CN114793599A - 一种智能割草机用智能作业系统 - Google Patents

Abstract

本发明公开了一种智能割草机用智能作业系统，包括割草机本体，所述割草机本体上连接设有摄像头，所述割草机本体上连接设有定位模块、障碍物识别模块、自动避碍模块、作业路径优化模块和异常控制模块，所述定位模块采用PTK即载波相位差分技术，在GPS的基础上，架设一个地面基站，地面基站获取卫星定位与真实位置对比，计算出GPS的定位误差，并通过GPRS把当前误差发送给移动站，移动站会利用这个误差纠正从卫星获得的定位。本发明与现有技术相比优点在于：定位准确、路径优化、工作效率高、智能化程度高。

Description

一种智能割草机用智能作业系统

技术领域

本发明涉及割草机技术领域，具体是指一种智能割草机用智能作业系统。

背景技术

随着城市建设的发展，人们环保认识的提高，城市绿化水平已成为衡量一个城市发展水平和人们生活质量的标准，近年来，城市广场和生活小区的绿地日益增多，对于草坪的维护工作量日渐繁重，人们开始尝试利用电子信息技术实现智能化割草的方法，各个厂商纷纷推出了各自的智能割草机产品，并力求在控制成本的前提下，寻找更加安全、简洁、高效的割草方法，为用户提供更智能化的服务。

传统的按路线或随机割草方式在真实的割草情况下显得不够灵活，导致其割草效率较低，割草机的使用寿命较短，另一方面，利用定位技术，使割草机系统建立区域地图，进行路径规划和导航割草，可提高割草效率，但其开发难度大，成本较高，且其系统性能与定位精度和实时性较差，不能满足现有的使用要求，因此，亟需一种智能割草机用智能作业系统来解决以上问题。

发明内容

本发明要解决的技术问题是克服以上技术问题，提供一种定位准确、路径优化、工作效率高、智能化程度高的一种智能割草机用智能作业系统。

为解决上述技术问题，本发明提供的技术方案为：一种智能割草机用智能作业系统，包括割草机本体，所述割草机本体上连接设有摄像头，所述割草机本体上连接设有定位模块、障碍物识别模块、自动避碍模块、作业路径优化模块和异常控制模块，所述定位模块采用PTK即载波相位差分技术，在GPS的基础上，架设一个地面基站，地面基站获取卫星定位与真实位置对比，计算出GPS的定位误差，并通过GPRS把当前误差发送给移动站，移动站会利用这个误差纠正从卫星获得的定位。

作为改进，其工作流程为：

S1：障碍物识别：线下收集数万张障碍物图片(障碍物包括：猫、狗、人、石头、水坑、树木等草坪上常见物体)，标定障碍物在图片中的位置，基于tensorflow框架设计目标识别神经网络模型，进行离线训练，设备运行过程中，将摄像头采集画面实时输入到训练好的神经网络模型，经模型计算后输出图片中是否存在障碍物，如果存在障碍物则标定障碍物在图片中的位置，设备将运行过程中摄像头采集图片上传到云服务器，对障碍物识别模型进行在线训练，周期性将优化后的模型更新到设备上；

S2：自动避障：设备通过障碍物识别算法连续检测到目标障碍物，根据多组障碍物在图片中的坐标位置，计算出设备与障碍物的相对位置及角度，设备按顺时针角度转15度，设备转向后依然检测到障碍物，继续执行上述逻辑，连续3次转向都检测到障碍物，则停止转向并后退1米继续执行上述逻辑；

S3：作业路径优化：借助于RTK定位算法，控制设备沿草坪边缘运行一圈，标定草坪边界，根据坐标计算设备在草坪中的相对位置，设备按20cm宽度运行轨迹覆盖整个草坪，在内存中记录已运行过的区域，设备遇到障碍物绕行后重回原轨迹继续运行，设备记录障碍物位置，在草坪地图上进行标定；

S4：异常控制：设备运行时出现侧翻、抬起等异常情况，设备会立即停止运行，并关闭割草刀头电机，设备指示灯报警，向云平台推送报警消息，设备异常解除后恢复正常状态。

采用以上方法后，本发明具有如下优点：本发明采用RTK载波相位差分技术，由基站采集卫星数据，并通过数据链将其观测值和站点坐标信息一起传送给移动站，而移动站通过对采集到的卫星数据和接收到的数据链进行实时载波相位差分处理，整个过程不到一秒，即可得出厘米级的定位结果，定位更加精确，提高了工作效率和定位精确度，障碍识别模块的设置，可以有效的识别障碍物，自动避碍模块的设置，可以使割草机自动躲避障碍物，避免割草机与障碍物的撞击，延长割草机的使用寿命，作业路径优化模块的设置，可以保证割草机对指定草地全方位的割草作业处理，同时还能避免割草机重复无效的进行割草作业，提高割草质量，异常控制模块的设置，在割草机出现故障时可以及时发出警示处理，提示人们要进行及时维修，实用性更好。

附图说明

图1是本发明一种智能割草机用智能作业系统的结构示意图。

如图所示：1、割草机本体；2、摄像头；3、定位模块；4、障碍识别模块；5、自动避碍模块；6、作业路径优化模块；7、异常控制模块。

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

具体实施方式

在本发明的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“内”、“外”、“中心”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位构造和操作，因此不能理解为对本发明的限制。

在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设有”、“安装”、“相连”、“连接”等应做广义理解，例如、可以是固定连接，也可以是可拆卸连接，或一体式连接，可以是机械连接，也可以是电连接，可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

下面结合附图对本发明做进一步的详细说明。

结合附图1，一种智能割草机用智能作业系统，包括割草机本体1，所述割草机本体1上连接设有摄像头2，所述割草机本体1上连接设有定位模块3、障碍物识别模块4、自动避碍模块5、作业路径优化模块6和异常控制模块7，所述定位模块3采用PTK即载波相位差分技术，在GPS的基础上，架设一个地面基站，地面基站获取卫星定位与真实位置对比，计算出GPS的定位误差，并通过GPRS把当前误差发送给移动站，移动站会利用这个误差纠正从卫星获得的定位，其工作流程为：

S1：障碍物识别：线下收集数万张障碍物图片(障碍物包括：猫、狗、人、石头、水坑、树木等草坪上常见物体)，标定障碍物在图片中的位置，基于tensorflow框架设计目标识别神经网络模型，进行离线训练，设备运行过程中，将摄像头采集画面实时输入到训练好的神经网络模型，经模型计算后输出图片中是否存在障碍物，如果存在障碍物则标定障碍物在图片中的位置，设备将运行过程中摄像头采集图片上传到云服务器，对障碍物识别模型进行在线训练，周期性将优化后的模型更新到设备上；

S2：自动避障：设备通过障碍物识别算法连续检测到目标障碍物，根据多组障碍物在图片中的坐标位置，计算出设备与障碍物的相对位置及角度，设备按顺时针角度转15度，设备转向后依然检测到障碍物，继续执行上述逻辑，连续3次转向都检测到障碍物，则停止转向并后退1米继续执行上述逻辑；

S3：作业路径优化：借助于RTK定位算法，控制设备沿草坪边缘运行一圈，标定草坪边界，根据坐标计算设备在草坪中的相对位置，设备按20cm宽度运行轨迹覆盖整个草坪，在内存中记录已运行过的区域，设备遇到障碍物绕行后重回原轨迹继续运行，设备记录障碍物位置，在草坪地图上进行标定；

S4：异常控制：设备运行时出现侧翻、抬起等异常情况，设备会立即停止运行，并关闭割草刀头电机，设备指示灯报警，向云平台推送报警消息，设备异常解除后恢复正常状态。

普通的GPS的定位精度大于1米，信号误差有50％的概率会达到2米以上，而本发明采取的RTK作业模式下，由基站采集卫星数据，并通过数据链将其观测值和站点坐标信息一起传送给移动站，而移动站通过对采集到的卫星数据和接收到的数据链进行实时载波相位差分处理，整个过程不到一秒，即可得出厘米级的定位结果，定位更加精确，设备根据草坪边界形状，制定不同运行轨迹，比如草坪是规则方形，设备从边界左边平行左边界循环运行，一直向右边界覆盖；如果草坪是不规则形状，设备沿边界绕圈向中心运行。

以上对本发明及其实施方式进行了描述，这种描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。总而言之，如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。

Claims (2)

1.一种智能割草机用智能作业系统，其特征在于：包括割草机本体(1)，所述割草机本体(1)上连接设有摄像头(2)，所述割草机本体(1)上连接设有定位模块(3)、障碍物识别模块(4)、自动避碍模块(5)、作业路径优化模块(6)和异常控制模块(7)，所述定位模块(3)采用PTK即载波相位差分技术，在GPS的基础上，架设一个地面基站，地面基站获取卫星定位与真实位置对比，计算出GPS的定位误差，并通过GPRS把当前误差发送给移动站，移动站会利用这个误差纠正从卫星获得的定位。

2.根据权利要求1所述的一种智能割草机用智能作业系统，其特征在于：其工作流程为：

S1：障碍物识别：线下收集数万张障碍物图片(障碍物包括：猫、狗、人、石头、水坑、树木等草坪上常见物体)，标定障碍物在图片中的位置，基于tensorflow框架设计目标识别神经网络模型，进行离线训练，设备运行过程中，将摄像头采集画面实时输入到训练好的神经网络模型，经模型计算后输出图片中是否存在障碍物，如果存在障碍物则标定障碍物在图片中的位置，设备将运行过程中摄像头采集图片上传到云服务器，对障碍物识别模型进行在线训练，周期性将优化后的模型更新到设备上；

S2：自动避障：设备通过障碍物识别算法连续检测到目标障碍物，根据多组障碍物在图片中的坐标位置，计算出设备与障碍物的相对位置及角度，设备按顺时针角度转15度，设备转向后依然检测到障碍物，继续执行上述逻辑，连续3次转向都检测到障碍物，则停止转向并后退1米继续执行上述逻辑；

S3：作业路径优化：借助于RTK定位算法，控制设备沿草坪边缘运行一圈，标定草坪边界，根据坐标计算设备在草坪中的相对位置，设备按20cm宽度运行轨迹覆盖整个草坪，在内存中记录已运行过的区域，设备遇到障碍物绕行后重回原轨迹继续运行，设备记录障碍物位置，在草坪地图上进行标定；

S4：异常控制：设备运行时出现侧翻、抬起等异常情况，设备会立即停止运行，并关闭割草刀头电机，设备指示灯报警，向云平台推送报警消息，设备异常解除后恢复正常状态。

Images