機器視覺技術在農業機器人定位中的作用*

王瑞陽 ，徐 洋

（許昌電氣職業學院，河南 許昌 461000）

據統計，2018 年農戶在當地的自營收入出現了很大的下滑，而未出去打工的農戶收入比上年減少了3.86%，農民農業經營收入在農業增加值的占比較少，顯示農民在市場競爭中的弱勢地位[1]。實踐證明，唯有下大力氣推廣先進適用的農業機械，降低農民勞動強度，提升農業生產效率，增加農民效益，才能有效解決當前的農業和農村問題。因此，提升21世紀的農業智能化程度，將是當前乃至今后很長一段時間我國需要完成的一個重大課題，也是社會發展的必然趨勢[2]。

1 機器視覺技術在農業中的應用現狀

1.1 農產品分級

我國農產品要想走出國門，就必須對其進行質量分類與檢驗。現有的無損探測手段依賴于人工，耗時費力，且具有破壞性。比如，有研究學者提出利用融合西紅柿顏色特征和BP 神經網絡分類技術的方式，來對西紅柿的成熟期進行檢測[3]。這種方法對西紅柿成熟期的平均精度達到99.31%，標準誤差為1.2%。但存在的缺點是，一些水果表面的斑點會對試驗的效果產生一定的影響。通過圖像處理和機器學習，使用形態學和固定閾值劃分的方式來對水果進行分類，并使用SVM 支持向量機根據質地特征來獲取區分的結果，可以完成對一些水果的分類。在計算缺陷程度上，可以使用種子填補法進行標簽，來計算出缺陷的數量和面積，本研究通過對60 個水果進行測試，發現分類的準確率可以達到90%。因此，在對農產品質量進行檢測的技術上，要通過動態的檢測，來提升檢測的效率，并尋找出一種能夠對所有農產品進行鑒定的普遍的檢測方法[4]。

1.2 農產品自動采摘

在整個農業產業鏈中，農產品的采摘是效率低且極易產生損耗的環節。將計算機圖像處理技術應用于農產品的機械化自動采摘，是目前我國農業生產中最為熱門的研究方向[5]。有研究學者提出，利用激光采集的特點，通過降低光線的波動，并在發現“候選”水果的時候，將其分別對應一個區域（凸面區），并根據其表面的空間位置進行確定，最終判斷出一個農產品能否被采集。在采集過程中，將其采集的時間控制在30 s 以內，并可用于多種農產品的采集；利用橙色水果進行采集，利用二值化的圖像提取出樣品的輪廓線，完成采集，最終獲得的準確率可達98.6%，采集的速率可達25 s/個，但由于受到外部光線條件的限制，無法適應具體的使用場合[6]。與之相比，農業產品在自動化技術上的需求更加苛刻，當前色彩信息更加清晰的蔬菜和水果都能夠實現自動化。通過調查，得出了光照和熱量是影響作物的成長趨勢與成長環境的主要因素。因此，在未來要從這兩個方面來提高農產品收獲率。

2 農業機器人定位技術的應用現狀

2.1 視覺相對定位方法

視覺相對定位方法是通過附著在農業機器人的圖像傳感器上，收集它前進方向上的圖像，通過預處理、特征提取和分割以及圖像識別等方法，把它所感受到的2D 圖像轉化為3D 的空間數據[7]，然后對它進行探測，獲得一個導航的基線，可以判斷出兩個機器人之間的相互位置，從而可以在一個有一定規律的或者是一個被它弄得很不穩定的區域內，進行一個相對定位的導航的方法。通過視覺相對定位方法可實現農田作業機器人在復雜地形下的運動軌跡及側向運動軌跡的精確求解，實現農田作業在復雜地形及有衛星干擾的復雜地形下的相對定位[8]。

2.2 激光雷達相對定位方法

激光雷達定位自主導航是對周圍環境中點云信息進行檢測，通過點云對準、點云去噪等預處理，再通過分割、聚類等算法進行障礙物識別，利用分類、跟蹤算法實現對目標點的檢測，最后通過目標點與農業機器人本身之間的距離，結合測量角度，獲得目標點的極點位置，實時計算農業機器人與擬合操作路徑之間的航向偏差和橫向偏差，完成農用機器人在不同種植環境下的相對定位導航的方法。

2.3 激光雷達與視覺相機融合的定位方法

目前，多個多源融合技術主要包括：激光雷達-毫米波雷達（LiDAR-RADAR）融合技術，攝像機-攝像機融合技術，二維-攝像機融合技術，3D-攝像機融合技術。在探測和辨識方面，通過攝像機可以實現良好的目標識別，而激光雷達可以更好地進行目標位置的估計[9]。

3 機器視覺技術在農業機器人定位中的應用

3.1 基于機器視覺技術的目標坐標獲取方法

首先，在機器視覺中包含四種坐標系，世界坐標系、相機坐標系、圖像坐標系及像素坐標系[10]。在提取物體的坐標時，必須利用計算機圖像處理技術，對被辨識物體進行自動辨識，并根據物體在像素坐標系內的位置來判斷物體的方位。其次，通過對圖像坐標系、相機坐標系和世界坐標系的變換，獲得被辨識物體在現實世界的坐標。在此基礎上，在世界坐標系統和相機坐標系統的變換過程中，不會產生變形。通過使用平動與轉動，可以獲得它們之間的相互關系，其變換公式為：

在使用單目視攝像機對物體進行探測時，物體在影像中所出現的點的位置與其對應的變換關系為：

圖像坐標系統和像素坐標系統的關系如下表述，將像素之間沿x軸和y軸的每一單元間距設為dx和dy，(u,v)是像素中央的像素坐標，那么像素坐標系和圖像坐標系的轉換公式如下所示：

由上述公式可知，從圖像中的某個點的像素的位置(u,v)，可以得到并計算出目標的攝像機的坐標，也就是目標與攝像機的相對位置。所有的相關的物性參量都可以由照相機的校準得到。

由以上的論述可知，在已經知道了照相機內參數的條件下，對空間中的一個目標標點，通過其在像素坐標下的坐標(u,v)和與攝像機的距離d，可以得到該點相對于深度相機的坐標(xc,yc,zc)，xc、yc、zc單位都為mm。用顏色影像作為像素坐標，用深度影像來計算距離d。為了實現多個點在同一時間內的3D 坐標的同步獲取，必須對兩個點在不同顏色下的位置(uc,vc)和不同深度的位置(ud,vd)進行精確定位，這個問題被稱作“顏色-深度”兩幅影像的融合。在具體的運用中，可以先通過攝像機同時獲取地物的顏色影像和深度影像，然后將兩個影像進行合成。之后，利用機器視覺技術，對整合后的影像進行對象的探測，從而獲得在影像當中關于蘋果目標的邊界盒的信息，并對該邊界盒的中心點，也就是目標農產品的中心點在影像當中的位置進行了判斷。然后，利用攝像機和像素之間的空間位置變換，再根據影像中所儲存的空間位置，來確定物體與攝像機之間的位置。

3.2 基于機器視覺技術的機器人位置定位方法

基于視覺的距離測量技術是近年來興起的一種基于機器視覺的自主位置測量技術。該系統的核心是對由兩個視覺傳感元件采集到的一系列2D 影像中的特征點進行跟蹤，并對其進行自己的移動估算。主要研究內容包括：基于單目或雙目攝像頭采集的運動軌跡數據，對運動軌跡數據進行連續追蹤，獲得運動軌跡數據中6 個自由度（方位）的準確信息[11]。該方法完全依賴于視覺傳感獲得的影像，且每一次運算得到的位置數據都是與前、后兩幅影像相關的。當累積整體的位置出現偏差時，這些偏差可以互相抵消，不會出現如常規的行車記錄儀發生滑動時，測量結果的偏差會迅速增大，甚至導致無法進行準確的位置偏差測量。

特征點的獲取和匹配是該技術的關鍵環節，也是該技術的一個重要難題，其結果直接影響到了該技術在該領域中的應用結果。由于農田地形復雜，光照變化多樣，特別是強風下，作物葉片和樹枝會隨著光照變化而晃動，相機視野內的人體和動物也會呈現出一定的隨機性，加之農機作業具有一定的非規則性，使得相機拍攝到的影像往往會發生轉動和尺度變化，這給特征點的抽取與識別帶來了更大的難度。

在計算機視覺領域，最常見的就是利用點狀特征來提取圖像的部分位置，這些部分既能保持圖像中目標的基本特性，又能有效地減少所需的信息量。該方法利用圖像中的點狀信息，得到了兩個機械臂的相對移動位置，并實現了機械臂的定位。有研究學者給出了一種基于輪的移動機械臂的位置檢測算法。其中，確定相鄰圖像框架內同一組點集在相機前、后某個時間的相應的坐標值，從而得到相機的移動參數。照相機的移動參量也可以用轉動、移動等形式表達。在進行了立體和追蹤的匹配以后，將特征點與其相關聯，再進行3D 重構，從而獲得了其在相機坐標下的3D 坐標。而在此基礎上，根據已有的這些條件，來獲得相機坐標系的轉換參數，運動估計的數學模型如式（4）所示，希望通過找到變換R和T，使殘差平方和最小，進一步實現機器人位置的確定：

4 結論

隨著時代的發展與進步，機器視覺技術為人們的生活提供了巨大的便利。農業機器人作為目前農業領域的先進技術，為加速實現我國農業智能化、現代化建設提供了更多的可能。進一步結合機器視覺技術來解決農業機器人定位問題，是目前智能化農業機器人發展的必然趨勢。