CN110516563A - 基于dsp的农业移栽机智能路径导航方法 - Google Patents

基于dsp的农业移栽机智能路径导航方法 Download PDF

Info

Publication number
CN110516563A
CN110516563A CN201910719991.1A CN201910719991A CN110516563A CN 110516563 A CN110516563 A CN 110516563A CN 201910719991 A CN201910719991 A CN 201910719991A CN 110516563 A CN110516563 A CN 110516563A
Authority
CN
China
Prior art keywords
rice shoot
spatial position
agriculture
transplanter
straight line
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910719991.1A
Other languages
English (en)
Inventor
周慧鑫
阳文涛
韦顺
于跃
宋江鲁奇
向培
杨官坤
赵东
张喆
秦翰林
王炳健
赖睿
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian University of Electronic Science and Technology
Original Assignee
Xian University of Electronic Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xian University of Electronic Science and Technology filed Critical Xian University of Electronic Science and Technology
Priority to CN201910719991.1A priority Critical patent/CN110516563A/zh
Publication of CN110516563A publication Critical patent/CN110516563A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20036—Morphological image processing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于DSP的农业移栽机智能路径导航方法，对固定有两个可见光相机的农业移栽机进行数学建模，并对可见光相机进行畸变校正；对获取到的秧苗空间位置的亮度‑蓝色色度‑红色色度颜色空间视频信号进行下采样，再转化成秧苗空间位置分布的超绿特征分量视频信号，并对视频中秧苗空间位置分布图像序列进行灰度化处理；确定秧苗空间位置分布灰度图像的阈值，并且分割提取出目标秧苗的信息；提取秧苗所在空间区域的中心点；对提取得到的秧苗空间位置中心点进行拟合，获得秧苗位置分布对应的导航直线，通过该导航直线进行导航。本发明能够实现农业移栽机在田间自动导航行驶并插秧。

Description

基于DSP的农业移栽机智能路径导航方法
技术领域
本发明属于农业移栽机的智能路径导航技术领域，具体涉及一种基于DSP的农业移栽机智能路径导航方法。
背景技术
当前中国经济快速发展，科学技术不断发展进步，国家大力推行农耕机械化，农业也逐渐向着现代化农业发展。虽然传统的农业机械可以代替农民的很大一部分劳动，在很大程度上缓解农民在耕作时的劳累，但仍然需要人的操控来完成耕种。由于人在长时间驾驶农业机械进行耕种时，容易出现注意力不集中导致机器行驶时偏航，从而导致漏播重播等现象，导致耕种不精细、耕种土地资源浪费等问题。因此，如何更好地规划农业机器的田间行驶路径，控制农业机械自动完成耕种操作，研制出农业移栽机的智能路径导航系统显得尤为重要。目前已有的农业移栽机大部分都需要人手动进行控制完成农作物的移栽，由于耕作环境复杂多样，现有的农业移栽机还不能实现自动规划路径、智能导航并播种的功能。
发明内容
有鉴于此，本发明的主要目的在于提供一种基于DSP的农业移栽机智能路径导航方法。
为达到上述目的，本发明的技术方案是这样实现的：
本发明实施例提供一种基于DSP的农业移栽机智能路径导航方法，该方法为：
对固定有两个可见光相机的农业移栽机进行数学建模，并对可见光相机进行畸变校正；
对获取到的秧苗空间位置的亮度-蓝色色度-红色色度颜色空间视频信号进行下采样，再将下采样后的秧苗空间位置分布的亮度-蓝色色度-红色色度颜色空间视频信号转化成秧苗空间位置分布的超绿特征分量视频信号，并对视频中秧苗空间位置分布图像序列进行灰度化处理；
对灰度化的秧苗空间位置分布图像序列中每一帧秧苗空间位置分布灰度图像通过均值方差法确定秧苗空间位置分布灰度图像的阈值，并使用阈值分割提取出目标秧苗的信息；
通过形态学滤波去除秧苗空间位置分布灰度图像中的干扰物，再通过基于密度的聚类方法提取秧苗所在空间区域的中心点；
对提取得到的秧苗空间位置中心点进行拟合，获得秧苗位置分布对应的导航直线，通过该导航直线对农业移栽机进行导航和插秧控制。
上述方案中，所述对固定有两个可见光相机的农业移栽机进行数学建模，具体为：使用像素坐标系XOY作为建模时的参照坐标系，假设秧苗空间位置分布图像中距离移栽机最近的禾苗位置拟合直线为y＝kx+b，其中k为该直线的斜率，b为截距，将该拟合直线作为导航直线；设农业移栽机行驶方向和导航直线的夹角为ω(-90°<ω<90°)，将农业移栽机行驶方向逆时针旋转角度ω后与导航直线重合时ω为正，反之为负，根据导航直线和行驶方向的几何关系可得ω＝arctan(-1/k)，(k≠0)；秧苗空间位置分布图像中心C在可见光相机坐标系里面的坐标为(xC，yC)，可得秧苗空间位置分布图像中心和导航直线的距离lou为
根据可见光相机的线性成像性质可知在现实世界中实际的中心点和禾苗所在直线的距离L为
其中H为可见光相机与地面之间的高度，f为可见光相机的焦距，α是比例系数。
上述方案中，所述对可见光相机进行畸变校正，具体为：使用公式
对可见光相机进行畸变校正，求得空间物体在没有畸变情况下在像素坐标系中的理想坐标；式中q为距离参数，q2＝x2+y2，其中(x,y)为秧苗空间位置分布图像坐标系中的坐标；(u0,v0)为秧苗空间位置分布图像坐标系原点O0在像素坐标系上的坐标；(u′,v′)为空间物体在像素坐标中的实际坐标点；(u,v)为待求空间物体在像素坐标中的理想坐标点，k1、k2、k3为畸变系数。
上述方案中，对获取到的秧苗空间位置的亮度-蓝色色度-红色色度颜色空间视频信号进行下采样，再将下采样后的秧苗空间位置分布的亮度-蓝色色度-红色色度颜色空间视频信号转化成秧苗空间位置分布的超绿特征分量视频信号，并对视频中秧苗空间位置分布图像序列进行灰度化处理，具体为：使用固定在农业移栽机前端两侧的两个可见光相机正对着地面成像，获得秧苗空间位置分布的亮度-蓝色色度-红色色度颜色空间视频信号，使用长宽各为1/4的随机下采样，将上述视频信号中大小为640×480大小的秧苗空间位置分布图像序列下采样转化成160×120大小的秧苗空间位置分布图像序列，再使用公式SuperGreen＝-7.838(Cb-128)-3.222(Cr-128)将亮度-蓝色色度-红色色度颜色空间视频信号转化成超绿特征分量视频信号，式中SuperGreen为超绿特征分量，Cb，Cr分别为亮度-蓝色色度-红色色度颜色空间中蓝色和红色的色度信息，然后将超绿特征分量视频信号中的秧苗空间位置分布图像序列转化成秧苗空间位置分布灰度图像序列。
上述方案中，所述对灰度化的秧苗空间位置分布图像序列中每一帧秧苗空间位置分布灰度图像通过均值方差法确定秧苗空间位置分布灰度图像的阈值，并提取出目标秧苗的信息，具体为：使用公式t＝e+w·std计算出秧苗空间位置分布灰度图像的阈值，式中，e为秧苗空间位置分布灰度图像灰度的均值，Std为秧苗空间位置分布灰度图像的标准差，w为常数，t为计算得到的阈值，再使用公式对秧苗空间位置分布灰度图像进行阈值分割，式中，f(x,y)为秧苗空间位置分布灰度图像中点(x,y)处的灰度值，t为使用公式t＝e+w·std计算出秧苗空间位置分布灰度图像的阈值，ft(x,y)是经过分割后的点(x,y)的值。
上述方案中，所述对灰度化的秧苗空间位置分布图像序列中每一帧秧苗空间位置分布灰度图像通过均值方差法确定秧苗空间位置分布灰度图像的阈值，并提取出目标秧苗的信息，具体为：采用数学形态学中的开运算对阈值分割后的秧苗空间位置分布灰度图像进行滤波处理，去除秧苗空间位置分布灰度图像中干扰物；再使用参数邻域为5，邻域密度为30的基于密度的聚类方法获取秧苗所在空间区域的中心点。
上述方案中，所述对提取得到的秧苗空间位置中心点进行拟合出秧苗位置分布对应的导航直线，通过该导航直线对农业移栽机进行导航和插秧控制，具体为：对于在农业移栽机左侧的可见光相机，使用20×120像素的移动感兴趣框从右往左遍历二次筛选直线拟合点，只有当感兴趣框中的点数大于等于3时，才对当前框中的秧苗空间位置中心点使用最小二乘法进行直线拟合，否则继续以步长为8个像素单位的方式继续移动感兴趣框，直到满足条件；对于在农业移栽机右侧的可见光相机，则移动感兴趣框从左往右遍历二次筛选直线拟合点，其他步骤和左侧一致；拟合好的直线作为导航直线，将导航直线的斜率截距代入ω＝arctan(-1/k)，(k≠0)和中，得到农业移栽机的行驶姿态调整参数，用于指引农业移栽机自动完成行驶和插秧的工作。
与现有技术相比，本发明能够实现农业移栽机在田间自动导航行驶并插秧，在机械化的基础上进一步减轻人的工作负担。
附图说明
图1为本发明中的可见光相机安装位置模型俯视图；
图2为本发明中的可见光相机视场角示意图；
图3为本发明中的可见光相机畸变示意图；
图4为本发明中的可见光相机采集图像场景模型图；
图5为本发明中的禾苗空间位置原始分布图、下采样分布图和超绿特征分量分布图；
图6为本发明中的禾苗空间位置分布图像阈值分割图；
图7为本发明中的禾苗空间位置分布图像形态学滤波图和基于密度的聚类方法提取的禾苗中心点分布图；
图8为本发明中的使用感兴趣区域搜索法获取的导航直线图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明实施例提供一种基于DSP的农业移栽机智能路径导航方法，该方法为：将两个可见光相机分别固定在农业移栽机前端两侧，让可见光相机正对地面成像，然后对固定有可见光相机的农业移栽机进行数学建模，并对可见光相机进行畸变校正；使用可见光相机获取秧苗空间位置分布的亮度-蓝色色度-红色色度颜色空间视频信号，将获取到的秧苗空间位置的亮度-蓝色色度-红色色度颜色空间视频信号进行下采样，再将下采样后的秧苗空间位置分布的亮度-蓝色色度-红色色度颜色空间视频信号转化成秧苗空间位置分布的超绿特征分量视频信号，并对视频中秧苗空间位置分布图像序列进行灰度化处理；对灰度化的秧苗空间位置分布图像序列中每一帧秧苗空间位置分布灰度图像采用均值方差法求出秧苗空间位置分布灰度图像的阈值，并使用阈值分割方法提取出目标秧苗的信息；使用形态学滤波去除秧苗空间位置分布灰度图像中的干扰物，再使用基于密度的聚类方法提取秧苗所在空间区域的中心点；对提取得到的秧苗空间位置中心点使用最小化平方法拟合出秧苗位置分布对应的导航直线，使用该导航直线对农业移栽机进行导航和插秧控制。
所述将两个可见光相机分别固定在农业移栽机前端两侧，让可见光相机正对地面成像，然后对固定有可见光相机的农业移栽机进行数学建模，并对可见光相机进行畸变校正，具体为：将两个分辨率为640×480，帧频为25帧/秒的可见光相机固定在农业移栽机前端两侧，使其正对地面成像，并且在成像时能够无障碍地观察到地面上已经种植好的禾苗的分布情况。可见光相机的摆放位置满足可见光相机中秧苗空间位置分布图像的长边和农业移栽机行驶方向垂直，而短边和农业移栽机行驶方向平行。固定好可见光相机后对固定有可见光相机的农业移栽机进行数学建模。
所述对固定有可见光相机的农业移栽机进行数学建模，具体为：使用像素坐标系XOY作为建模时的参照坐标系，假设秧苗空间位置分布图像中距离移栽机最近的禾苗位置拟合直线为y＝kx+b，其中k为该直线的斜率，b为截距，并将该拟合直线作为导航直线。设农业移栽机行驶方向和导航直线的夹角为ω(-90°<ω<90°)，将农业移栽机行驶方向逆时针旋转角度ω后与导航直线重合时ω为正，反之为负，根据导航直线和行驶方向的几何关系可得ω＝arctan(-1/k)，(k≠0)，ω用于为农业移栽机自动导航时的方向控制提供依据，k＝0时表示农业移栽机行驶方向和导航直线方向一致。秧苗空间位置分布图像中心C在可见光相机坐标系里面的坐标为(xC，yC)，可得秧苗空间位置分布图像中心和导航直线的距离lou为
根据可见光相机的线性成像性质可知在现实世界中实际的中心点和禾苗所在直线的距离L为
其中H为可见光相机与地面之间的高度，f为可见光相机的焦距，α是比例系数，它与可见光相机本身参数相关，通过用定标法确定。根据实际所需的L的大小，调整农业移栽机的行驶姿态，保证秧苗之间相隔距离恒定。为确保秧苗空间位置分布图像中心和导航直线的相对位置始终准确，在导航时还应该保证kxC-yC+b＜0。
使用公式
对可见光相机进行畸变校正，求得空间物体在没有畸变情况下在像素坐标系中的理想坐标。式中q为距离参数，q2＝x2+y2，(x,y)为秧苗空间位置分布图像坐标系中的坐标；(u0,v0)为秧苗空间位置分布图像坐标系原点O0在像素坐标系上的坐标；(u′,v′)为空间物体在像素坐标中的实际坐标点；(u,v)为待求空间物体在像素坐标中的理想坐标点，k1、k2、k3为畸变系数，由基于MATLAB的可见光相机标定法求得。
具体的，图1为可见光相机在农业移栽机上的安装位置模型俯视图，图1中移栽机机身宽K车，机身长L车，插秧口间距为d列，车轮间距为L轮，方块表示出苗口，圆点表示可见光相机，并以出苗口中点为原点OC，出苗口所在行为XC轴，移栽机车身方向为YC轴，建立直角坐标系OCXCYC。图2为农业移栽机上可见光相机的视场角示意图，图2中，表示可见光相机视场角，L表示可见光相机视场内地面宽度，H是可见光相机距地高度。图3为可见光相机畸变示意图，图3中切向畸变dt是可见光相机成像在镜头的切向方向上的失真，这是可见光相机制造安装带来的一种固有性畸变；径向畸变dr是可见光相机成像在镜头的径向方向上的失真，主要是由于光在整个透镜面传播时发生扭曲，一般在可见光相机的视场边缘畸变最严重。图4为可见光相机采集秧苗空间位置分布图像场景模型图，XOY为可见光相机中的像素坐标系，Z方向表示移栽机当前行驶方向，方框表示可见光相机视场，C点表示可见光相机中心点，十字型点块表示参考目标(禾苗)，线条表示距离移栽机距离最近的参考目标拟合直线，本实例中将它视为导航直线，箭头直线表示平行于导航直线的直线方向。L为可见光相机中心点距离导航直线的距离，将行驶方向与参考目标线的夹角设定为ω。
所述使用可见光相机获取秧苗空间位置分布的亮度-蓝色色度-红色色度颜色空间视频信号，将获取到的秧苗空间位置的亮度-蓝色色度-红色色度颜色空间视频信号进行下采样，再将下采样后的秧苗空间位置分布的亮度-蓝色色度-红色色度颜色空间视频信号转化成秧苗空间位置分布的超绿特征分量视频信号，并对视频中秧苗空间位置分布图像序列进行灰度化处理，具体为：使用固定在农业移栽机前端两侧的两个可见光相机正对着地面成像，获得秧苗空间位置分布的亮度-蓝色色度-红色色度颜色空间视频信号，使用1/16(长宽各为1/4)的随机下采样，将上述视频信号中大小为640×480大小的秧苗空间位置分布图像序列下采样转化成160×120大小的秧苗空间位置分布图像序列，再使用公式SuperGreen＝-7.838(Cb-128)-3.222(Cr-128)将亮度-蓝色色度-红色色度颜色空间视频信号转化成超绿特征分量视频信号，式中SuperGreen为超绿特征分量，Cb，Cr分别为亮度-蓝色色度-红色色度颜色空间中蓝色和红色的色度信息，然后将超绿特征分量视频信号中的秧苗空间位置分布图像序列转化成秧苗空间位置分布灰度图像序列。如图5所示，图5-(a)为亮度-蓝色色度-红色色度颜色空间中禾苗空间位置分布图像，图5-(b)为亮度-蓝色色度-红色色度颜色空间中下采样之后的禾苗空间位置分布图像，图5-(c)为超绿特征分量禾苗空间位置分布灰度图像。
所述对灰度化的秧苗空间位置分布图像序列中每一帧秧苗空间位置分布灰度图像采用均值方差法求出秧苗空间位置分布灰度图像的阈值，并使用阈值分割方法提取出目标秧苗的信息，具体为：使用公式t＝e+w·std计算出秧苗空间位置分布灰度图像的阈值，式中，e为秧苗空间位置分布灰度图像灰度的均值，Std为秧苗空间位置分布灰度图像的标准差，w为常数，t为计算得到的阈值，再使用公式对秧苗空间位置分布灰度图像进行阈值分割，式中，f(x,y)为秧苗空间位置分布灰度图像中点(x,y)处的灰度值，t为使用公式t＝e+w·std计算出秧苗空间位置分布灰度图像的阈值，ft(x,y)是经过分割后的点(x,y)的值。阈值分割后的秧苗空间位置分布灰度图像如图6所示。
所述使用形态学滤波去除秧苗空间位置分布灰度图像中的干扰物，再使用基于密度的聚类方法提取秧苗所在空间区域的中心点，具体为：采用数学形态学中的开运算对阈值分割后的秧苗空间位置分布灰度图像进行滤波处理，去除秧苗空间位置分布灰度图像中干扰物；再使用参数邻域为5，邻域密度为30的基于密度的聚类方法获取秧苗所在空间区域的中心点。如图7所示，图7-(a)为对阈值分割之后的图像进行形态学滤波处理后得到的图像，图7-(b)为对形态学滤波处理后的图像使用基于密度的聚类方法求出秧苗所在空间位置的中心点后的图像。
所述对提取得到的秧苗空间位置中心点使用最小化平方法拟合出秧苗位置分布的直线，使用该直线对农业移栽机进行导航和插秧控制，具体为：对于在农业移栽机左侧的可见光相机，使用20×120像素的移动感兴趣框从右往左遍历二次筛选直线拟合点，只有当感兴趣框中的点数大于等于3时，才对当前框中的秧苗空间位置中心点使用最小二乘法进行直线拟合，否则继续以步长为8个像素单位的方式继续移动感兴趣框，直到满足条件；对于在农业移栽机右侧的可见光相机，则移动感兴趣框从左往右遍历二次筛选直线拟合点，其他步骤和左侧一致。拟合好的直线作为导航直线，将导航直线的斜率截距代入ω＝arctan(-1/k)，(k≠0)和中，得到农业移栽机的行驶姿态调整参数，用于指引农业移栽机自动完成行驶和插秧的工作。图8为使用感兴趣框搜索可用于导航的秧苗所在区域，并对框中的秧苗空间位置中心点进行直线拟合示意图，红色框为感兴趣区域。
以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。

Claims (7)

1.一种基于DSP的农业移栽机智能路径导航方法，其特征在于，该方法为：
对固定有两个可见光相机的农业移栽机进行数学建模，并对可见光相机进行畸变校正；
对获取到的秧苗空间位置的亮度-蓝色色度-红色色度颜色空间视频信号进行下采样，再将下采样后的秧苗空间位置分布的亮度-蓝色色度-红色色度颜色空间视频信号转化成秧苗空间位置分布的超绿特征分量视频信号，并对视频中秧苗空间位置分布图像序列进行灰度化处理；
对灰度化的秧苗空间位置分布图像序列中每一帧秧苗空间位置分布灰度图像通过均值方差法确定秧苗空间位置分布灰度图像的阈值，并使用阈值分割提取出目标秧苗的信息；
通过形态学滤波去除秧苗空间位置分布灰度图像中的干扰物，再通过基于密度的聚类方法提取秧苗所在空间区域的中心点；
对提取得到的秧苗空间位置中心点进行拟合，获得秧苗位置分布对应的导航直线，通过该导航直线对农业移栽机进行导航和插秧控制。
2.根据权利要求1所述的一种基于DSP的农业移栽机智能路径导航方法，其特征在于，所述对固定有两个可见光相机的农业移栽机进行数学建模，具体为：使用像素坐标系XOY作为建模时的参照坐标系，假设秧苗空间位置分布图像中距离移栽机最近的禾苗位置拟合直线为y＝kx+b，其中k为该直线的斜率，b为截距，将该拟合直线作为导航直线；设农业移栽机行驶方向和导航直线的夹角为ω(-90°<ω<90°)，将农业移栽机行驶方向逆时针旋转角度ω后与导航直线重合时ω为正，反之为负，根据导航直线和行驶方向的几何关系可得ω＝arctan(-1/k)，(k≠0)；秧苗空间位置分布图像中心C在可见光相机坐标系里面的坐标为(xC，yC)，可得秧苗空间位置分布图像中心和导航直线的距离lou为
根据可见光相机的线性成像性质可知在现实世界中实际的中心点和禾苗所在直线的距离L为
其中H为可见光相机与地面之间的高度，f为可见光相机的焦距，α是比例系数。
3.根据权利要求1或2所述的一种基于DSP的农业移栽机智能路径导航方法，其特征在于，所述对可见光相机进行畸变校正，具体为：使用公式
对可见光相机进行畸变校正，求得空间物体在没有畸变情况下在像素坐标系中的理想坐标；式中q为距离参数，q2＝x2+y2，其中(x,y)为秧苗空间位置分布图像坐标系中的坐标；(u0,v0)为秧苗空间位置分布图像坐标系原点O0在像素坐标系上的坐标；(u′,v′)为空间物体在像素坐标中的实际坐标点；(u,v)为待求空间物体在像素坐标中的理想坐标点，k1、k2、k3为畸变系数。
4.根据权利要求3所述的一种基于DSP的农业移栽机智能路径导航方法，其特征在于，对获取到的秧苗空间位置的亮度-蓝色色度-红色色度颜色空间视频信号进行下采样，再将下采样后的秧苗空间位置分布的亮度-蓝色色度-红色色度颜色空间视频信号转化成秧苗空间位置分布的超绿特征分量视频信号，并对视频中秧苗空间位置分布图像序列进行灰度化处理，具体为：使用固定在农业移栽机前端两侧的两个可见光相机正对着地面成像，获得秧苗空间位置分布的亮度-蓝色色度-红色色度颜色空间视频信号，使用长宽各为1/4的随机下采样，将上述视频信号中大小为640×480大小的秧苗空间位置分布图像序列下采样转化成160×120大小的秧苗空间位置分布图像序列，再使用公式SuperGreen＝-7.838(Cb-128)-3.222(Cr-128)将亮度-蓝色色度-红色色度颜色空间视频信号转化成超绿特征分量视频信号，式中SuperGreen为超绿特征分量，Cb，Cr分别为亮度-蓝色色度-红色色度颜色空间中蓝色和红色的色度信息，然后将超绿特征分量视频信号中的秧苗空间位置分布图像序列转化成秧苗空间位置分布灰度图像序列。
5.根据权利要求4所述的一种基于DSP的农业移栽机智能路径导航方法，其特征在于，所述对灰度化的秧苗空间位置分布图像序列中每一帧秧苗空间位置分布灰度图像通过均值方差法确定秧苗空间位置分布灰度图像的阈值，并提取出目标秧苗的信息，具体为：使用公式t＝e+w·std计算出秧苗空间位置分布灰度图像的阈值，式中，e为秧苗空间位置分布灰度图像灰度的均值，Std为秧苗空间位置分布灰度图像的标准差，w为常数，t为计算得到的阈值，再使用公式对秧苗空间位置分布灰度图像进行阈值分割，式中，f(x,y)为秧苗空间位置分布灰度图像中点(x,y)处的灰度值，t为使用公式t＝e+w·std计算出秧苗空间位置分布灰度图像的阈值，ft(x,y)是经过分割后的点(x,y)的值。
6.根据权利要求5所述的一种基于DSP的农业移栽机智能路径导航方法，其特征在于，所述对灰度化的秧苗空间位置分布图像序列中每一帧秧苗空间位置分布灰度图像通过均值方差法确定秧苗空间位置分布灰度图像的阈值，并提取出目标秧苗的信息，具体为：采用数学形态学中的开运算对阈值分割后的秧苗空间位置分布灰度图像进行滤波处理，去除秧苗空间位置分布灰度图像中干扰物；再使用参数邻域为5，邻域密度为30的基于密度的聚类方法获取秧苗所在空间区域的中心点。
7.根据权利要求6所述的一种基于DSP的农业移栽机智能路径导航方法，其特征在于，所述对提取得到的秧苗空间位置中心点进行拟合出秧苗位置分布对应的导航直线，通过该导航直线对农业移栽机进行导航和插秧控制，具体为：对于在农业移栽机左侧的可见光相机，使用20×120像素的移动感兴趣框从右往左遍历二次筛选直线拟合点，只有当感兴趣框中的点数大于等于3时，才对当前框中的秧苗空间位置中心点使用最小二乘法进行直线拟合，否则继续以步长为8个像素单位的方式继续移动感兴趣框，直到满足条件；对于在农业移栽机右侧的可见光相机，则移动感兴趣框从左往右遍历二次筛选直线拟合点，其他步骤和左侧一致；拟合好的直线作为导航直线，将导航直线的斜率截距代入ω＝arctan(-1/k)，(k≠0)和中，得到农业移栽机的行驶姿态调整参数，用于指引农业移栽机自动完成行驶和插秧的工作。
CN201910719991.1A 2019-08-06 2019-08-06 基于dsp的农业移栽机智能路径导航方法 Pending CN110516563A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910719991.1A CN110516563A (zh) 2019-08-06 2019-08-06 基于dsp的农业移栽机智能路径导航方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910719991.1A CN110516563A (zh) 2019-08-06 2019-08-06 基于dsp的农业移栽机智能路径导航方法

Publications (1)

Publication Number Publication Date
CN110516563A true CN110516563A (zh) 2019-11-29

Family

ID=68624461

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910719991.1A Pending CN110516563A (zh) 2019-08-06 2019-08-06 基于dsp的农业移栽机智能路径导航方法

Country Status (1)

Country Link
CN (1) CN110516563A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111026119A (zh) * 2019-12-20 2020-04-17 扬州大学 一种对北斗卫星导航精准纠正的农苗对行除草控制方法
CN113536958A (zh) * 2021-06-23 2021-10-22 华南农业大学 导航路径提取方法、装置、农业机器人和存储介质
CN115451965A (zh) * 2022-08-19 2022-12-09 安徽农业大学 基于双目视觉的插秧机插植系统相对航向信息检测方法

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101561871A (zh) * 2009-02-17 2009-10-21 昆明理工大学 农业机械视觉导航中人工设置路标的识别方法
CN101807252A (zh) * 2010-03-24 2010-08-18 中国农业大学 作物行中心线提取方法和系统
CN103530643A (zh) * 2013-10-11 2014-01-22 中国科学院合肥物质科学研究院 基于农作物行间自动识别技术的农药定位喷洒方法及系统
CN103530606A (zh) * 2013-09-30 2014-01-22 中国农业大学 一种杂草环境下的农机导航路径提取方法
CN103914786A (zh) * 2014-03-10 2014-07-09 北京农业信息技术研究中心 一种大田农业生产情景感知计算方法及装置
CN103914836A (zh) * 2014-03-24 2014-07-09 郑州轻工业学院 基于机器视觉的农田机械导航线提取算法
CN104133192A (zh) * 2014-08-14 2014-11-05 西安电子科技大学 一种应用于中小规模农田的农用机械导航系统及导航方法
CN104361330A (zh) * 2014-12-01 2015-02-18 郑州轻工业学院 一种玉米精准施药系统的作物行识别方法
CN104616014A (zh) * 2014-12-15 2015-05-13 广西科技大学 基于形态学操作的田间曲线导航线提取方法
CN105989601A (zh) * 2015-12-30 2016-10-05 安徽农业大学 基于机器视觉的农业agv玉米行间导航基准线提取方法
CN105987684A (zh) * 2015-12-18 2016-10-05 中国科学院合肥物质科学研究院 一种基于单目视觉的农业车辆导航线检测系统及方法
CN107437253A (zh) * 2017-08-07 2017-12-05 江西农业大学 一种基于灭点的条播作物行提取的预处理方法
CN109753075A (zh) * 2019-01-29 2019-05-14 中国农业科学院农业资源与农业区划研究所 一种基于视觉的农林园区机器人导航方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101561871A (zh) * 2009-02-17 2009-10-21 昆明理工大学 农业机械视觉导航中人工设置路标的识别方法
CN101807252A (zh) * 2010-03-24 2010-08-18 中国农业大学 作物行中心线提取方法和系统
CN103530606A (zh) * 2013-09-30 2014-01-22 中国农业大学 一种杂草环境下的农机导航路径提取方法
CN103530643A (zh) * 2013-10-11 2014-01-22 中国科学院合肥物质科学研究院 基于农作物行间自动识别技术的农药定位喷洒方法及系统
CN103914786A (zh) * 2014-03-10 2014-07-09 北京农业信息技术研究中心 一种大田农业生产情景感知计算方法及装置
CN103914836A (zh) * 2014-03-24 2014-07-09 郑州轻工业学院 基于机器视觉的农田机械导航线提取算法
CN104133192A (zh) * 2014-08-14 2014-11-05 西安电子科技大学 一种应用于中小规模农田的农用机械导航系统及导航方法
CN104361330A (zh) * 2014-12-01 2015-02-18 郑州轻工业学院 一种玉米精准施药系统的作物行识别方法
CN104616014A (zh) * 2014-12-15 2015-05-13 广西科技大学 基于形态学操作的田间曲线导航线提取方法
CN105987684A (zh) * 2015-12-18 2016-10-05 中国科学院合肥物质科学研究院 一种基于单目视觉的农业车辆导航线检测系统及方法
CN105989601A (zh) * 2015-12-30 2016-10-05 安徽农业大学 基于机器视觉的农业agv玉米行间导航基准线提取方法
CN107437253A (zh) * 2017-08-07 2017-12-05 江西农业大学 一种基于灭点的条播作物行提取的预处理方法
CN109753075A (zh) * 2019-01-29 2019-05-14 中国农业科学院农业资源与农业区划研究所 一种基于视觉的农林园区机器人导航方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘阳等: "《农业机械视觉导航基准线识别研究进展》", 《农机化研究》 *
李景彬等: "《采棉机视觉导航路线图像检测方法》", 《农业工程学报》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111026119A (zh) * 2019-12-20 2020-04-17 扬州大学 一种对北斗卫星导航精准纠正的农苗对行除草控制方法
CN111026119B (zh) * 2019-12-20 2023-02-24 扬州大学 一种对北斗卫星导航精准纠正的农苗对行除草控制方法
CN113536958A (zh) * 2021-06-23 2021-10-22 华南农业大学 导航路径提取方法、装置、农业机器人和存储介质
CN113536958B (zh) * 2021-06-23 2023-08-25 华南农业大学 导航路径提取方法、装置、农业机器人和存储介质
CN115451965A (zh) * 2022-08-19 2022-12-09 安徽农业大学 基于双目视觉的插秧机插植系统相对航向信息检测方法
CN115451965B (zh) * 2022-08-19 2024-04-26 安徽农业大学 基于双目视觉的插秧机插植系统相对航向信息检测方法

Similar Documents

Publication Publication Date Title
WO2022016563A1 (zh) 一种植保无人机地面监控系统及其监控方法
CN105197252B (zh) 一种小型无人机降落方法及系统
CN110516563A (zh) 基于dsp的农业移栽机智能路径导航方法
CN103925927B (zh) 一种基于车载视频的交通标识定位方法
Gómez-Candón et al. Assessing the accuracy of mosaics from unmanned aerial vehicle (UAV) imagery for precision agriculture purposes in wheat
CN106291278B (zh) 一种基于多视觉系统的开关柜局部放电自动检测方法
AU2006202812B2 (en) Method and system for vehicular guidance using a crop image
CN106969730B (zh) 一种基于无人机探测技术的果树树冠体积测量方法
CN101561871B (zh) 农业机械视觉导航中人工设置路标的识别方法
CN107239748A (zh) 基于棋盘格标定技术的机器人目标识别与定位方法
CN109792951B (zh) 用于杂交水稻授粉的无人机航线校正系统及其校正方法
CN112650215B (zh) 无人车的植保作业方法及植保作业装置、无人车控制系统
JPWO2019044244A1 (ja) 作物栽培支援装置
CN107610172A (zh) 一种基于图像识别的大宗作物株高测量方法
CN107633537A (zh) 一种基于投影的摄像头标定方法
CN115900726A (zh) 一种基于作物地理坐标定位的导航路径生成方法
CN111985435A (zh) 一种基于机器视觉的无人机水域监测巡航方法
CN108196538A (zh) 基于三维点云模型的田间农业机器人自主导航系统及方法
CN109814551A (zh) 谷物处理自动驾驶系统、自动驾驶方法以及自动识别方法
CN117268399A (zh) 基于同向路径规划的无人机彩绘植物播种方法及系统
Bakken et al. Robot-supervised learning of crop row segmentation
CN110954068A (zh) 一种基于无人机数据的城市绿地自动提取方法
CN113639643B (zh) 基于rgb-d深度相机的作物苗期高度检测方法
US11086331B2 (en) Autonomously guided machine
Tamas et al. Vine diseases detection trials in the carpathian region with proximity aerial images

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20191129