大棚智能除草機器人設計

侯光旭,王鑫淼,張 正,朱春艷,趙志鑫,黨奔奔

(黑龍江八一農墾大學 工程學院,黑龍江 大慶 163319)

0 引言

雜草是影響甚至危害作物生長的植物,雜草數量多種類復雜且根系龐大,會減少作物養分,導致作物水分養分不足,而且一些高大的雜草會嚴重干擾作物生長,影響作物透光、透風性,帶來各種病蟲害,使作物畸形生長,大大降低作物產量[1]。大棚中雜草種類復雜,如果不能及時去除,造成苗荒、草荒,會導致產量減產甚至絕收。在目前農業生產方式中,主要除草方式為人工除草和化學除草[2],但是這些除草方式有很大的缺點,人工除草在現階段有著許多弊端,比如勞動力成本高,工作強度大等,其優點是雜草分辨率和除草精度高,因而具有最優的除草效果[3];農藥雖然能有效抑制雜草,但也可能導致農藥在蔬菜中殘留量超標,從而導致作物品質低,環境污染加劇,不利于農業可持續發展。

伴隨著農業科技水平的發展與進步,衍生出機械除草方法,該方式的優勢是除草工作效率高、除草效果明顯且對作物傷害小,降低勞動力成本,減少大棚使用農藥帶來的危害,因此,本文設計了一種機械式智能除草機器人。

1 除草機器人結構組成

一般除草機器人主要組成部分可以分為5個模塊,分別是:感知系統、控制系統、驅動器和動力源、移動平臺、執行裝置。5個系統模塊互相配合,組成自動化機器人對雜草進行作業。

1.1 總體方案與關鍵部件設計

雜草種類復雜,且牛筋草、看麥娘、馬唐等雜草[4],顏色形狀與作物類似,區分難度較大,使用圖像識別技術識別出雜草的坐標軸后,通過執行機構對雜草進行作業[5],從而提高除草的精確度,減小傷苗率[6]。具體操作是在機器人到達開始位置后進行工作,深度攝像頭識別作物位置,使作物在圖像中以直線形式存在,根據作物位置不斷調整機器人的運動方向,使機器人進行直線運動并提高作業精度,在機器人到達工作位置后,行駛機構暫停,攝像頭識別雜草位置,三軸線性模組開始運動,使用執行機構到達工作位置,執行機構按照規定路徑進行工作,作業完成后,執行機構回到初始位置,控制箱發出信號,行駛機構運動,到達下一個工作位置,進行作業。除草機器人三維建模如圖1所示。

1.輪胎;2.行駛機構;3.控制箱;4.三軸線性模組;5.執行機構;6.深度攝像頭;7.割刀工作頭;8.割刀圖1 除草機器人三維建模

1.2 感知及控制系統

識別主要憑借圖像內容中的特征點,而提取圖像主要依靠攝像頭,現階段市場上主要的攝像頭種類為單目和雙目,本研究使用的是Intel D435雙目深度攝像頭[7]。控制系統是除草機器人的大腦,主要負責控制執行速度和運動方向,通過各種處理控制器實現作業功能[8]。根據運算效率和智能化程度的不同,其硬件載體分別是單片機、PLC、微型計算機開發板或專用工控機,處理控制器類型有Intel系列、樹莓派系列、西門子系列、三菱系列、AMD系列等;軟件系統包括Linux、Android、Windows等操作系統,依靠Python、Matlab和C++等語言開發機器人環境感知和路徑規劃算法等。控制處理模塊負責數據分析,例如采用卷積神經網絡(CNN)識別作物與雜草。決策模塊負責綜合判斷[9],機器人處理器選擇了Jetson Orin nano開發板。

1.3 移動平臺、驅動器和動力源

移動平臺會影響除草機器人作業穩定性和除草準確率,常用的移動平臺有輪式、履帶式、足式、復合式[10]。輪式機器人有著轉向能力好,操作性能佳的優點;履帶式機器人轉向能力較差,且運行速度不快,但與輪式相對比,履帶式越野能力更好,更加適合野外復雜環境,而輪式則更適合一些地面平坦的環境;足式機器人的移動平臺有二足、四足、六足等,主要優點是行進靈活性高,在復雜路面可快速運動,缺點是結構復雜,研究難度較高,制造成本也相對較高,適合一些精尖條件下去使用[11]。每種移動平臺有各自的優缺點,針對不同的工作環境選擇不同的移動平臺有時能取得事半功倍的效果,本研究根據大棚內的環境選擇了四輪式移動平臺。

驅動器主要是輔助執行機構完成作業提供動力的裝置,現在市場上大部分由氣動電動和液壓驅動組成。動力源大多為鋰電池或者能產生電力的太陽能板,但太陽能限制條件較大,并不能做到普及的情況,因此本機器人使用的是24 V鋰電池進行供電。

1.4 執行裝置

除草機器人的作業方式有許多種,現階段主要除草方式有噴灑農藥除草、機械裝置除草、火焰除草、人工除草、電擊除草、激光除草等,但現在主流的除草方式還是噴藥除草和人工除草,而噴藥除草會大量浪費使用農藥,還會對土地和作物產生污染,與綠色持久發展的除草方式相違背。近些年提倡使用不會產生太多污染的執行機構[12],如機械裝置除草、激光除草或電擊除草等。因此,本機器人選擇了旋轉式割刀除草。

2 Yolov5模型建立

2.1 數據采集及預處理

數據采集時間為2023年6月17日,數據采集地點在大慶市讓胡路區黑龍江八一農墾大學實驗田,試驗田谷子區域總共有十個壟,對每個壟拍攝40張圖片,共采集圖像400張,主要雜草為狗尾巴草、馬唐、藜類、薊類、牛筋草、苘麻、水棘針等,試驗田邊上種植了豆類作物,所以會有豆類幼苗,也需要去除,之后對所有圖片進行旋轉、鏡像、放大、縮小,這樣400張圖片擴大成了1 600張圖片,形成數據集,提升識別精度。

數據集標定使用LabelImg圖像標注工具,LabelImg是一個開源的圖像標注工具,用于創建和編輯圖像標注數據集。它提供了一個用戶友好的界面,使用戶能夠在圖像上繪制邊界框或者創建多邊形來標注目標物體的位置和形狀,點擊open dir按鈕導入數據集,再點擊change save dir更改輸出的xml文件位置,然后點擊create bectbox對雜草進行框選,把闊葉類雜草歸類為雜草1,如藜類等;禾本科雜草歸為雜草2,如狗尾巴草、牛筋草等;小型雜草歸為雜草3,如豆類幼苗;形狀特殊的苘麻與水棘針歸為雜草4和雜草5,以提高識別精度。

2.2 Yolov5網絡模型結構

Yolov5是Yolo系列模型之一,它的網絡模型可以分為4個部分:骨干網絡(Backbone),負責提取輸入圖像的高層語義特征;Neck負責處理骨干網絡中提取的特征圖;檢測頭(Head)是Yolov5最重要的部分之一,它是由一系列卷積層組成,用于預測目標類別、邊界框位置及目標置信度;Loss Function是Yolov5 使用的是一種基于目標檢測的損失函數。

使用Yolov5對數據集進行處理,硬件設備采用Nvidia Geforce RXT 3070Ti顯卡以及cuda 11.7版本和cudnn 8.4版本,分別對數據集進行了150次和300次的迭代訓練。訓練結果150次的準確率為82%,迭代300次的模型的準確率為91%,雜草識別結果如圖2所示。

試驗發現迭代次數越多對雜草的識別精度越高,環境對識別的干擾也更少,迭代次數越少越容易出現重復識別或者未識別的情況,表明Yolov5可以很好的對雜草進行識別。

2.3 雜草識別結果分析

使用迭代300次的模型對400張圖片進行識別處理,以每個壟為一組,40張圖片為一組,分別計算每個壟雜草1到雜草5識別精度的平均值,如表1所示。表1中可以看出,對于雜草1—闊葉類雜草的識別準確率是最高的,識別率在87.4 %,而雜草3、雜草4、雜草5的識別精度都在60 %左右,隨著序號變大,識別準確率在下降,可能是因為序號越大的壟,作物就越茂密,對陽光的遮擋強度和雜草的干擾也越大,所以識別更加困難。

表1 雜草識別率 單位:%

3 結論

本試驗基于Yolov5大棚雜草檢測算法,在Nvidia Geforce RTX 3070Ti顯卡下訓練,得到除草作業時影響除草率最大的因素在于圖像識別。在大棚環境中作業,受自然條件約束,如太陽光照產生的陰影對雜草識別精度產生的影響,所以現階段如何準確的識別雜草是一個很大的難題。由本試驗也可以看出,作物種植的密度對識別也會產生較大的干擾,在作物密集的環境下,雜草識別準確率會比作物種植密度適中的環境低10%左右,所以在今后的研究中,要考慮如何在不降低識別精度的情況下,減少光線和作物種植密度對識別的干擾。