

激光雷達的運動狀態依據激光雷達掃描前后幀的數值平均偏差S,其計算公式為

(1)

式中i—幀索引號;

j—幀內索引號;

x—極坐標下激光雷達掃描的數據點距離大小;

n—幀內最大索引號。

在平均偏差值大于設定閾值Sy時,認為滑軌啟動;平均偏差值小于設定閾值時,認為滑軌停止。激光雷達的系統錯誤最高為30mm,表現為對同一處物體的的距離波動最大為30mm。為對其進行區分,則判別閾值Sy在此基礎上設置為40mm。

2.2 棗樹點云提取

2.2.1 地面物體分割

激光雷達獲取的原始點云需要先去除地面,以便于不同地物的提取,常用的方法有平面擬合、RNSRN及距離斜坡算法等。由于棗園田間環境較復雜,以上方法易出現地面去除不徹底或嚴重過分分割等問題;而高程統計直方圖能夠基于果樹的形態特征分凸顯地面區域和樹冠區域特征,并通過自適應閾值分割方法快速分割棗樹樹冠。

點云圖像的高程統計直方圖類似于圖像的灰度直方圖,高度層級為橫軸,高程級頻率為縱軸[8]。要獲取點云的高程統計直方圖,需要先將點云的高程離散化。離散化的計算公式為

(2)

式中dh—離散化高程的寬度;

Hmax、Hmin—點云的高程范圍;

g—點云的離散化等級。

獲取點云的高程統計直方圖后,依據最大類間方差法[9]進行點云的分割,原理是計算不同閾值分割出的兩類點云的類間方差大小,取方差最大時的閾值為最佳分割閾值。假設點云中有N個點,其高度范圍為[0,K],對應高度層級i的點云數量為n,其類間方差計算公式為

μ=ω1μ1+ω2μ2

(3)

σ2(t)=ω1(μ-μ1)2+ω2(μ-μ2)2

(4)

式中t—分割閾值;

σ2(t)—當前分割閾值下的類間方差;

ω1、ω2—T閾值下兩類點云的概率;

μ1、μ2—T閾值下的兩類點云的均值;

μ—點云的平均均值。

地面分割原理如圖4所示。其中,深色部分為地面,淺色部分為樹冠。

圖4 高程統計直方圖分割原理Fig.4 The segmentation principle of elevation statistics histogram

2.2.2 棗樹點云匹配算法

激光雷達掃描平臺1次作業只能完成棗樹的單面掃描,所獲取的點云數據只包含了棗樹大部分枝條,其對應關系較主干、地面明顯,便于點云的匹配。

在眾多的匹配算法中,應用最為成熟的一種匹配算法主要是ICP(Iterative Closest Point迭代最近點)算法[10-11]。該算法先通過兩點云P、Q中的最近點作為對應點計算點云間的旋轉變換參數R和平移參數T,再用此參數轉換點云后計算其誤差函數的大小來判斷轉換參數是否滿足設定閾值; 若滿足則停止,否則繼續迭代計算,直到滿足誤差函數的設定閾值以實現匹配。誤差函數為

(5)

2.2.3 棗樹點云分割算法

獲取棗樹點云后,通過歐式聚類算法分割棗樹點云。歐式聚類算法是基于點云中的不同點的距離大小對點云進行分類的算法。該算法依據領域關系,逐個判斷點與點之間的距離,小于閾值的點云歸為一類,大于閾值的則分為其他類別,直到搜索完所有點后完成點云的分割。

去除地面后,不同物體之間的距離明顯大于同一物體點云之間的距離;但考慮到田間環境復雜,依據點云中相鄰點之間的最大垂直距離作為最小分割距離,從而實現不同物體點云的分割。

激光雷達掃描獲取的點云具有相鄰點之間的距離隨著測量距離增加而不斷增加的特點,而單棵棗樹點云通過兩側點云合并得到,所以棗樹點云其實是兩邊密集、中間稀疏。掃描時,激光雷達相對于棗樹距離相對恒定,可以手工設定固定閾值進行分割。

點云間的相鄰距離依照下式計算,即

dL=tan(θ)Lc

(6)

式中dL—點云間的垂直距離;

θ—激光雷達的角分辨率;

Lc—激光雷達到棗樹的距離。

依照此距離,選取的歐式聚類距離為20 mm。

2.3 棗樹冠輪廓提取

由于本檢測平臺主要在樹行兩側對棗樹進行測量,所以樹行間的輪廓數據更能體現測量平臺的準確性。同行不同株棗樹樹枝存在不同程度的交錯現象,難以實現完整的分割,測量誤差較大,不足以體現測量平臺的準確性,所以不使用此數據進行對比。為快速提取棗樹的冠幅信息,擬通過提取樹行寬度方向上的極限點提取棗樹的南北冠幅。

2.4 模型構建與精度評價

采用線性模型對人工測量結果與激光雷達測量結果進行擬合對比,選取通用指標相關(R)、均方根誤差(RMSE)、相對誤差(RE)等參數對模型分析評價,通常R越大、RMSE越低、RE越小,說明模型的擬合效果越好。各參數公式如下:

(7)

(8)

(9)

3 試驗結果與分析

在阿拉爾13團的一處棗園分別通過手工測量和使用此檢測平臺采集40組棗樹冠幅數據,并計算其絕對差值,如表1所示。樣本采集場景圖5所示,軟件界面如圖6所示。其中,激光雷達的分辨率設置為0.5°、50Hz,滑軌的速度設定為30mm/s。

表1 棗樹冠幅參考值(人工測量值)與平臺檢測值Table 1 Reference value and platform detection value of crown width of jujube tree m

圖5 樣本采集場景Fig.5 The field trial

圖6 軟件界面Fig.6 The software interface

棗樹掃描對象示例如圖7所示。掃描所獲得的棗樹如圖8(a)所示,各處理結果如圖8(b)～8(d)所示,圖8(d)為提取出的棗樹點云。圖8(c)中,樹干擬合出圓柱形,取得了較理想的效果,但有部分地面物體未完全匹配,此部分為最初使用的地面標定物體,可能與作業時無意的認為移動有關,所以出現明顯偏移。

圖9為人工測量值和檢測平臺測量值線性模型y=1.0525x-0.09699,相關系數R=0.91,均方根誤差RMSE=0.06,相對誤差RE%=4.08%。各評價指標達到了較好的水平,認為此平臺的檢測效果較好。

圖9 參考值與測量值的線性模型Fig.9 Reference value and platform detection value of crown width linear model

4 結論

1) 設計了一種基于激光雷達和電動滑軌的果樹測量平臺,實現了果樹的自動匹配和提取。

2)提出了一種基于棗園特征實現棗樹點云的自動提取方法。

3)通過提取冠幅數據對比手工測量結果,對棗樹輪廓檢測平臺的準確性進行了評價:相關系數R=0.91,均方根誤差RMSE=0.06,相對誤差RE%=4.08%,均取得了較好的結果。這表明,此平臺和后處理對棗樹輪廓信息重建效果良好。