大田甘藍作物行識別與對行噴霧控制系統設計與試驗

韓長杰 鄭 康, 趙學觀 鄭申玉 付 豪 翟長遠

(1.新疆農業大學機電工程學院，烏魯木齊 830052；2.北京市農林科學院智能裝備技術研究中心，北京 100097；3.國家農業智能裝備工程技術研究中心，北京 100097)

0 引言

農業機械自動對行技術能有效提高機具的定位精度、作業效率、降低漏作面積、減少勞動強度[1-3]，被廣泛用于收獲[4]、噴藥[5]、除草[6]等農業生產中。自動對行技術的核心是作物行識別與對行控制。機器視覺具備感知實時性強[7]、信息豐富[8]、成本低[9]等特點，廣泛應用于作物行識別[10-13]。國內外研究人員基于機器視覺對作物行識別開展了深入的研究，提出了多種有效方法[14-16]。陳子文等[17]將不同Hough變換累加值獲得的擬合直線投影到參數空間，通過K-means方法聚類參數空間數據，利用最優累加閾值下參數空間中的聚類質心作為識別的作物行。陳嬌等[18]利用垂直投影獲取作物行定位點并采用Hough變換對多行作物進行檢測，算法耗時為219.4 ms。Hough變換可解決由于作物行的非平行性而難以建立感興趣區域的問題，但Hough變換適應性有限，并且其計算量大，計算時間長。最小二乘法相較于Hough變換實時性表現較好，該方法通過對特征點集做最小二乘擬合獲得作物行中心線，通常獲取特征點集的方式分為條帶分割法和移動窗口法。MONTALVO等[19]利用移動窗口法提出了一種高雜草密度玉米田作物行檢測方法，在處理效率上優于經典的Hough變換。但上述方法受算法耗時、田間環境等因素限制，精準性與魯棒性有待進一步提高。而且，均未針對作物行的缺苗情況進行針對性研究，難以滿足實際作業需求。

作業機具在行走過程中，機具與作物行相對位置不固定、對行機構慣性大，要求對行控制系統能夠快速響應，穩定運行[20-22]。常見的控制方法包括PID控制[23-24]、模糊控制[25-26]、最優控制[27-29]等。DONG等[30]設計了白蘆筍收獲機器人的行間導航系統，利用PID控制器實現軌跡跟蹤。陳軍等[31]在獲得機具運動的期望值與目標值基礎上，利用最優控制進行控制實現。然而上述方法在參數調整、克服大延時、非線性模型上的應用具有局限性。

本文提出一種多作物行自適應ROI的識別算法，融合垂直投影與條帶分割法尋找特征點，進行最小二乘直線擬合。根據作物行中心線幾何關系構建偏移補償模型，選擇經典PID中的PD控制，以期使機構執行量在田間偏差快速變化時得到強化調節。

1 對行噴藥系統組成與工作原理

1.1 系統結構組成

大田對行噴霧機結構如圖1所示，主要由工業相機、供藥系統、動力系統、對行機構、行走總成組成。噴霧機輪距為1.5 m，軸距為1.66 m。供藥系統采用三缸柱塞泵，額定工作壓力為8 MPa，流量為1.35 L/min。動力系統采用風冷柴油機，額定功率為33 kW，以保證機具在田間穩定運行。噴霧機幅寬為1.8 m，左右移動最大行程0.44 m，能提供4行噴霧。視覺采集設備為工業相機(LPCP10190_1080P型，新佳華電子有限公司)，采集像素為1 920像素×1 080像素，焦距為2 mm,視場范圍為1 320 mm×1 050 mm，安裝在車體前部中心位置，距離地面0.9 m。

圖1 對行噴霧機結構示意圖Fig.1 Composition of row-oriented sprayer system1.工業相機 2.供藥系統 3.動力系統 4.對行機構 5.行走總成

1.2 對行機構設計

對行機構結構如圖2所示，對行機構安裝在噴霧機高度調整支架上，電動推桿一端固定在滑動模塊的直線軌道上，另一端與移動滑軌的滑塊連接，滑塊通過固定件連接噴桿。當系統接收到執行信號時，電動推桿帶動滑塊做往復直線運動，實現對行動作。電動推桿選用LUILEC可編程電動推桿，行程為0.44 m，供電電壓12 V，推力100 N時，速度可達0.18 m/s。

圖2 對行機構結構示意圖Fig.2 Structure diagram of row-oriented mechanism1.噴頭 2.電動推桿 3.滑動模塊 4.噴桿

1.3 控制系統軟件設計

控制系統軟件開發環境為基于MFC框架的Visual Studio軟件，采用圖像處理庫 OpenCV進行算法實現。該軟件主要實現甘藍作物行實時檢測、獲取作物行偏移信息后與控制端的同步交互、在線保存試驗數據的功能。如圖3所示，軟件界面包括視頻顯示窗口、信息顯示窗口、硬件控制窗口、數據保存窗口、串口通信窗口。系統工作時，在視頻顯示窗口的左側顯示監控畫面，右側顯示作物行識別畫面；信息顯示窗口可實時展示分割閾值、視覺檢測偏移量、對行執行偏移量；硬件控制窗口通過點擊按鈕可實現工業相機的打開關閉、算法處理、視頻保存等功能；數據保存窗口通過新建地塊按鈕保存每次試驗的視覺檢測偏移量和對行執行偏移量；串口通信窗口可與下位機進行實時通信。

圖3 控制系統軟件界面Fig.3 Control system software interface

1.4 控制系統設計

對行噴霧控制系統組成如圖4所示，工業相機采集圖像經USB傳輸至計算機，計算機的控制系統軟件實時計算作物行偏移量，并通過USB-CAN轉接方式與電子控制單元(Electronic control unit,ECU)通信，其中計算機、ECU通過USB-CAN轉換模塊連接。同時，安裝的速度編碼器采集機具行駛速度v1傳輸至ECU，根據偏移補償模型 ECU獲得對行機構響應速度v2。ECU通過電機驅動采用脈寬調制(Pulse-width modulation,PWM)控制直流電機速度調節推桿橫移速度，利用霍爾編碼器實時獲得推桿偏移量，反饋至ECU，實現位移閉環控制。

圖4 對行控制系統組成Fig.4 Composition of row-oriented control system

2 基于機器視覺的作物行識別

2.1 圖像預處理

田間圖像信息復雜，圖像背景包含雜草、土壤、沙礫等；同時田間采集的圖像顏色特征提取會受光照不均、陰影、反射等因素影響。為實現作物與背景可靠分割，采用4種不同的分割算方法在不同天氣情況下做比較，選擇效果最優的算法。

(1)Lab顏色空間的a通道表示從綠色到紅色的過渡。將采集的數字圖像從RGB顏色空間轉換為Lab顏色空間，而后將Lab顏色空間分離成L通道、a通道、b通道，利用a通道對綠色信息的敏感性，將彩色信息與灰度信息分離，a通道灰度圖如圖5b所示。

(2) HSV顏色空間由色調、飽和度、亮度3個通道描述。為獲得目標作物的顏色分割，根據 HSV顏色空間范圍，將H通道、S通道、V通道設置在綠色閾值范圍內，對HSV圖像進行掩模操作，得到其灰度圖，如圖5c所示。

(3) RGB顏色空間可分離成3個獨立的顏色分量，利用超綠算子在3個顏色分量前乘以對應的權重，得到超綠 (Extra green,ExG)計算式為

ExG=2G-R-B

(1)

灰度圖像如圖5d所示。

(4)通常綠色作物顏色分量G的亮度遠高于顏色分量R、B，土壤顏色分量B的亮度高于顏色分量R、G，由此做出相應的顏色分量組合G-R、G-B，進行與操作，得到改進ExG計算式為

I=(G-R)&(G-B)

(2)

圖5 灰度圖比較Fig.5 Grayscale images in different ways

改進超綠灰度圖像如圖5e所示。由圖5可知，Lab-a分割算法在晴天和多云天氣條件下可將目標作物較為完整的分離，但在雨天條件下存在較多的噪聲，同時Lab-a算法耗時107 ms。利用HSV分割算法，可以使目標作物與土壤背景明顯分割，但部分圖像有不同程度的葉面孔洞，并且HSV分割算法在4種分割算法中耗時最多。ExG算法的灰度圖像在晴天光照下作物葉片存在過度分割的現象，給后期處理增加難度。改進的ExG算法展現出較好的分割效果，作物葉片分割完整清晰，較小的干擾噪聲被有效抑制。通過統計以上4種算法耗時得到Lab-a算法耗時107 ms，HSV算法耗時260 ms，超綠ExG算法耗時19 ms，改進的ExG算法耗時24 ms，綜合考慮算法的分割效果、算法耗時、后期形態學處理復雜度，選擇改進的ExG算法作為作物與土壤背景分割方法。由于使用固定閾值很難達到作物與背景分割，故使用最大類間方差求取動態閾值。改進ExG分割算子記為

(3)

式中T1——G-R閾值T2——G-B閾值

由于前期分割算法效果良好，形態學處理僅需對二值圖像先進行閉運算消除噪聲，后進行開運算填充部分孔洞，結果如圖6所示。

圖6 二值化效果Fig.6 Binary image and morphological processing image

2.2 作物行檢測

為實時準確獲取作物行中心線，算法應具有抗噪聲干擾、耗時短等特點。通過建立多作物行自適應感興趣區域(Region of intresting,ROI)確定多作物行位置，能有效減少非行內噪聲影響；利用條帶分割與限定閾值垂直投影的方式獲取ROI內的特征點，可以避免在獲取特征點時分類算法耗時長的問題。對各個特征點集做最小二乘擬合提取作物行中心線，可提升算法處理效率。

2.2.1自適應ROI

甘藍采用機械化移栽定植的方式，其種植特點可以為作物行定位提供視覺特征。本文采用垂直投影法對預處理圖像進行ROI劃分。已知預處理圖像寬度為W，高度為H，垂直投影表達式為

(4)

式中 (i,j)——垂直投影點的坐標

P(i,j)——垂直投影的目標像素

S(j)——第j列目標像素的累加值

由于株間距大、田間噪聲、葉片分離，造成垂直投影存在很多間斷的細小波峰，為避免細小波峰的干擾，采用均值濾波對垂直投影直方圖進行平滑處理，濾波結果如圖7所示。

圖7 垂直投影濾波效果Fig.7 Projected images with filter

圖8 算法分析Fig.8 Algorithm analysis diagram

表1 系數選擇Tab.1 Coefficient selection

由圖8可得到數學表達式為

(5)

式中Ln——上升沿邊界

Rn——下降沿邊界

S(j)max——目標像素最大累加值

如圖8b所示，上下沿邊界之間的寬度為Wn，各個寬度之間的間隙為Gn，兩個上下沿邊界的中心為作物行感興趣區域定位點Dn。當Wn小于上下邊界之間的平均寬度時，將該寬度上下邊界坐標舍去。當Gn小于各個寬度之間的間隙平均值時，將該間隙兩側上下沿寬度合并。由此，根據Dn的位置獲得ROI的定位點，建立自適應ROI，定位效果如圖9所示。

圖9 ROI定位圖Fig.9 Images with ROI located

2.2.2特征點集獲取

特征點獲取技術路線如圖10所示，確定ROI位置后，需要在ROI內尋找特征點。將每個ROI進行條帶分割，并對條帶內像素進行垂直投影處理。已知ROI寬度為w，高度為h；ROI內條帶尺寸為w×Δh，ROI內條帶個數為m=h/Δh，m取10。條帶垂直投影的數學表達式為

(6)

式中p(i,j)——條帶中目標像素

s(j) ——條帶中目標像素累加值

圖10 特征點獲取技術路線圖Fig.10 Feature point acquisition technology roadmap

在預處理圖像中列向葉面面積占比越大，垂直投影中列向目標像素累加值越高。算法設計如下：從左至右遍歷條帶s(j)，當s(j)小于限定閾值Tf時，將其排除統計范圍；反之，繼續遍歷，直至遍歷出滿足大于限定閾值Tf的列高s(j)，并記錄該列高的橫坐標j。實際情況中，有若干個符合條件的列高，故將第1個符合條件列高的橫坐標jfirst和最后1個符合條件列高橫坐標jlast兩者求和取中值，確定作物行特征點(Δh/2，j)坐標。并在ROI內以步長Δh向下遍歷，得到若干特征點，并存放至特征點集Qn，直至將ROI內所有水平條帶遍歷完成方可結束，算法效果如圖11所示。

圖11 條帶分割的垂直投影圖Fig.11 Image of projected stripes

在典型條帶(Q1，1)中，限定閾值過濾了不符合要求的垂直投影，保留了葉片面積占比較大的垂直投影，尋找到滿足限定閾值條件的首個與末個的列高并記錄橫坐標，并取兩者中值。對滿足條件的取值范圍進行重繪，可以看出垂直投影中值坐標恰與特征點位置對應(圖12)。

圖12 典型條帶(Q1,1)示意圖Fig.12 Typical strip of (Q1,1)

2.2.3作物行擬合

作物行擬合流程如圖13所示，預處理圖像經過自適應ROI定位，建立若干個ROI窗口，每個ROI通過水平條帶的劃分獲取作物行特征點，將各自ROI內的特征點存入對應的特征點集Qn。由于特征點的非線性分布，不能獲得精確的函數,但可以通過最小平方和誤差尋找特征點的最佳函數擬合。在獲得作物行特征點集參數Qn(xi,yi)條件下，假設擬合中心線的參數估計量為a、b,直線方程為

yi=axi+b(i=1,2,…,n)

(7)

其中

(8)

(9)

由式(8)、(9)反解出a、b的最佳組合，獲得最小二乘擬合直線。

圖13 作物行擬合流程圖Fig.13 Procedure of crop-row fitting

在作物行檢測中(圖14)，3個作物行取得了3個特征點集，利用最小二乘擬合，將擬合直線重映射到原圖像，自適應ROI框選出各個作物行位置范圍，作物行中心線穿過每個作物的質心，尋找出最優路徑。

圖14 作物行檢測圖Fig.14 Image of final crop-row detection

3 偏移量補償模型與對行控制實現

為實現對行噴霧，需要計算作物行偏移信息。作物行偏移量為噴霧機噴頭在水平方向上與作物行中心線的直線距離。在偏移量補償模型中(圖15)，區域A為相機視場區域，區域B為視場盲區。作物行中心線為y=kx+c,點(x1,y1)為區域A內作物行中心線上一點到絕對坐標系O的相對坐標，D為該點到噴頭的橫向實際距離，可得

(10)

圖15 偏移量補償模型Fig.15 Offset compensation model

工業相機安裝在噴霧機前端，噴頭安裝在噴霧機尾部，兩者之間存在一定距離，即點(x1,y1)到噴頭的縱向實際距離為l1。由此可知，對行執行機構接收到執行信號時不能立即執行，需要調速控制。安裝在噴藥機地輪上的速度編碼器得到機具速度為v1，為保證執行機構的運動穩定性，需要將對行延時執行時間t1設置安全邊界，即

(11)

只有當機具前進l1所用時間滿足安全邊界條件時，對行機構才能執行完成補償偏移量D。據此可以建立偏移量補償模型，得到對行機構響應速度為

(12)

為提升偏移量補償模型的響應速度，引入基于PID控制軌跡追蹤算法。根據上述推導的對行機構運動模型，設計位置控制環，即

(13)

式中d——偏移量誤差

kp、ki、kd——比例系數、積分系數、微分系數

Δd0——第1次偏移量誤差

O——PWM控制信號占空比

圖16 PI、PD控制比較Fig.16 Comparison of PID controls

并對PI控制、PD控制進行對比分析，通過將指定的偏移量與實際的控制量以10 ms為周期實時打印并保存至計算機，結果如圖16a、16b所示，目標量在120 mm時，PI控制、PD控制的最大偏差值分別為8.9、12.4 mm，PI控制響應時間為770 ms，PD控制的響應時間為530 ms，并且在該段時間內PD控制的平均穩態誤差為2.9 mm。如圖16c所示，在機具行進過程中對行執行機構頻繁動作，控制系統給推桿電機的信號為頻繁階躍的狀態，系統常出現未達到穩態就響應下次的情形，系統側重于較短的響應時間，并且穩態誤差相對于對行噴霧處于接受范圍內，因此選擇PD控制。為減少誤差調節過程中出現的振蕩、失穩現象，使得執行機構響應速度在短時間內快速強化，將積分系數ki置零，通過手動整定，得到比例系數kp為1.5，微分系數kd為20。

4 試驗與結果分析

4.1 作物行識別試驗

工業相機固定在同步帶中心線上方80 cm處，進行實時拍照。在同步帶粘貼絕緣膠帶作為絕對坐標中心線，并在絕對坐標中心線-10～10 cm范圍內布置甘藍行，每行布置10枚植株，與絕對坐標中心線的偏移量采用計算機提供的隨機數。甘藍植株通過自制的苗托固定在同步帶平臺的皮帶上，通過驅動器調節同步帶速度，以模擬噴藥機與地面的相對運動。

為驗證識別算法的準確性，分別進行了單行和雙行作物行識別對比試驗，每種情況進行10組重復試驗，識別單行、雙行作物圖像各80幅。根據相機視場像素寬度與物理寬度進行圖像測距標定，以此統計圖像的識別偏差、識別偏差平均值、識別準確率。實驗室試驗如圖17所示，甘藍與絕對坐標中心線的坐標已知，連接兩株作物可以得到一條實際中心線，該條線與絕對坐標中心線的截距是實際偏移量Or；識別算法得到的作物行中心線與絕對坐標中心線偏移量為識別偏移量Op，實際偏移量與識別偏移量之差的絕對值為識別偏差Ep，當識別偏差大于5 cm視為識別無效。針對兩行作物時能夠完整提取兩行作物行中心線視為識別有效。

統計結果如表2所示，單行識別偏差為0～6 cm，雙行識別偏差為0～5 cm，由于葉片倒伏超出ROI范圍，改變了擬合線的權重，導致偏差范圍增大。在單行識別時，識別偏差均值為1.67 cm；在雙行識別時，識別偏差均值為1.81 cm，單、雙行識別偏差均值并無明顯差別，說明在雙行情況下識別效果依然穩定，識別準確率均在95.00%以上，滿足識別要求。

不同像素的圖像耗時對比結果如表3所示。

圖17 實驗室試驗Fig.17 Laboratory test1.工業相機 2.甘藍幼苗 3.絕對坐標中心線 4.同步帶

表2 實驗室試驗結果Tab.2 Laboratory test results

表3 算法耗時Tab.3 Algorithm time-consuming statistics

由表3可知，算法最小平均耗時為41 ms；算法最大平均耗時為162 ms，可以滿足實時提取作物行中心線。對比單、雙行可以看出，目標像素越多，算法耗時越久。理論上，雙行平均耗時是單行平均耗時的兩倍，但從表3的720像素×540像素可以看出，雙行耗時明顯小于單行耗時的兩倍，由于識別算法提出的自適應ROI，僅在ROI區域內進行算法處理，不對整幅圖像進行處理，提升了雙行識別的運算速度。

4.2 缺苗魯棒性與光照強度試驗

4.2.1缺苗魯棒性試驗

場地試驗在小湯山國家精準農業研究示范基地開展，采用視頻采集及離線處理的方式進行。視頻采集設備為GoPro相機HERO_9，采集分辨率為1 920像素×1 080像素，視頻輸出格式為MP4。為評估算法缺苗情況的魯棒性，結合旱地移栽機械的性能指標[32]，考慮不同程度的缺苗情況，將作物行設置為重度(缺苗率15%)、中度(缺苗率10%)、輕度(缺苗率5%)。考慮單、雙行對比，在水泥地布置缺苗的單、雙作物行。當機具朝作物行方向前進時，打開GoPro相機錄像，完成視頻采集。視頻利用Free Video to JPG Converter軟件以10幀/s的頻率轉換為JPG圖像，對321幅圖像進行處理，單行情況下，識別算法能夠識別作物行并提供作物行偏移量，視為識別成功；雙行情況下，場地試驗如圖18所示，在缺苗條件下能夠識別一條及以上的作物行中心線并提供作物行偏移量，視為識別成功，當識別算法能夠識別圖像中所有作物行時，視為全行識別成功。

圖18 場地試驗Fig.18 Pavement test

場地試驗結果如表4所示，單行重度缺苗情況下識別準確率僅為87.37%；雙行重度缺苗情況下識別準確率為93.11%，說明在重度缺苗的情況下，雙行識別準確率優勢明顯，主要是識別算法的多行自適應ROI設計能夠在多行缺苗時提供一條及以上的作物行中心線，提升了識別的準確率，保證算法在極端條件下的穩定性。對比單行識別準確率與雙行的全行識別準確率，在各個缺苗情況下，雙行的全行識別準確率均高于單行識別準確率。在輕度缺苗情況下，單行識別準確率為93.33%，雙行的全行識別準確率96.83%，由于多行因素可以給識別算法提供更多的顏色信息，使得全行識別準確率得到提升，說明了識別算法在多行條件下有較好的適應性。

表4 場地試驗結果Tab.4 Pavement test results %

4.2.2光照強度試驗

為研究光照強度對識別算法的影響，在小湯山國家精準農業研究示范基地基于作物行識別算法進行全天不同時段的光照試驗。利用小型氣象站獲取田間光照強度信息，在田間按照株距40 cm、行距35 cm布置雙行甘藍行，每行50株，并在行間居中處放置位置坐標尺，記錄每個植株在位置坐標尺的坐標，得到作物行的實際偏移量。工業相機安裝在大田對行噴霧樣機前端中心線處。機具行走時，識別系統實時保存識別偏移量，實際偏移量與識別偏移量之差的絕對值為識別偏差。當識別系統提供一條及以上作物行中心線且識別偏差小于5 cm,視為識別準確。

不同光照強度試驗結果如表5所示。在7.65×104lx的迎光條件下，算法識別效果最好，在8.54×104lx的迎光條件下，算法識別效果最差，說明當光照過于強烈會影響前期的目標分割，進而影響作物行定位效果。當光照強度在1.63×104lx時，算法識別準確率普遍較低，如圖19d、19h所示，由于光照強度不足，迎光、背光都會在機具與作物上產生陰影，導致光照不均，影響識別定位效果。當光照強度在4.76×104lx時，迎光、背光的試驗結果較為均衡，說明在合適的光照條件時識別算法的結果較為穩定。結合表5、圖19可以看出，在時間段11:00—14:00、16:00—18:00內時，過低、過高的光照強度對識別準確率存在消極影響，在時間段09:00—11:00、14:00—16:00內試驗的識別準確率均不小于92.0%,識別偏差均值也相對較低，說明在合適、均勻的光照條件下，算法識別效果會有明顯提升。

表5 不同光照試驗結果Tab.5 Light intensity test results

圖19 光照測試結果示意圖Fig.19 Light intensity test results

4.3 田間試驗

4.3.1識別算法田間試驗

為探究田間不同天氣、不同雜草密度下算法的識別效果，利用GoPro相機采集晴天、多云、雨天甘藍作物行視頻，并對視頻進行分幀處理。在3種天氣條件下，對不同雜草密度區間各取15幅圖像作為試驗材料，通過人工計數得到每幅圖像的雜草數量。利用識別算法對圖像進行處理，當識別結果可提供一條及以上的作物行中心線，且與人工提取中心線的偏移誤差小于20像素時(720像素×540像素)，視為識別成功[14-17]。

雜草試驗結果如表6所示，在晴天、多云環境下，雜草密度為8～39株/幅時，識別成功率為100%，如圖20a、20b所示，合適的光照條件、較小的雜草密度，使得識別算法對目標作物的分割定位準確，為作物行擬合奠定好的基礎。雨水條件下，受光照條件影響算法識別成功率整體下降，當雜草密度為41～59株/幅時，算法識別成功率僅為86.67%，如圖20c所示，雜草密度的上升，增加了作物行識別難度。總體上，伴隨著雜草密度的遞減、光照強度達到合理區間，識別成功率呈上升趨勢。在不同天氣、不同雜草密度下，算法的識別成功率較為穩定，算法平均識別成功率為95.56%，可為對行噴霧作業提供視覺引導。

表6 雜草試驗結果Tab.6 Weed pressure test results

圖20 雜草測試Fig.20 Weed test results

利用采集的50幅田間圖像，將本文算法與其他作物行識別算法進行比較。由表7可知，垂直投影的識別成功率為84.0%，平均耗時為382 ms，Hough變換的識別成功率為78.0%，平均耗時為421 ms。垂直投影法受限于作物行特征點的聚類問題，使得垂直投影法在算法耗時上不占優勢。如圖21c所示，在直線擬合時，Hough變換需要控制的參數較多，時常出現擬合線串行的情形，對識別成功率影響較大。本文算法利用自適應ROI實現區域內垂直投影，避免了耗時較大的聚類過程，提高了作物行識別的實時性。

表7 算法比較Tab.7 Algorithm comparison

圖21 不同算法結果對比Fig.21 Results of algorithm comparison

4.3.2系統田間試驗

圖22 田間試驗Fig.22 Field test

田間試驗在小湯山國家精準農業研究示范基地的甘藍試驗田進行。如圖22所示，甘藍田為起壟種植，壟寬1.5 m，壟距0.6 m，每壟種植4行甘藍，行距0.4 m，株距0.35 m。工業相機安裝在大田對行噴霧樣機前端中心線處，為記錄噴桿的運動軌跡，在噴桿的噴頭中間固定沙漏，并在兩作物行間布置位置坐標尺。控制系統部署于車載計算機，試驗時，大田對行噴霧機勻速向前行駛，對行機構接收指令帶動沙漏在作物行間留下撒沙痕跡。撒沙完成后，人工量取每株甘藍與沙痕的橫向偏移，并記錄當前位置坐標。

圖23 視覺-執行偏移量擬合圖Fig.23 Fitting line diagram of visual-execution offset

通過記錄噴霧機行駛的視覺檢測、對行執行偏移量，選取典型位移段中的40組樣本點繪制視覺-執行偏移量擬合點線圖，如圖23所示。整體上，對行執行偏移有明顯地向視覺檢測偏移貼近趨勢。當行駛位移在A段時，該段的視覺檢測偏移量與對行執行偏移量偏差大于其他段偏差，最大偏差達到3.42 cm，主要是該段有缺苗情況，對行機構調整時間相對減少造成的。當行駛位移在B段時，該段偏差小于其他段偏差，最小偏差為0.22 cm，由于該段種植條件好，使得執行機構無需過多調整。統計視覺檢測偏移量均值為-5.77 cm，對行執行偏移量均值為-5.92 cm，兩者的均值偏差為0.15 cm,可見當視覺信號發出后，對行執行機構能及時響應，穩定執行。

作物行與對行軌跡偏差如表8所示，在不同車速下作物行與對行軌跡偏差分別為1.54、2.01、2.71 cm，隨著車速的增大，作物行與對行軌跡的偏差均值與標準差有增大趨勢；圖24為不同車速下作物行與對行軌跡的偏差。由圖24a、24c可知，隨著車速增加，偏差在0～5 cm波動范圍隨之擴大，在5 cm以上的偏差樣本數量增多，對行精度也隨之下降。由于沙漏與噴桿是剛性連接，車速越大，噴桿振動越劇烈，沙漏也會伴隨車體晃動，反映在地面對行軌跡有一定的時滯；其次，對行執行機構在額定功率下，車速增大，電機的加速度增加，機構執行速度下降，致使偏差增大。

表8 作物行與對行軌跡偏差統計Tab.8 Offset statistics of crop-row and following track in comparison

綜上可知，車速變化會影響對行質量。當車速為0.74 m/s時，偏差在5 cm內的比例為86.67%，滿足噴霧機對行作業需要。當車速為0.45 m/s時，對行偏差均值為1.51 cm，偏差在5 cm內的比例為93.33%，試驗結果最佳。

圖24 不同車速下軌跡偏差Fig.24 Diagrams of offset at different velocities

5 結論

(1)以生長早期甘藍為研究對象,進行了作物行識別算法研究與對行噴霧控制系統設計，搭建了基于視覺的對行噴霧控制系統。

(2)進行了基于視覺的作物行識別方法研究，提出了多行自適應ROI的定位方法、基于限定閾值垂直投影特征點的作物行提取方法。根據已知作物行中心線幾何關系，構建對行機構的偏移量補償模型，獲得對行追蹤PID控制方法。

(3)作物行識別試驗結果表明，實驗室條件下作物行識別準確率在95.00%以上，圖像處理平均最快耗時為41 ms。缺苗魯棒性試驗結果表明，自適應ROI設計提升了識別算法的識別效果，在多行缺苗條件下識別準確率不小于93.11%，說明算法具有較強的魯棒性。全天光照試驗表明，在09:00—11:00、14:00—16:00時間段內試驗的識別效果最佳。在田間針對識別算法的雜草測試中，試驗整體平均識別成功率為95.56%，說明較為穩定，識別效果能夠為田間作業提供視覺引導。田間試驗結果表明，田間環境下，對行偏差均值為1.54 cm，偏差在5 cm內的比例達93.33%，說明該系統田間適應性強，能有效快速地獲取作物的特征信息，準確地檢測出作物行，實現精準對行控制。