溫室智能循跡小車系統(tǒng)穩(wěn)定性研究

陳 璇，張立勇，陳 超，孫 鵬，魏芳坤，張收港

（1.安徽科技學院機械工程學院，安徽滁州 233100；2.安徽唯嵩光電科技有限公司，安徽合肥 230088；3.安徽明生恒卓科技有限公司，安徽合肥 230094）

隨著我國經(jīng)濟的高速發(fā)展，居民對蔬菜、瓜果、花卉等農(nóng)產(chǎn)品的多元化需求日益增加。溫室大棚作為重要的農(nóng)業(yè)種植單元，溫室數(shù)量也越來越多[1]。如何實現(xiàn)智慧溫室的巡檢無人化，高效精準識別溫室環(huán)境路況信息，是當前現(xiàn)代農(nóng)業(yè)的一個新課題[2-3]。因此，行動便捷、循跡精準可靠的智慧小車在智慧溫室中的應用愈顯關(guān)鍵。該文以智慧農(nóng)業(yè)溫室大棚的實際需求為輸入，設(shè)計了一種智能循跡小車，可直接調(diào)用OpenCV 數(shù)據(jù)庫及函數(shù)，目標識別準確度高，循跡可靠性強，可進一步實現(xiàn)溫室監(jiān)控管理的無人化，提升了生產(chǎn)管控效率。

1 整體架構(gòu)

智能小車為四輪獨立驅(qū)動，包含輕量化鋁合金底盤結(jié)構(gòu)、視覺模塊、WiFi 模塊及報警音響模塊。小車所使用的主板為智能拓展（轉(zhuǎn)接）板NVIDIA?Jetson Nano?。相較流行的樹莓派，NVIDIA Jetson Nano 功能性更強，具有128 個強大的CUDA 核心的Maxwell GPU，是針對圖形處理較為高效的主板之一。同時該主板采用Linux 系統(tǒng)，可滿足人工智能拓展和深度開發(fā)需求[4]，并可直接調(diào)用樹莓派的GPIO控制庫，其具有較強的兼容性，更適合視覺開發(fā)和使用場景。雖然價格略高于樹莓派，但對于智慧溫室大棚來說，實現(xiàn)集成化、平臺化管理的愿景，Jetson Nano 的優(yōu)勢更加突出。

2 硬件

基于輕量化的鋁合金車架與四個獨立驅(qū)動控制的耐磨橡膠輪組成智能小車的底盤系統(tǒng)。通過四個直流減速電機及7.4 V 直流可充組合電池來實現(xiàn)小車運動控制。使用兩組舵機（伺服電機）控制視覺模塊的攝像頭（800 W 紅外高清）進行位置調(diào)整。車身整體設(shè)計滿足智慧溫室的實際場景需求，即所設(shè)計的小車車身寬度及軸距適應溫室通道及彎道的運動要求。此外，還可考慮預留功能端口，以便后續(xù)增設(shè)或拓展聲光報警的功能，進一步提高主板的靈活性及智能小車的多功能性。

3 控制系統(tǒng)

3.1 主板

基于Jetson Nano 主板的靈活性，其可適用較多類型的高級網(wǎng)絡，可實現(xiàn)圖像的識別、對象檢測和定位、姿勢估計、語義分割等功能。此外，該主板還配置了具有樹莓派特性的40 引腳。

3.2 視覺循跡舵機模塊

該文設(shè)計的智能循跡小車是基于PID 算法對攝像頭的位置誤差進行處理分析的。PID 由于結(jié)構(gòu)相對簡單、較優(yōu)的特性，被人們廣泛地熟知與應用[5-6]。作為最常用的控制器之一，PID 不具有參數(shù)自整定功能[7]。在實際運用過程中，追蹤的目標或路線會發(fā)生變化，因此在智能小車循跡的過程中需要對目標計算進行修正。為保證目標或路線一直處于拍攝圖像的中心位置，進而調(diào)整舵機的位置，即改變攝像頭的x方向和y方向。攝像頭運動軌跡示意圖如圖1 所示。

圖1 攝像頭運動軌跡示意圖

設(shè)定初始位置坐標為（x0,y0）,偏移量為（xt-x0,yty0）,不斷進行驗證，得出最優(yōu)比例系數(shù)Kp、最優(yōu)積分系數(shù)Ki、最優(yōu)微分系數(shù)Kd。結(jié)合樹莓派的特點，在智能小車試驗測試過程中，設(shè)定像素窗口為（640,480），則中心位置為（320,240）。

其中，舵機的位置與脈沖關(guān)系為：

1）1 ms 高脈沖→舵機轉(zhuǎn)角0°；

2）1.5 ms 高脈沖→舵機轉(zhuǎn)角90°；

3）20 ms 高脈沖→舵機轉(zhuǎn)角180°。

在實際使用過程中，結(jié)合溫室的實際條件，小車攝像頭舵機擺角一般在45°～150°，且需要對攝像頭的位置零點進行校驗，對每次舵機旋轉(zhuǎn)角度進行定義，從而實現(xiàn)舵機的精準定位。攝像頭舵機的角度應基于溫室的實際路況及環(huán)境條件進行設(shè)置，對于明顯具有識別障礙的參數(shù)需要及時進行修正調(diào)整。

4 視覺處理系統(tǒng)

目前，關(guān)于視覺學習和算法較為流行的工具庫就是OpenCV，其經(jīng)過不斷優(yōu)化和發(fā)展，計算效率較高。現(xiàn)階段以O(shè)penCV 視覺數(shù)據(jù)庫為核心，利用已截取的圖像來完成邊緣檢測和角點提取與檢測[8]、開發(fā)出人臉識別疲勞駕駛的檢測系統(tǒng)[9]、手寫數(shù)字識別系統(tǒng)[10]。

4.1 智能小車的顏色識別

由于RGB 通道并不能很好地反映出物體具體的顏色信息，而HSV 空間能夠非常直觀地表達色彩的明暗、色調(diào)以及鮮艷程度，方便進行顏色之間的對比（RGB 受光線影響很大，在實際溫室應用過程中，將會出現(xiàn)諸多困擾），其圖像分割效果較好[11]。該文所設(shè)計的智能循跡小車的目標追蹤功能，是基于OpenCV 的HSV 對路徑目標線進行顏色檢測追蹤來實現(xiàn)的。其中，1）Hue（H）：色調(diào)、色相（具體的顏色）；2）Saturation（S）：飽和度、色彩純凈度；3）Value（V）：明度。

H 的范圍是[0,179]，S 的范圍是[0,255]，V 的范圍是[0,255]。

為構(gòu)建HSV 色彩空間，需要根據(jù)色相通道(Channel)對顏色類型進行建模。RGB 顏色空間中的顏色使用三個通道進行編碼，結(jié)合OpenCV 中inRange()函數(shù)編碼如下：

void inRange(Input Array src,輸入圖像

Input Array lowerb,H、S、V 的最小值，Scalar(low_H,low_S,low_V)

Input Array upperb,H、S、V 的最大值，Scalar(low_H,low_S,low_V)

Output Array dst；輸出圖像)

如選擇偏藍色的區(qū)域范圍：色彩范圍即BGR(255,170,0)到BGR(255,0,42)；

1）B、G、R 通道的范圍分別為0～255，0～170，0～42；

2）下限lower bound=Scalar(0,0,0)，上限upper bound=Scalar(255,170,42)。

4.2 智能循跡小車的識別測試

4.2.1 小車靜態(tài)識別訓練

該文創(chuàng)建了一種多色彩路徑模擬實驗，通過小車對路徑顏色BGR 值的定義要求，測試小車對路徑顏色的識別準確性以及排除干擾的能力。定義黃色路徑線的BGR 值為（33,171,209），則下限lower bound=Scalar(14,100,100），上 限upper bound=Scalar(34,255,255)。其中，作為干擾因素的黃色小球的BGR 值為（40,188,254）。

首先測試小車對多色彩路徑的識別及抗干擾能力，對于色彩相近的黃色小球，小車也能夠進行準確辨別，抗干擾能力較強。

為模擬小車在不同位置及角度對黃色路經(jīng)線的識別及定位，依次進行了三組測試。并基于系統(tǒng)靜態(tài)捕獲的黃色區(qū)域中心點坐標進行統(tǒng)計分析，計算小車對黃色路徑線的穩(wěn)態(tài)識別準確率。將系統(tǒng)設(shè)置為每1 s 記錄三組坐標值，靜態(tài)測試時間為31 s，共計93組坐標數(shù)據(jù)。系統(tǒng)準確率測試結(jié)果如圖2-4所示。

圖2 多色彩路徑穩(wěn)態(tài)識別準確率測試1

圖3 多色彩路徑穩(wěn)態(tài)識別準確率測試2

圖4 多色彩路徑穩(wěn)態(tài)識別準確率測試3

從圖2-4 中可以看出，在進行黃色路徑識別的靜態(tài)測試中，小車整體識別率較高。測試過程中有部分特征點溢出，可能的原因有小車無線通信模塊卡槽安裝松動、室內(nèi)無線通信網(wǎng)絡連接用戶過多等。經(jīng)過調(diào)整卡槽的安裝并設(shè)置室內(nèi)無線網(wǎng)絡連接用戶上限，實現(xiàn)了穩(wěn)態(tài)識別準確率逐步提升。多色彩路徑穩(wěn)態(tài)識別準確率如表1 所示。

表1 多色彩路徑穩(wěn)態(tài)識別準確率

4.2.2 小車動態(tài)識別訓練

為定位目標物體，需要對拍攝圖像的某一特定區(qū)域進行分析，即篩選對象，并對此進行動態(tài)實時追蹤，所使用的是基于OpenCV 的imutils 函數(shù)，其整合了OpenCV、numpy 和matplotlib 等相關(guān)操作，可用來進行圖形、圖像、視頻的處理分析以及疫情期間的人臉識別[12]等。

試驗采用黃色小球進行目標測試驗證，黃色小球的BGR 值為（40,188,254），則下限lower bound=Scalar(11,100,100），上限upper bound=Scalar(31,255,255)。定義黃色小球的上下邊界后，引用imutils 函數(shù)進行測試，追蹤黃色小球運動軌跡如圖5 所示。

圖5 追蹤黃色小球運動軌跡

為確定目標物的實時位置，對黃色小球的中心進行標記，并建立中心位置的x，y坐標。小車攝像頭的舵機跟隨黃色小球進行運動，調(diào)用mapObjectPosition(int(x),int(y))函數(shù)導出中心位置坐標，如表2 所示。

表2 中心位置坐標

4.3 智能循跡小車的循跡訓練學習

溫室智能小車基于溫室內(nèi)路況設(shè)置條件，可以按照既定顏色的地標線進行自動循跡行駛。小車循跡邏輯如圖6 所示。為驗證小車在溫室內(nèi)的實際路況及相關(guān)光照條件下的工作效果，根據(jù)試驗路線圖進行試驗模擬。將智能小車攝像頭向下調(diào)節(jié)一定傾斜角度，確保數(shù)據(jù)采集角度與循跡行駛的角度一致，從而實現(xiàn)對小車的訓練學習。

圖6 智能小車循跡邏輯

將小車在多色彩路徑識別的環(huán)境及靜態(tài)識別信息歸入數(shù)據(jù)集，按照訓練邏輯完成小車行駛過程的路徑識別訓練。目前，卷積神經(jīng)網(wǎng)絡的應用研究領(lǐng)域越來越廣[13]，該文小車所使用的模型為PyTorch 深度學習框架中的ResNet18 神經(jīng)網(wǎng)絡模型（17 個卷積層，一個FC 層）。PyTorch 和Tensor flow 是目前較為主流的框架[14]，該模型圖像分類性能高，模型較為準確、穩(wěn)定[15-16]。通過回歸訓練后轉(zhuǎn)移至Jetson Nano 上執(zhí)行操作，并將輸出的最優(yōu)模型應用于后續(xù)的路徑識別測試中。

該文設(shè)計了一種多直角彎的多色彩運動測試路徑，主行駛路線顏色及形狀保持不變，對路線外的顏色區(qū)域進行隨機調(diào)整變化，以實現(xiàn)對小車在復雜環(huán)境下的運動策略的驗證，實際測試效果如圖7 所示。

圖7 多直角彎的行駛路徑設(shè)計

在多直角彎的行駛路徑各拐點進行拐角標示，共計四個拐角，同時對終點也進行了標記。小車自出發(fā)點開始行駛，依次到達4 個拐點及終點時，小車行駛速度根據(jù)測試路徑信息及舵機進行PID 自適應調(diào)節(jié)。經(jīng)捕獲的拐點特征記錄如圖8 所示。

圖8 小車行駛到達拐點的形態(tài)記錄

經(jīng)過多輪次循跡測試，綜合來看，小車對黃色路徑的識別準確度較高，在直角拐點處的舵機響應相對迅捷。其中，小車在拐點處偶有停頓現(xiàn)象，可能是目標特征捕獲區(qū)域中心點超限，設(shè)置的舵機云臺俯角不合理所致，經(jīng)后期調(diào)試攝像頭俯角可以改善這一問題。

結(jié)合試驗測試及驗證結(jié)果可知，小車在智慧農(nóng)業(yè)溫室大棚中運用的可行性較強。但是實際使用過程中，需要考慮地標線的顏色取值，盡可能與溫室作物、環(huán)境有明晰區(qū)分，以便更好地實現(xiàn)小車捕捉特征及準確響應。此外，應合理配置溫室內(nèi)的無線通信網(wǎng)絡，避免因信號不佳而出現(xiàn)小車數(shù)據(jù)傳輸不及時、卡頓現(xiàn)象。

5 結(jié)論

隨著智慧農(nóng)業(yè)溫室功能的多元化發(fā)展，溫室無人化管理的應用需求越來越強。該文基于OpenCV數(shù)據(jù)庫，針對智慧農(nóng)業(yè)溫室的實際需求設(shè)計了一種智能循跡小車，可以實現(xiàn)對環(huán)境中特征顏色的靜態(tài)識別、動態(tài)追蹤。通過多組試驗測試，識別并調(diào)整小車安裝模塊，同時，設(shè)置室內(nèi)網(wǎng)絡連接用戶上限，實現(xiàn)了小車目標識別準確率由86%提升至100%。同時，基于卷積神經(jīng)網(wǎng)絡模型的訓練學習，小車循跡行駛軌跡準確率較高，具備在智慧農(nóng)業(yè)溫室推廣使用的條件。此外，課題研究的共性技術(shù)也可以進一步應用于智能化倉儲管理、智能地下作業(yè)環(huán)境監(jiān)控及物聯(lián)網(wǎng)領(lǐng)域、安全消防領(lǐng)域，具有廣闊的推廣應用前景。