基于多傳感器融合的水稻行識別與跟蹤導(dǎo)航研究

賀 靜 何 杰 羅錫文 李偉聰 滿忠賢 馮達(dá)文

(1.華南農(nóng)業(yè)大學(xué)南方農(nóng)業(yè)機(jī)械與裝備關(guān)鍵技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室， 廣州 510642；2.廣東省農(nóng)業(yè)人工智能重點(diǎn)實(shí)驗(yàn)室， 廣州 510642)

0 引言

近年來，水稻生產(chǎn)機(jī)械現(xiàn)代化新技術(shù)發(fā)展快速，自動(dòng)導(dǎo)航農(nóng)業(yè)機(jī)械已經(jīng)應(yīng)用于水稻生產(chǎn)耕、種、管、收的各個(gè)環(huán)節(jié)中[1-2]，如無人駕駛拖拉機(jī)、無人駕駛插秧機(jī)和無人駕駛聯(lián)合收獲機(jī)等。然而，水稻生產(chǎn)工序多，勞動(dòng)強(qiáng)度大，田間管理機(jī)械化水平不高。水稻追肥和病蟲害防治的主要作業(yè)機(jī)械是高地隙噴霧機(jī)，作業(yè)時(shí)駕駛?cè)藛T需集中精力避免輪胎碾壓水稻行；水稻機(jī)械除草機(jī)作業(yè)時(shí)需避免輪胎碾壓水稻，同時(shí)還需保證除草機(jī)具不損傷水稻[3-4]。目前，雖然全球衛(wèi)星定位系統(tǒng)(Global navigation satellite system，GNSS)導(dǎo)航技術(shù)可實(shí)現(xiàn)高地隙噴霧機(jī)和插秧機(jī)等水田作業(yè)機(jī)械自動(dòng)導(dǎo)航作業(yè)[5-6]，但其作業(yè)跟蹤導(dǎo)航的路徑規(guī)劃并未考慮對水稻行的碾壓問題。此外，采用無人駕駛直播機(jī)或插秧機(jī)作業(yè)時(shí)，由于側(cè)滑和偏移等導(dǎo)致移栽的水稻行與規(guī)劃路徑有偏差。因此，識別水稻行并自動(dòng)跟蹤水稻行是實(shí)現(xiàn)水稻生產(chǎn)田間管理機(jī)械自動(dòng)作業(yè)的關(guān)鍵。

機(jī)器視覺和激光雷達(dá)是常用的作物行識別技術(shù)，科研工作者開展了大量研究[7-14]。但是，傳感器都有一定的局限性，僅搭載單一傳感器的移動(dòng)平臺在未知環(huán)境中定位精度差、信息獲取不完整。農(nóng)業(yè)生產(chǎn)是非結(jié)構(gòu)化環(huán)境[15]，采用多傳感器融合的導(dǎo)航技術(shù)是實(shí)現(xiàn)復(fù)雜環(huán)境下作物行識別的最佳方案。BENET等[16]融合機(jī)器視覺、激光雷達(dá)和慣性測量單元(Inertial measurement unit，IMU)數(shù)據(jù)進(jìn)行果樹行識別與直線擬合，以實(shí)現(xiàn)自動(dòng)跟蹤果樹行，試驗(yàn)結(jié)果表明，該融合方法具有較好的魯棒性，可穩(wěn)定實(shí)現(xiàn)果樹行跟蹤導(dǎo)航，但是通過識別擬合的路徑和跟蹤導(dǎo)航實(shí)際路徑之間的偏差受車速和土壤結(jié)構(gòu)的影響，作業(yè)平均橫向誤差在0.1～0.4 m之間。薛金林等[17]提出了一種基于機(jī)器視覺與激光雷達(dá)信息融合的農(nóng)業(yè)車輛前方障礙物檢測方法，試驗(yàn)結(jié)果表明，該方法能有效地剔除非障礙物的干擾，完整地檢測出障礙物，但檢測精度未見報(bào)道，且未考慮車體姿態(tài)的變化，算法難以在農(nóng)田中應(yīng)用。羅晨暉[18]以噴霧機(jī)為試驗(yàn)平臺，提出機(jī)器視覺、2D激光雷達(dá)和GPS信息融合的作物行識別方法，基于改進(jìn)的A*算法進(jìn)行路徑規(guī)劃，并進(jìn)行了離線仿真試驗(yàn)，但田間試驗(yàn)未見報(bào)道。

我國南方水田環(huán)境復(fù)雜，雖然研究人員采用不同的算法感知環(huán)境信息，但研究結(jié)果因環(huán)境、作物生長狀態(tài)以及選用的傳感器和算法不同而差異很大[19-20]。為此，本文在GNSS導(dǎo)航技術(shù)的基礎(chǔ)上，提出機(jī)器視覺和激光雷達(dá)融合的水稻行識別方法，并進(jìn)行水稻行跟蹤導(dǎo)航控制，避免水稻生產(chǎn)田間管理機(jī)械作業(yè)時(shí)碾壓水稻，達(dá)到提高水稻田間管理智能化水平、實(shí)現(xiàn)水稻全程無人化生產(chǎn)的目的。

1 機(jī)器視覺和激光雷達(dá)的坐標(biāo)融合

坐標(biāo)融合示意圖如圖1所示，涉及像素坐標(biāo)系OuvUV、相機(jī)坐標(biāo)系OCXCYCZC、激光極坐標(biāo)系Oρθρθ、激光坐標(biāo)系OlXlYlZl、車體坐標(biāo)系OVXVYVZV和參考地面坐標(biāo)系OWXWYWZW共6個(gè)坐標(biāo)系。其中，相機(jī)坐標(biāo)系和車體坐標(biāo)系的原點(diǎn)在地面的投影重合，XW和YW通過WGS-84地心坐標(biāo)系經(jīng)高斯-克呂格投影轉(zhuǎn)換后獲取，ZW為高程信息(獲取的高程信息均減去了安裝高度)。

圖1 多傳感器空間融合Fig.1 Multi-sensors spatio information fusion

1.1 激光極坐標(biāo)系轉(zhuǎn)車體坐標(biāo)系

(1)

式中dx23、dy23——O′l和OV在XV軸和YV軸方向的安裝間距，mm

α——激光雷達(dá)與垂直線(ZV軸)的夾角，(°)

φ——激光雷達(dá)與左右方向水平線(YV軸)的夾角，(°)

Hl——激光雷達(dá)安裝高度

1.2 像素坐標(biāo)系轉(zhuǎn)車體坐標(biāo)系

(2)

式中fc1、fc2、cc1、cc2——相機(jī)內(nèi)部參數(shù)

(3)

式中HC——相機(jī)安裝高度，mm

γ——相機(jī)與前進(jìn)方向水平線(XV軸)的夾角，(°)

ZV——圖像中對象的高度，mm

對二維圖像中某點(diǎn)的像素值，無法提供深度信息ZV，即不能準(zhǔn)確地推算與它對應(yīng)的三維空間坐標(biāo)。但是，同一處理時(shí)刻，機(jī)器視覺和激光雷達(dá)識別的對象相同，因此圖像二維像素轉(zhuǎn)三維坐標(biāo)時(shí)，缺少的高度信息可通過激光雷達(dá)獲取。

1.3 車體坐標(biāo)系轉(zhuǎn)大地坐標(biāo)系

航向姿態(tài)參考系統(tǒng)(Attitude and heading reference system，AHRS)安裝在車體上，以準(zhǔn)確獲取車體的橫滾角(αx)和俯仰角(αy)，雙天線GNSS提供航向角(αz)，由全局翻滾-俯仰-航向矩陣

(4)

式中RX——繞X軸旋轉(zhuǎn)矩陣

RY——繞Y軸旋轉(zhuǎn)矩陣

RZ——繞Z軸旋轉(zhuǎn)矩陣

可知從車體坐標(biāo)系轉(zhuǎn)至大地坐標(biāo)的綜合旋轉(zhuǎn)矩陣wRV。設(shè)車體坐標(biāo)系原點(diǎn)OV對應(yīng)在大地坐標(biāo)系下為點(diǎn)OW-V，OW-G為GNSS定位的當(dāng)前車體位置，OG為車體坐標(biāo)系下GNSS主天線對應(yīng)的安裝位置，可由車體的幾何關(guān)系獲得，則OW-V和OW-G的對應(yīng)關(guān)系為

OW-V=OW-G+wRV(OV-OG)

(5)

(6)

2 水稻行識別

2.1 水稻行中心點(diǎn)提取

2.1.1目標(biāo)區(qū)域選取

2.1.2目標(biāo)區(qū)域內(nèi)水稻行中心點(diǎn)提取

(1)水稻行圖像中心點(diǎn)提取

圖像中心點(diǎn)提取處理流程如圖2所示，其中，目標(biāo)區(qū)域的預(yù)處理操作包括超綠特征算法灰度化[21]、自動(dòng)閾值二值化[22]和中值濾波去噪[23]?？紤]一定區(qū)域內(nèi)的水稻生長基本一致，若啟動(dòng)跟蹤系統(tǒng)后無水稻生長時(shí)期分類信息，則利用最小錯(cuò)誤率的貝葉斯決策進(jìn)行生長時(shí)期判斷[24]，并保存判斷結(jié)果，同時(shí)根據(jù)生長時(shí)期判斷結(jié)果進(jìn)行行信息增強(qiáng)處理；若已知采集環(huán)境水稻行的分類信息，則直接進(jìn)行行信息增強(qiáng)處理。

圖2 視覺傳感器水稻行中心點(diǎn)提取流程圖Fig.2 Flow chart of rice row center point extraction by vision sensor

(2)目標(biāo)區(qū)域范圍內(nèi)2D激光雷達(dá)中心點(diǎn)提取

激光雷達(dá)提取水稻行中心點(diǎn)的流程如圖3所示。銳利的邊緣和反射表面會(huì)導(dǎo)致激光雷達(dá)光束錯(cuò)位，并產(chǎn)生粗差點(diǎn)[25](圖4a)。為了剔除粗差點(diǎn)干擾，選用拉依達(dá)準(zhǔn)則(3σ準(zhǔn)則)進(jìn)行查找判斷[26]，剔除粗差點(diǎn)干擾(圖4b)。

圖3 激光雷達(dá)水稻行中心點(diǎn)提取流程圖Fig.3 Flow chart of extracting center point of rice row by LiDAR

圖4 粗差點(diǎn)噪聲剔除前后對比Fig.4 Comparison before and after outlier noise elimination

擬合平面法是常用的行地物分割方法[27-29]，但存在地面點(diǎn)需人工選擇且高度差閾值的設(shè)定無依據(jù)，以及粗差點(diǎn)影響大等問題。剔除粗差點(diǎn)后的點(diǎn)云數(shù)據(jù)可反映真實(shí)的田面狀況，但各數(shù)據(jù)點(diǎn)在高度方向的差異受地形等各種因素的影響，設(shè)定一個(gè)固定閾值難以準(zhǔn)確實(shí)現(xiàn)地物分割。為此，提出基于AHRS橫滾信息動(dòng)態(tài)設(shè)定高度差閾值，對每幀數(shù)據(jù)獨(dú)立進(jìn)行地物分割。

圖5 自動(dòng)閾值設(shè)定示意圖Fig.5 Schematics of automatic threshold setting

αx1=kaαx(i)+ka(1-ka)αx(i-1)+…+
ka(1-ka)9αx(i-9)

(7)

式中ka——平滑系數(shù),0

考慮地面點(diǎn)云中可能存在低矮雜草的干擾點(diǎn)，設(shè)定閾值ZT(i)為

ZT(i)=mean(Zw(i,:))+30+Zcha(i)

(8)

式中Zw——激光掃描點(diǎn)P的垂直方向的高度

若Zw>ZT(i)，則該點(diǎn)為非地面點(diǎn)；若Zw≤ZT(i)，則該點(diǎn)為地面點(diǎn)。在低矮雜草的環(huán)境下進(jìn)行地物分割的結(jié)果如圖6所示。

同一激光幀下，不同對象對應(yīng)大地坐標(biāo)系的位置存在差異，根據(jù)這一特點(diǎn)對各幀激光的非地面點(diǎn)云數(shù)據(jù)進(jìn)行分類，不同類別的閾值Tlidar為不同類別水稻行對應(yīng)激光掃描線的最小間距差，其中0.352 9為激光雷達(dá)的角度分辨率，wl∈[0,1]為比例系數(shù)，設(shè)定wl=0.75，則

(9)

不同采集環(huán)境下，機(jī)器視覺和激光雷達(dá)在同一識別區(qū)域識別的中心點(diǎn)數(shù)據(jù)如圖7所示，其中紅色點(diǎn)為機(jī)器視覺識別的結(jié)果，藍(lán)色點(diǎn)為激光雷達(dá)識別的結(jié)果。結(jié)果表明，機(jī)器視覺和激光雷達(dá)在不同環(huán)境下均能準(zhǔn)確提取水稻行中心點(diǎn)。

2.2 中心點(diǎn)聚類擬合水稻行中心線

各中心點(diǎn)在兩個(gè)坐標(biāo)系下的XOY平面投影圖如圖7所示，結(jié)果顯示大地坐標(biāo)系和車體坐標(biāo)系下均分類明顯，但是大地坐標(biāo)系下的數(shù)據(jù)相較于車體坐標(biāo)系計(jì)算量大。因此，在車體坐標(biāo)系下利用K-means方法聚類中心點(diǎn)[31]，依據(jù)大地坐標(biāo)系和車體坐標(biāo)系下數(shù)據(jù)存儲時(shí)的關(guān)系，實(shí)現(xiàn)大地坐標(biāo)系下的數(shù)據(jù)分類，最后利用穩(wěn)健回歸法擬合水稻行線[32]，結(jié)果如圖8(圖中紅色點(diǎn)為機(jī)器視覺識別結(jié)果，綠色點(diǎn)為激光雷達(dá)識別結(jié)果)所示。

圖7 不同坐標(biāo)系下的水稻行中心點(diǎn)Fig.7 Rice row center point in different coordinate systems

圖8 水田環(huán)境下的水稻行識別Fig.8 Rice row recognition in paddy field environment

3 水稻行跟蹤導(dǎo)航信息提取與控制

3.1 水稻行跟蹤導(dǎo)航信息提取

設(shè)大地坐標(biāo)系下擬合的水稻行線的斜率和截距分別為kline和bline，a=mean(kline)，b=mean(bline),則導(dǎo)航基準(zhǔn)線方程為：ynavi=ax+b。

為確保農(nóng)機(jī)沿水稻行行走，需求解車體和導(dǎo)航基準(zhǔn)線的橫向偏差和航向偏差[33]，農(nóng)機(jī)與導(dǎo)航基準(zhǔn)線的橫向偏差ε和航向偏差δ的關(guān)系如圖9所示。

圖9 航向偏差和橫向偏差示意圖Fig.9 Schematic of heading deviation and lateral deviation

航向偏差定義為：車體航向角βs和帶有車頭信息的導(dǎo)航基準(zhǔn)線的方向角βlextend之間的夾角δ[34]，計(jì)算式為

(10)

橫向偏差定義為點(diǎn)AGNSS=(Xwa，Ywa)到導(dǎo)航基準(zhǔn)線的垂直距離ε，計(jì)算式為

(11)

橫向偏差根據(jù)向量叉乘積的正負(fù)判定方向。若車頭方向相對導(dǎo)航線偏左，ε=-ε；若車頭方向相對導(dǎo)航線偏右，則ε=ε。

3.2 基于預(yù)瞄追蹤的PID水稻行跟蹤導(dǎo)航控制

以一定前視距離在路徑上選取一點(diǎn)作為跟蹤目標(biāo)點(diǎn)進(jìn)行導(dǎo)航控制具有良好的上線性能[35]，在大地坐標(biāo)系OwXwYwZw中前視距離跟蹤原理如圖10所示。設(shè)路徑跟蹤前視距離為dp，試驗(yàn)平臺融合系統(tǒng)的中心為O；P為前視距離為dp時(shí)在導(dǎo)航基準(zhǔn)線上的目標(biāo)點(diǎn)，相對預(yù)瞄追蹤線的航向偏差為δ′，則基于航向偏差輪角決策量為

圖10 前視距離跟蹤示意圖Fig.10 Schematic of tracking model

(12)

為滿足系統(tǒng)的快速響應(yīng)和穩(wěn)定控制轉(zhuǎn)向要求，在預(yù)瞄追蹤的基礎(chǔ)上，采用PID(Proportional integral differential)算法決策前輪轉(zhuǎn)向輪角。

橫向偏差輪角PID決策量θεpid為

(13)

式中Kεp、Kεi、Kεd——橫向偏差輪角PID控制參數(shù)

ε(k)、ε(k-1)——第k和第k-1時(shí)刻所得到的橫向偏差

Tε——橫向偏差獲取周期

預(yù)瞄追蹤航向偏差輪角PID決策量θδ′pid為

(14)

式中Kδ′p、Kδ′i、Kδ′d——預(yù)瞄追蹤航向偏差輪角PID控制參數(shù)

δ′(k)、δ′(k-1)——第k和第k-1時(shí)刻所得到的預(yù)瞄追蹤航向偏差

Tδ′——預(yù)瞄追蹤航向偏差獲取周期

則轉(zhuǎn)向角PID決策量θpid為

θpid=θεpid+θδ′pid

(15)

4 試驗(yàn)與分析

4.1 試驗(yàn)硬件平臺

以乘坐式水稻插秧機(jī)的機(jī)頭為平臺設(shè)計(jì)了試驗(yàn)平臺，如圖11所示，主要包括：上海世達(dá)爾水稻精量穴直播機(jī)以及配套機(jī)頭(洋馬VP6G)、荷蘭XSENS公司的MTI-300型AHRS、HOKUYO公司的URG-04LX 型2D激光雷達(dá)、BASLER公司的Aviator 1990-50gc面陣相機(jī)(分辨率為1 920像素×1 080像素)，BEI公司的DUNCAN9360型連桿式輪角傳感器。其中相機(jī)的安裝高度HC=1 115 mm，安裝角γ=36.9°(利用Matlab R2019b自帶工具Camera Calibrator進(jìn)行相機(jī)標(biāo)定獲取)，fc1=1 508.7，fc2=1 554.4，cc1=944.1,cc2=531。激光雷達(dá)安裝高度Hl=1 220 mm，安裝角α=35.5°，φ=1.744°。預(yù)瞄追蹤PID的主要控制參數(shù)為：Kδ′p=1,Kδ′i=0.2，Kδ′d=1，Kεp=1，Kεi=0.2，Kεd=1。

圖11 硬件平臺Fig.11 Hardware platform

采用LabVIEW設(shè)計(jì)水稻行跟蹤導(dǎo)航系統(tǒng)，并通過CAN總線將橫向偏差和航向偏差等信息發(fā)給GNSS導(dǎo)航系統(tǒng)，GNSS導(dǎo)航系統(tǒng)將導(dǎo)航控制指令發(fā)送到底盤線控系統(tǒng)，實(shí)現(xiàn)水田作業(yè)平臺自動(dòng)導(dǎo)航控制，如圖12所示。GNSS導(dǎo)航系統(tǒng)為濰柴雷沃重工股份有限公司的AG1BD-2.5GD型，多傳感器融合的導(dǎo)航系統(tǒng)采集AHRS、GNSS、面陣相機(jī)和激光雷達(dá)的頻率均為10 Hz，通過CAN總線向GNSS導(dǎo)航系統(tǒng)發(fā)送橫向偏差和航向偏差等信息的頻率為10 Hz。

圖12 試驗(yàn)平臺系統(tǒng)框圖Fig.12 System diagram of test platform

4.2 模擬水稻行曲線跟蹤導(dǎo)航

為了驗(yàn)證多傳感器融合的水稻行跟蹤導(dǎo)航系統(tǒng)的性能，在華南農(nóng)業(yè)大學(xué)增城試驗(yàn)基地的水田中插放仿真秧苗進(jìn)行驗(yàn)證試驗(yàn)。如圖 13a所示，仿真水稻插放在水田中，水稻株間距為150 mm，水稻最大彎曲度處的水稻偏移直線位置400 mm。試驗(yàn)過程中人工駕駛直播機(jī)至仿真水稻行起點(diǎn)位置，設(shè)置車體速度為1 m/s，轉(zhuǎn)向控制的最大角速度約為0.448 rad/s，利用無線終端啟動(dòng)導(dǎo)航系統(tǒng)，導(dǎo)航結(jié)束后導(dǎo)出跟蹤導(dǎo)航試驗(yàn)數(shù)據(jù)。

圖13b為提取試驗(yàn)過程中機(jī)器視覺和激光雷達(dá)識別的水稻行中心點(diǎn)的大地坐標(biāo)系數(shù)據(jù)在XOY平面的投影圖，其中藍(lán)色點(diǎn)為人工手持華測公司的I70型RTK-DGPS測量的水稻行位置，RTK平面精度為±(8+1×10-6D) mm，D為距離。結(jié)果表明，實(shí)時(shí)處理過程中提取的水稻行中心點(diǎn)數(shù)據(jù)真實(shí)地反映了水稻行信息。

圖13 模擬水稻行跟蹤導(dǎo)航試驗(yàn)Fig.13 Simulated rice row tracking and navigation experiment

試驗(yàn)過程中人工手持RTK測量記錄的水稻行曲線即為跟蹤導(dǎo)航的目標(biāo)路徑，水稻行跟蹤試驗(yàn)結(jié)束后，將試驗(yàn)平臺車體中軸線的GNSS定位數(shù)據(jù)作為試驗(yàn)平臺實(shí)際行走軌跡，與目標(biāo)路徑上的位置點(diǎn)進(jìn)行比較，分析水稻行曲線跟蹤誤差。跟蹤誤差計(jì)算方法為：查找行走軌跡中與目標(biāo)路徑位置點(diǎn)距離最近的點(diǎn)，采用歐氏距離計(jì)算兩點(diǎn)的距離，該距離即為跟蹤誤差。

試驗(yàn)平臺行走軌跡和目標(biāo)路徑的誤差分析結(jié)果如圖 14所示，結(jié)果表明，基于機(jī)器視覺和激光雷達(dá)的跟蹤導(dǎo)航系統(tǒng)實(shí)現(xiàn)了水稻行跟蹤導(dǎo)航，系統(tǒng)的標(biāo)準(zhǔn)偏差為27.51 mm，最小誤差為1.73 mm，但是最大誤差(92.45 mm)較大，可能是由于水田硬底層不平引起了車體側(cè)滑。

圖14 水稻行曲線跟蹤誤差Fig.14 Error of rice row curve tracking

4.3 機(jī)械移栽水稻行跟蹤導(dǎo)航田間試驗(yàn)

田間試驗(yàn)環(huán)境為華南農(nóng)業(yè)大學(xué)增城試驗(yàn)基地試驗(yàn)田，試驗(yàn)田采用插秧機(jī)移栽秧苗，2021年8月10日移栽，水稻行行距為Lspace=300 mm。田間試驗(yàn)環(huán)境和人機(jī)交互界面如圖 15所示，進(jìn)行水稻行跟蹤導(dǎo)航試驗(yàn)。

圖15 田間試驗(yàn)環(huán)境和交互界面Fig.15 Field experiment environment and human-computer interaction interface

試驗(yàn)過程：打開水稻行跟蹤導(dǎo)航系統(tǒng)的人機(jī)交互界面點(diǎn)擊開始導(dǎo)航按鈕，同時(shí)開啟錄屏軟件。發(fā)送導(dǎo)航指令，直播機(jī)由GNSS導(dǎo)航系統(tǒng)控制行駛至水稻行附近。啟動(dòng)水稻行跟蹤導(dǎo)航系統(tǒng)獲取水稻行信息后，系統(tǒng)從GNSS導(dǎo)航控制切換為水稻行跟蹤導(dǎo)航系統(tǒng)提供橫向偏差和航向偏差控制試驗(yàn)平臺行走，到達(dá)行末時(shí)啟用無線端發(fā)送指令停車,導(dǎo)航結(jié)束導(dǎo)出導(dǎo)航過程試驗(yàn)數(shù)據(jù)。

人工手持華測I70型RTK-DGPS測量記錄水稻行位置作為目標(biāo)路徑的位置點(diǎn)，車體中軸線的GNSS定位數(shù)據(jù)作為車體路徑，實(shí)際車體路徑和目標(biāo)路徑的位置點(diǎn)如圖16所示，結(jié)果表明，由于硬底層不平和水稻行種植不均，車體路徑有小幅度的偏差，但基本在兩行水稻中間。

圖16 水稻行跟蹤試驗(yàn)的試驗(yàn)平臺軌跡Fig.16 Rice navigation driving track in field trials

水稻行跟蹤導(dǎo)航系統(tǒng)的橫向偏差和航向偏差如圖17所示，其中最小橫向偏差為0.03 mm，最大橫向偏差為143.1 mm，橫向偏差標(biāo)準(zhǔn)差為43.03 mm；最小航向偏差為0.002°，最大航向偏差為17.32°，航向偏差標(biāo)準(zhǔn)差為3.38°。結(jié)果表明：水稻行跟蹤導(dǎo)航系統(tǒng)能準(zhǔn)確控制試驗(yàn)平臺跟蹤水稻行行走。

圖17 田間試驗(yàn)偏差Fig.17 Deviations of field trial

5 結(jié)論

(1)定義了機(jī)器視覺和激光雷達(dá)識別的坐標(biāo)系統(tǒng)，并推導(dǎo)了各個(gè)坐標(biāo)系的相互轉(zhuǎn)換關(guān)系，以實(shí)現(xiàn)機(jī)器視覺和激光雷達(dá)識別的水稻行中心點(diǎn)的空間坐標(biāo)統(tǒng)一。

(2)針對水田硬底層高低不平的特點(diǎn)，激光雷達(dá)提取水稻行中心時(shí)，提出了根據(jù)車體姿態(tài)信息動(dòng)態(tài)設(shè)定分割閾值，試驗(yàn)結(jié)果表明在凹凸不平的路面環(huán)境下，該方法也能較好地實(shí)現(xiàn)地物分割。提出了在車體坐標(biāo)系下利用K-means算法聚類中心點(diǎn)，聚類結(jié)果對應(yīng)在大地坐標(biāo)系下擬合直線，有效降低了運(yùn)算量，提高了系統(tǒng)運(yùn)行速度。

(3)水稻行跟蹤導(dǎo)航試驗(yàn)結(jié)果表明，基于機(jī)器視覺和激光雷達(dá)的水稻行跟蹤導(dǎo)航能快速識別水稻行，并實(shí)現(xiàn)水稻行跟蹤導(dǎo)航，模擬水稻行曲線跟蹤試驗(yàn)標(biāo)準(zhǔn)偏差為27.51 mm；在水田跟蹤機(jī)械移載水稻行的橫向偏差標(biāo)準(zhǔn)差為43.03 mm，航向偏差標(biāo)準(zhǔn)差為3.38°。但在硬底層高低不平的水田中會(huì)出現(xiàn)跟蹤目標(biāo)水稻行改變現(xiàn)象，主要是車體姿態(tài)變換引起的識別區(qū)域改變而引起導(dǎo)航路徑發(fā)生改變。