園區(qū)滑索智能巡檢機器人設(shè)計及作物冠層溫度提取方法

DOI：10.13733/j.jcam.issn.2095-5553.2025.07.026

關(guān)鍵詞：智能巡檢機器人；冠層溫度；圖像配準；紅外熱成像；農(nóng)業(yè)生產(chǎn)園區(qū)中圖分類號：S126；TP242.6 文獻標識碼：A 文章編號：2095-5553（2025）07-0181-10

Abstract：Toaddress thechallengesof effectiveandreal-time temperatureextractionofcropcanopyinagricultural orchards，this study focuseson kiwifruit and grape crops grown within theorchard topropose a novel intellient cable inspection robot and a canopy temperature extraction method based on the fusion of the CIELAB and HSV colorspaces，referred toas CIELAB—HSV.First，the intelligent inspection robot isequipped with data collection devices and travels along acableway toobtain environmentaldata and thermalinfraredandvisible light （TIRamp; V）images of the canopy. An automatic registration method，CAO—C2F is employed to align TIR 8. V images. The fusion of CIELABand HSV dual color spaces is used to extract canopy regions.Finally，the canopy region images’binary processing results are combined with the TIR temperature matrix to extract the canopy temperature.The experimental results show that the improved CIELAB—HSV method achieves the best extraction performance for canopy regions，with an average accuracy of 91.54% . Furthermore，the extracted canopy temperature，obtained through the combinedapplication of CAO一C2F and CIELAB—HSV，exhibits the highest correlation with ground-measured values，reaching a determination coefficient R² of 0.952 5，surpassing the performance of CIELAB（ R²=0.928 9 ），HSV （R²=0，9047） ，and ExG—Otsu ?R²=0，8913? .The combined CIELAB—HSV and CAO—C2F algorithms have an average processing time of 3.44s ，which enables the intelligent cable inspection robot toperform real-time canopy acquisition and dynamic monitoring of crop growth parameters in agricultural environments.

Keywords：inteligentcableinspection robots；canopy temperature；imageregistration；thermal infrared imaging; agricultural orchards

0 引言

冠層溫度是表征作物生理生態(tài)過程及能量平衡的重要參數(shù)之一，準確探測作物冠層溫度對綜合衡量作物的生長狀況、指導(dǎo)農(nóng)業(yè)生產(chǎn)具有重要意義[1]。目前手持溫度儀不適用于實時準確獲取冠層溫度，難以對冠層溫度進行長期動態(tài)監(jiān)測[2]。農(nóng)田環(huán)境往往受限于不同作物類型、生長階段和地形條件，巡檢機器人良好安全的續(xù)航性是實時獲取作物冠層溫度的關(guān)鍵因素。為更好地適應(yīng)復(fù)雜多變的農(nóng)業(yè)生產(chǎn)地形和提高作業(yè)質(zhì)量，設(shè)計了一種新型滑觸供電的巡檢機器人，能實時有效獲取作物的冠層溫度。

在園區(qū)巡檢機器人中，通過機載光學(xué)相機可以高效分析作物長勢。由于光學(xué)相機存在一定程度畸變，不少學(xué)者提出了有效的校正方法。Zhang[3提出了基于平面靶標的攝像機標定，已成為經(jīng)典的嵌人式光學(xué)設(shè)備校正方法。為解決相機標定視場受限、標定精度不足的問題，Sun等4提出一種基于柔性多向目標（FMT）的相機標定方法，利用自動角點提取算法和優(yōu)化算法計算全局相機的參數(shù)和畸變系數(shù)，將測量精度提高 3% ;Zhang等5提出了一種基于狀態(tài)變換的柔性雙目相機標定方法，很好地降低了單目和雙目相機標定的重投影誤差，其中單目相機的平均重投影誤差僅為0.0675pixel，雙目視覺相對測量誤差小于 1.75% .并驗證了方法的魯棒性。所有相機標定過程都需要對參數(shù)的解空間進行搜索，為提高標定參數(shù)的準確性，在獲取相機原參數(shù)后，采用優(yōu)化后的搜索方法快速收斂最優(yōu)結(jié)果。目前常用的方法是基于張氏標定的原理，利用智能優(yōu)化算法對其進行改進，其中粒子群優(yōu)化算法（PSO）可以較長時間保存最優(yōu)解從而快速更新粒子位置78]，為達到快速、準確收斂于相機參數(shù)最優(yōu)解、降低重投影誤差的目的，采用基于粒子群優(yōu)化的相機參數(shù)標定方法。

在紅外熱圖像中實時獲取作物冠層溫度的方法主要有閾值法、大津法和邊緣檢測等[9]。熱圖像自身的空間分辨率相對較低，導(dǎo)致溫度測量易出現(xiàn)空間位置偏差，需要將冠層可見光和同步的熱圖像進行數(shù)據(jù)融合分析[1]，降低空間位置引起的溫度測量誤差。另外，巡檢機器人獲取的紅外熱圖像中還包含行間植被、土壤等地物背景，對準確提取溫度產(chǎn)生一定干擾，需要將可見光圖像和同步的熱圖像進行配準后再提取溫度。Liu等[1]利用反向傳播（BP）神經(jīng)網(wǎng)絡(luò)從可見光圖像中提取冠層作為參考圖像，采用仿射變換對參考圖像和目標熱紅外圖像進行配準，提出了一種基于異質(zhì)圖像特征配準的植物冠層熱紅外圖像識別方法，分割結(jié)果可滿足紅外熱冠層圖像的識別精度。為解決農(nóng)作物冠層熱紅外圖像邊緣灰度級分布不均且噪聲較大對冠層分割帶來的影響，馬曉丹等[12]結(jié)合模糊神經(jīng)網(wǎng)絡(luò)和仿射變換，從可見光圖像中準確獲取用于紅外熱圖像的參考圖像，平均有效分割率達 96.13% ，在實驗室環(huán)境中進行冠層溫度提取試驗，可有效分離一定溫度范圍內(nèi)的冠層和背景區(qū)域。經(jīng)典配準方法[13有多尺度強度不變特征描述符（PIIFD）、加速魯棒性特征（SURF）和尺度不變特征轉(zhuǎn)換（SIFT）等。Jiang等[14]提出的基于輪廓角方向（CAO）并由粗到精的配準方法，對紅外熱與可見光（TIRamp;V）圖像配準均方誤差顯著低于現(xiàn)有的SIFT、SURF和PIIFD，能解決不同尺度的異源圖像自動配準，為在ROS平臺下更好實現(xiàn)作物異源圖像配準，提高冠層圖像配準精度，采用CAO—C2F配準方法。

在弼猴桃與葡萄連片種植園區(qū)，為實現(xiàn)作物冠層溫度的實時準確獲取，基于ROS框架，創(chuàng)制包括微小氣象傳感器、紅外熱一可見光一體相機、高分辨率可見光相機等設(shè)備在內(nèi)的滑索智能巡檢機器人。本文設(shè)計并提出面向機器人光學(xué)相機校正參數(shù)的搜索優(yōu)化方法；在獲取冠層TIRamp;V圖像基礎(chǔ)上，采用基于輪廓特征的配準方法（CAO—C2F），利用雙色彩空間融合（CIELAB—HSV分割出冠層待測區(qū)域，再與TIR溫度矩陣融合分析后獲取冠層溫度。

1材料與方法

1. 1 智能巡檢機器人設(shè)計

園區(qū)智能巡檢機器人的功能組成如圖1所示。硬件由工業(yè)控制計算機、電源、運動控制單元、數(shù)采單元、2.4G無線接人點（AP）組成。以工業(yè)控制計算機作為系統(tǒng)服務(wù)設(shè)備，通過部署移動站點服務(wù)器架構(gòu)（Linux + Nginx + MySQL + PHP，LNMP）和ROS^[15] ，建立機器人軟件服務(wù)平臺，實現(xiàn)智能巡檢管理、運動控制、圖像與氣象參數(shù)實時傳輸和展示。

運動控制單元 數(shù)據(jù)采集單元圖像數(shù)據(jù)采集單元氣象數(shù)據(jù)采集單元全景相 可見 紅外熱成像相 二伺服電機光 氣象傳感器機 相 T機 1串口服務(wù)器機

電機驅(qū)動器交換機1t 11 1無線AP 電源模塊1 -→工業(yè)控制機用戶管理 控制模塊登 用戶信息管理 用戶 車體控制 云臺控制錄注 冊 權(quán)限管理 自動控 制 手動控制 =5-=5 水平轉(zhuǎn)動 垂直轉(zhuǎn)動 選擇相機 二一-一LNMP+ROS

為使智能巡檢機器人更好地適應(yīng)戶外環(huán)境、高效完成作業(yè)任務(wù)，并利于后期維護與升級，將機器人模塊化設(shè)計，分為巡檢平臺、機器人車體和控制艙3大部分，如圖2所示。巡檢平臺包括塔架塔基、伺服電機、減速器以及牽引、承重索。車體內(nèi)部安裝微小氣象傳感器，外部搭載全景相機、光學(xué)相機、紅外熱一可見光一體機，機器人車體實物如圖3所示。

牽引索與機器人車體固定連接，由伺服電機驅(qū)動牽引索做回環(huán)運動，從而帶動車體運動?？刂婆搩?nèi)安裝工業(yè)控制計算機、電機驅(qū)動器，并包含 220V 交流電與以太網(wǎng)入口。同時，優(yōu)化了纜索滑觸供電方式，采用兩端纜索低壓滑觸供電。將 220V 交流電接人控制艙后分為兩路，一路為控制箱內(nèi)設(shè)備供電；另一路通過 0～70V 可調(diào)開關(guān)電源，轉(zhuǎn)化為 40V 安全直流低壓，通過導(dǎo)電承重索為機器人車體內(nèi)部設(shè)備供電。數(shù)據(jù)傳輸使用無線網(wǎng)橋與千兆光纖，將車體內(nèi)利用RS485協(xié)議通訊的微小氣象傳感器轉(zhuǎn)為網(wǎng)口通訊，與搭載相機、無線網(wǎng)橋接收端一并接入交換機，以此接收服務(wù)器端傳輸?shù)目刂浦噶睢?/p>

運動控制機構(gòu)由伺服電機與基于ROS的移動控制系統(tǒng)組成，控制模型如圖4所示。該控制模型由執(zhí)行層、控制層以及決策層組成。決策層通過向Movebase節(jié)點發(fā)送電機轉(zhuǎn)速與方向指令控制機器行進，其中行進速度和方向分別通過調(diào)整電機轉(zhuǎn)速及電機驅(qū)動方向來控制；控制層中的Robotcontrol節(jié)點對Motordrive包發(fā)送控制指令，執(zhí)行層的伺服電機執(zhí)行前進后退等指定操作；執(zhí)行層的伺服電機記錄電機運動里程并反饋至Robotcontrol節(jié)點完成機器人的運動控制。

1.2 數(shù)據(jù)采集

研究區(qū)域位于陜西省楊凌某現(xiàn)代農(nóng)業(yè)綜合試驗示范站（五泉鎮(zhèn)）（ （34^°18^′4.24^′′N，107^°58^′10.26^′′E） ，海拔為 563m ，屬暖溫帶半濕潤季風(fēng)氣候，年降水量為635.1～663.9mm ，與陜西大規(guī)模弼猴桃（西安周至縣）、葡萄（西安鄂邑區(qū)）種植區(qū)域氣候相近。試驗區(qū)域為示范站內(nèi)相鄰弼猴桃、葡萄地塊（圖5），塔架塔基設(shè)立在田地兩端，高 5m ，橫跨共計 300m 。分別于2023年5一6月的晴天和陰雨天控制智能巡檢機器人，自東向西同步采集數(shù)據(jù)。

1）相機標定。由于相機與拍攝目標距離 ^1m 左右，為使目標區(qū)域占滿相機視野，設(shè)計使用 13×9 的棋盤格作為光學(xué)相機標定板，格子間隔距離上下左右各50mm 。利用光學(xué)鏡頭拍攝不同姿態(tài)、不同角度的標定板，選擇其中18張圖像作為標定數(shù)據(jù)集。獲取標定板上的特征點坐標，以達到求解光學(xué)相機內(nèi)外參數(shù)，從而對畸變圖像實現(xiàn)校正的目的。

2）TIRamp;V圖像采集。作物冠層覆蓋、空間分布和光照條件等是影響冠層溫度的主要因素。為分析不同生長條件下作物冠層溫度的差異，采集4種不同特征區(qū)域的冠層圖像，在弼猴桃區(qū)域設(shè)置鏡頭垂直地面拍攝，在葡萄區(qū)域設(shè)置鏡頭 45^° 俯角拍攝。該一體機在溫度 -40%-70° 、濕度小于 95%RH 環(huán)境下，可識別 23m 溫度場，視場角為 50^°×37.2^° ，其中可見光鏡頭為1920像素 ×1080 像素，熱成像鏡頭為320像素 ×240 像素，溫度分辨率為 0.05°C 。由圖6可以看出，兩種作物均為樁栽種植，形成規(guī)律的行列，圖中有作物支撐架、藤條、滴灌裝置等地物背景。在戶外真實種植環(huán)境下，天氣情況和光照角度會隨時間發(fā)生不同程度的變化，在作物葉片表面表現(xiàn)出不同的陰影與色調(diào)，可能會導(dǎo)致采集圖像中細節(jié)難以區(qū)分、圖像形態(tài)和顏色發(fā)生變化，考慮到環(huán)境因素復(fù)雜多變，采集弼猴桃與葡萄冠層圖像各100組（一組指可見光及對應(yīng)紅外熱圖像），包含晴天、陰雨天以及同一天的不同時間段（不同光照強度和角度），以驗證算法魯棒性。

圖6冠層特征區(qū)域示例圖像 Fig.6Sample images of characteristic areas in canopies

3）溫度數(shù)據(jù)獲取。為獲取冠層圖像像素點對應(yīng)的溫度，根據(jù)SDK_Win64V6.1.9.48_build20230410開發(fā)包，利用私有網(wǎng)絡(luò)通信協(xié)議，遠程控制紅外熱相機，在采集圖像的同時截取碼流中攜帶的 160×120 TIR 溫度矩陣。為將本文方法獲取的冠層溫度與真實溫度進行相關(guān)性分析，利用手持測溫儀（測溫范圍- 520^°C ，精度 ±2^°C ）獲取冠層實測溫度數(shù)據(jù)，其測量結(jié)果取9個激光點溫度的均值。圍繞試驗冠層區(qū)域，進行3次冠層溫度測量并取均值。

1.3 技術(shù)方法

1.3.1 參數(shù)校正

張氏標定[3能夠有效糾正圖像中的透視畸變和投影變換，有助于實現(xiàn)冠層圖像的幾何校正，對于相機內(nèi)參和畸變參數(shù)尋優(yōu)，采用粒子群算法[16]。傳統(tǒng)粒子群優(yōu)化算法易陷入局部最優(yōu)解，全局尋優(yōu)能力隨權(quán)重變大而增強，但權(quán)重取值越小，局部的搜索能力越強，因此，需設(shè)置合適的慣性權(quán)重數(shù)值。在基礎(chǔ)粒子群算法上加入動態(tài)慣性權(quán)重來控制算法的尋優(yōu)能力，采用線性遞減權(quán)值，并設(shè)置適應(yīng)度函數(shù)，提高粒子的全局尋優(yōu)性能，計算如式（1）和式（2）所示。

式中： W_t 一 動態(tài)慣性權(quán)重；Wmax 最大權(quán)重；Wmin 最小權(quán)重；N_itermax 最大迭代次數(shù)；Niter 迭代次數(shù)。 （20

式中： （x，y） 1 提取的圖像角點坐標，pixel;（x^′，y^′） 1 投影得到的世界坐標，pixel；m （204號 圖像數(shù)量，張；n （204號 單張圖像角點數(shù)目，個。

對于采集的標定板圖像，提取標定板的特征點，并進行特征點匹配，尋找多個圖像之間共享的對應(yīng)點。PSO算法將相機參數(shù)表示為粒子群中的每個粒子，初始化粒子的位置和速度，位置代表相機參數(shù)的候選解，速度代表粒子在解空間中搜索的方向和速率。根據(jù)每個粒子的相機參數(shù)，計算適應(yīng)度函數(shù) F （特征點的重投影誤差），衡量粒子對于標定數(shù)據(jù)的擬合程度。采用PSO算法中的更新規(guī)則，按照當前粒子的位置、速度和適應(yīng)度值，更新粒子的下一個位置和速度，將多次迭代后的粒子群最優(yōu)解作為相機最優(yōu)參數(shù)，計算如式（3）和式（4）所示。相機參數(shù)校正流程如圖7所示。

X_i，t+1=X_i，t+λ?V_i，t+1 （3）

式中： X_i，t+1 一 粒子下一時刻位置，pixel;X_i，t 一 一粒子當前位置，pixel;λ 一 一加速因子。 c₂?rand（gbest_t-X_i，t） （20號 （4）

式中： W_t 一 動態(tài)慣性權(quán)重；V_i，t 1 當前的粒子速度，pixel/s;c₁、c₂ 1 學(xué)習(xí)因子；Ψ_pbesti （20 粒子群在第 i 個位置的局部最優(yōu)位置，pixel;gbest_t 一 粒子群第 χ_t 次迭代的全局最優(yōu)位置，pixel。1開始 評估適應(yīng)度F√讀取棋盤格圖像1 更新粒位置Xi，角點檢測 1T 更新慣性權(quán)重參數(shù)W

1. 3.2 冠層溫度提取方法

1）基于CAO一C2F的冠層圖像配準。針對冠層TIRamp;V圖像間光譜、視點及分辨率存在差異時無法配準的問題，采用基于輪廓特征的CAO一 C2F^[14] 自動配準方法對采集的作物冠層TIRamp;V圖像進行配準?；贑AO法為提取描述符提供準確的主方向，以解決TIRamp;V圖像光譜和視點差異問題；利用由粗到精的特征匹配方法，通過全局優(yōu)化匹配點位置，解決TIRamp;V圖像分辨率差異問題。輸入采集圖像后進行以下操作。（1）圖像預(yù)處理，將輸入的TIRamp;V圖像均灰度化，灰度值范圍線性拉伸以增強圖像細節(jié)，并把圖像分辨率調(diào)整為同一縱向分辨率，橫向分辨率等比調(diào)整。（2）通過Canny檢測器提取圖像中的冠層邊緣，再通過遍歷搜索方法獲得邊緣輪廓線，并進行平滑采樣處理。（3）特征點提取，將在輪廓圖像中檢測到的圖像角點作為特征點，在相同長度的采樣鄰域內(nèi)為每個特征點設(shè)置2個輔助特征點，形成特征三角形，將以特征點為頂點的角平分向量的方向指定為該特征點的主方向，角平分矢量的方向為輪廓中線特征主方向，以實現(xiàn)尺度和視角不變性。（4）提取紅外熱圖像和不同采樣尺度下可見光圖像主方向上的尺度不變特征變換（SIFT）描述符，將可見光圖像多組SIFT描述符與紅外熱圖像SIFT分別進行雙邊匹配，根據(jù)匹配次數(shù)確定可見光圖像采樣尺度，并使用旋轉(zhuǎn)角度估計與連線一致性匹配方法篩選出正確匹配點，完成粗匹配。（5）將粗匹配特征點像素位置進行全局迭代優(yōu)化，得到2組精確的點坐標后，利用最小二乘法得到TIRamp;V圖像間的最優(yōu)投影變換矩陣。CAO—C2F配準方法流程如圖8所示。

2）基于CIELAB—HSV雙色彩空間融合的冠層區(qū)域分割。圖像配準結(jié)果的可見光圖像中，除作物冠層外還包含多種地物背景，對提取冠層溫度有較大干擾。LAB色彩空間由亮度（L）、綠—紅色度（A）和藍一黃色度 （B）3 個通道組成，在可見光圖像中，作物冠層具有明顯的綠色，地物信息包含其他顏色，利用LAB色彩空間可以將冠層與背景分割開。HSV色彩空間則由色調(diào) （H） 、飽和度（S）和明度（V3個通道組成，由于光照角度、強度不同，作物冠層的色調(diào)和飽和度會隨之改變[17，18]。因此，將2種顏色空間轉(zhuǎn)換方法融合（CIELAB—HSV，以增強冠層的邊緣和紋理特征，并提高不同光照條件下分割冠層區(qū)域的準確率，算法流程如圖9所示。

首先，為縮短算法運行時長以滿足實時應(yīng)用，利用算法并行處理的思想，將配準結(jié)果中的可見光圖像（RGB）分別向CIELAB模式和HSV模式轉(zhuǎn)化，并生成對應(yīng)掩膜；其次，將2幅掩膜結(jié)合，再與原RGB圖像進行按位與操作，得到初步分割處理后的冠層區(qū)域圖像；最后，通過中值濾波、腐蝕操作、輪廓篩選操作，去除雜波毛刺、過濾雜草部分，得到最終冠層區(qū)域分割結(jié)果。

輸人圖像經(jīng)過上述方法處理后，將冠層區(qū)域分割結(jié)果通過閾值區(qū)分冠層像素與背景像素，冠層像素與背景像素分別用1和0表示。將此二值矩陣與TIR溫度矩陣做點乘運算，即可獲得冠層逐像素溫度，運算過程如式（5）所示。其中二值矩陣是從配準結(jié)果圖像二值化結(jié)果中提取的 3×3 矩陣，以此為例說明運算過程， a₁₁、a₁₂、…、a₃₃ 代表紅外熱圖像中每像素溫度值，對結(jié)果矩陣中所有溫度求平均值，即可獲得冠層溫度。

試驗的評價指標采用重投影法[19]計算相機標定誤差，采用均方根誤差RMSE衡量匹配點定位精度以及整個配準算法精度[20]。采用分割精度SA對冠層區(qū)域分割精度進行評價， SA 值越大表示算法提取冠層區(qū)域越準確。利用決定系數(shù) R² 度量提取冠層溫度與實測冠層溫度的相關(guān)性， R² 越接近1，相關(guān)性越強。

2 結(jié)果與分析

2.1相機參數(shù)校正結(jié)果分析

通過18張棋盤格標定板角點檢測并提取角點坐標，計算可見光相機的內(nèi)參矩陣和畸變參數(shù)?；趶埵蠘硕ǚǖ玫降溺R頭參數(shù)，設(shè)為粒子群優(yōu)化的初始值，單個粒子表示為 粒子在各個維度設(shè)置的上下浮動空間如表1所示，設(shè)置粒子群種群數(shù)量為70，學(xué)習(xí)因子 C₁=1.5 ， C₂=0.75 .W_max=0.8 ， W_min=0.3 ，最大迭代次數(shù)為450次。

表1粒子取值范圍Tab.1Value range of particles

迭代后得到的內(nèi)參數(shù)矩陣

畸變參數(shù)

D=（-0.427 68，0.165 28，-2.726 2×10^-4，

-4.502 5×10^-4，7.900 5×10^-2）

由圖10可知，弼猴桃區(qū)域的作物冠層信息保留較為豐富，地物信息少，鏡頭直拍冠層區(qū)域葉片寬度收縮，畸變消除。針對原始圖像中帶有支撐架、行間植被等背景區(qū)域，地物特征與邊緣輪廓明顯，校正后多株葡萄冠層輪廓趨于平齊，單株葡萄冠層圖像左側(cè)雜草帶與右下鋼纜校正效果明顯。但校正后圖像四周產(chǎn)生新的畸變，并丟失少量圖像信息。例如，在弼猴桃嫩葉冠層區(qū)域，可明顯看出左下角鋼纜（矩形框標出）在校正后圖像中比原始圖像中更扭曲；弼猴桃老葉冠層區(qū)域右下角葉片少量缺失（矩形框標出）；這些圖像四周少量的畸變與信息缺失對于人眼觀測尚不明顯。試驗結(jié)果表明，加入粒子群優(yōu)化算法優(yōu)化相機參數(shù)后，平均重投影為0.0332pixel，與校正平均重投影誤差0.0631pixel相比，降低47.39個百分點，有助于生產(chǎn)者以正常視覺觀測作物生長情況。

圖10圖像校正結(jié)果 Fig.10Results after camera's calibration

2.2不同環(huán)境下圖像配準結(jié)果分析及評價

為驗證不同配準方法對弼猴桃、葡萄作物冠層圖像的配準效果，按圖6特征區(qū)域隨機選擇40組圖像，其中20組晴天，20組陰雨天。將這些具有尺度差異的特征區(qū)域TIRamp;V圖像，在不調(diào)整原圖像分辨率的基礎(chǔ)上，分別采用CAO一C2F、多尺度PIIFD、SIFT和HAPCG4種配準方法進行圖像配準。上述方法都在MATLABR202la下實現(xiàn)，實驗平臺為WindowslOX64操作系統(tǒng)，處理器為Intel（R）Core（TM）i3-6300CPU 3.80GHz ，RAM為 32GB 。

獼猴桃冠層區(qū)域的配準結(jié)果如圖11所示，其中橫坐標 1～20 組為晴天圖像， 21～40 組為雨天圖像。在配準精度方面，PIIFD方法表現(xiàn)最好，平均RMSE為1.2281pixel，其次為CAO—C2F方法，平均RMSE為1.7132pixel，且這兩種方法在弼猴桃的特征區(qū)域配準效果穩(wěn)定性強。接下來為SIFT與HAPCG，由圖11可知，SIFT方法的RMSE 值高于PIIFD與CAO—C2F，而HAPCG方法在晴天圖像配準中RMSE值波動性極大，在陰天圖像配準中較平穩(wěn)。實驗過程中發(fā)現(xiàn)，SIFT對8O組弼猴桃圖像都不能準確配準，其原因是弼猴桃葉片覆蓋度高，無其他特征物，導(dǎo)致目標區(qū)域輪廓不明顯，邊緣灰度變化不強烈，層次感不強，而SIFT對圖像形狀等特征提取是基于梯度信息，所以表現(xiàn)出較差的匹配效果。HAPCG方法的RMSE值波動較大是由于相位一致性配準要求每個像元的灰度值一致，而晴天光照強且照射在葉片上不均勻，灰度值差異大，配準誤差變大，陰雨天圖像由于光照變?nèi)?，灰度值趨于相近，配準效果較好。

在算法耗時方面，配準精度表現(xiàn)最好的PIIFD方法耗時遠高于另外3種方法，其平均耗時156.59s，最長耗時達655.97s，由圖11可知，PIIFD方法陰天圖像耗時波動大于晴天圖像，這是由于輸入陰天圖像為弱光拍攝，在紅外熱圖像中冠層與背景溫度差異表現(xiàn)明顯，尋找特征點對數(shù)量約為晴天的5倍，因此，陰雨天圖像耗時一般比晴天圖像耗時長，又由于方法中再次對匹配點進行擇優(yōu)，所以該方法時間成本偏高。其余3種方法耗時從長到短排序為HAPCG、SIFT、CAO一C2F。綜上所述，配準效果較好的是CAO—C2F方法，無論弼猴桃冠層葉片葉齡長短，還是圖像采集天氣晴或陰，都表現(xiàn)出較高的準確性與強穩(wěn)定性，且時間成本低，平均耗時 3.61s 。

葡萄冠層區(qū)域的配準結(jié)果如圖12所示，其中橫坐標 1～20 組為晴天圖像， 21～40 組為雨天圖像。在配準精度方面，PIIFD方法配準葡萄冠層圖像平均RMSE值最低，為1.1631pixel，且配準穩(wěn)定性強；其次為CAO—C2F，平均RMSE為1.5601pixel;最后為HAPCG與SIFT方法。CAO—C2F方法用于多株葡萄冠層配準RMSE值波動性大，是因為與單株葡萄圖像相比，多株葡萄冠層圖像內(nèi)部包含多株葡萄架與天空、地物等，結(jié)構(gòu)復(fù)雜，投影變換過程中一些不重要特征信息影響配準結(jié)果，但其配準精度僅次于PIIFD。SIFT方法配準葡萄冠層圖像比配準弼猴桃冠層圖像效果更好，由于葡萄區(qū)域水泥樁等特征地物較多，在多株葡萄冠層配準中成功率為 35% ，在單株葡萄冠層配準中成功率為 52.5% 。HAPCG在單株葡萄冠層圖像的表現(xiàn)優(yōu)秀，樣本中唯一達到高RMSE值的圖像是在太陽落山時，光照極度不均產(chǎn)生的。但HAPCG方法在多株葡萄冠層圖像配準表現(xiàn)一般，由于多株葡萄圖像包含成片的冠層，在光照均勻的情況下有配準成功的可能，但同時包含更多的地物信息，圖像顏色豐富，消減配準成功的可能性。

在算法耗時方面，CAO—C2F方法表現(xiàn)最好且穩(wěn)定，平均耗時 3.15s 。其次為SIFT方法，平均耗時8.39s 。再次為HAPCG方法，平均耗時 18.08s 。最后是PIIFD方法，平均耗時53.22s，最長耗時為配準多株葡萄冠層圖像，耗時 143.99s 。綜上，為實現(xiàn)冠層圖像的實時精確配準，在弼猴桃與葡萄冠層區(qū)域均采用CAO—C2F方法。

2.3 冠層區(qū)域提取結(jié)果分析及評價

為驗證CIELAB—HSV雙色彩空間融合方法的分割精度，將配準結(jié)果中紅外熱圖像分辨率大小的可見光圖像保留，使用CIELAB—HSV、單一的CIELAB、HSV方法以及基于超綠特征的大津法（ExG—Otsu）[21]對冠層區(qū)域進行分割，結(jié)果如圖13所示。并分別計算分割精度與算法耗時，如表2所示。

由圖13可知，ExG—Otsu對存在陰影部分的冠層區(qū)域識別效果不佳，CIELAB可以很好地處理背景區(qū)域，但是雜草和冠層區(qū)域不能很好地進行分割。HSV可以很好地處理冠層和雜草區(qū)域，但是不能夠很好地處理背景區(qū)域，并且雜波較多。CIELAB—HSV可將冠層區(qū)域保留得相對完整，且可以處理與冠層區(qū)域相近的其他影響因素，與對照算法相比，可以獲得更加完整的冠層區(qū)域。

由表2可知，晴天拍攝冠層圖像的分割精度均高于雨天冠層圖像分割精度，天氣環(huán)境對冠層圖像的分割有一定影響，可能是由于雨天光線減弱、顏色信息受到干擾導(dǎo)致分割精度有所下降。試驗結(jié)果表明，CIELAB—HSV方法對4種特征區(qū)域分割精度最高，在2種天氣環(huán)境下，對4種特征區(qū)域的平均分割精度SA分別為 89.33%.92.89%.94.34%.86.14% ，平均耗時 T_r 較未使用并行處理算法降低 44.14% 、13.54%.11.27%.7.88% ，實時有效地完成冠層區(qū)域圖像提取。

圖13冠層區(qū)域提取結(jié)果 Fig.13Result of canopy area extraction

表2冠層提取算法精度和耗時 Tab.2 Accuracy and time-consuming of canopyextractionalgorithm

綜上，實驗已分別驗證了CAO—C2F與CIELAB—HSV同時適用于獼猴桃與葡萄冠層圖像的配準和分割。CAO一C2F與經(jīng)典對比算法相比，配準和分割質(zhì)量最優(yōu)、耗時最少，受作物葉齡和天氣情況影響最?。籆IELAB—HSV在不同天氣條件下分割精度最高，耗時小于單一CIELAB與HSV疊加方法。因此，選用CAO—C2F和CIELAB—HSV相結(jié)合的冠層溫度提取方法，在適用性和實時性方面具有優(yōu)勢。

2.4冠層溫度提取結(jié)果分析與評價

為驗證不同算法與特征區(qū)域?qū)趯訙囟忍崛〗Y(jié)果的影響，使用4種冠層提取算法分別對同一時刻的4種特征區(qū)域進行溫度提取，此時試驗站內(nèi)大氣氣溫為 32.12^°C 。利用無重復(fù)雙因素分析法，對4種冠層提取算法與冠層特征區(qū)域進行分析，結(jié)果如表3所示。在算法維度上， F（6，10）=0.628，P=0.615 ，說明4種冠層區(qū)域提取算法獲取的冠層溫度值差異不大，各算法結(jié)果具有一致性。同時，在特征區(qū)域維度上，F(xiàn)（6，10）=4039.459，P=2.14×10^-14?0.01 ，說明不同特征區(qū)域之間的冠層溫度差異性明顯。

表3無重復(fù)雙因素分析表 Tab.3Analysis of double factorswithout repetitions

注：SS為平方和； df 為自由度；MS為均方； F 為2種因素方差的比值； P 表示顯著性； 為臨界值。

為驗證冠層溫度提取方法的有效性，根據(jù)目前園區(qū)已有的弼猴桃、葡萄作物進行冠層溫度提取。對4種特征區(qū)域共100對樣本進行試驗，將提取冠層溫度與實測冠層溫度的相關(guān)程度進行分析，結(jié)果如圖14所示。基于改進的CIELAB—HSV算法提取冠層區(qū)域得到的冠層溫度與地面實測值相關(guān)性最高0 R²=0.9525 ），其次是CIELAB算法 （R²=0.928 9） ，再次是HSV（ R²=0.9047） ，最后是ExG—Otsu?R²=0.891 3） 。改進的CIELAB—HSV算法能夠較好地提取出弼猴桃與葡萄冠層區(qū)域，并獲得更加精確的冠層溫度。

3結(jié)論

1）針對農(nóng)業(yè)示范園區(qū)弼猴桃和葡萄生長數(shù)據(jù)獲取分析的需求，結(jié)合機器人控制技術(shù)與傳感器技術(shù)，設(shè)計一種園區(qū)智能巡檢機器人。采用軌道滑觸供電方式，集成數(shù)據(jù)采集設(shè)備，實現(xiàn)機器人遠程控制與全天候作物生長數(shù)據(jù)實時采集，為實時提取作物冠層溫度提供硬件設(shè)備基礎(chǔ)。

2）針對園區(qū)作物冠層溫度難以實時準確提取的問題，在智能巡檢機器人的基礎(chǔ)上引入圖像處理算法，基于CAO一C2F配準方法與改進的雙色彩空間融合（CIELAB一HSV方法，精準提取冠層區(qū)域，提出一種同時適用于弼猴桃和葡萄區(qū)域的冠層溫度實時提取的方法。結(jié)果表明，改進的CIELAB—HSV方法能夠更加精確地提取冠層區(qū)域，從而使提取的冠層溫度與地面實測溫度決定系數(shù) R² 高達0.9525，均高于CIELAB（R²=0.928 9 ）、HSV ?R²=0.9047? 以及ExG-Otsu（R²=0.891 3） 。且CIELAB—HSV方法平均耗時0.15s ，與CAO—C2F結(jié)合平均耗時可滿足機器人巡檢過程中實時獲取冠層溫度的需要，為農(nóng)業(yè)生產(chǎn)中作物冠層溫度的實時獲取和分析提供技術(shù)支持。

參考文獻

[1]張軍華，沈楷程，陳丹艷，等．基于物聯(lián)網(wǎng)的日光溫室冠層特征溫度時空變化規(guī)律分析[J]．農(nóng)業(yè)機械學(xué)報，2021，52（7）： 335-342.Zhang Junhua， Shen Kaicheng，Chen Danyan，et al.Spatio-temporalvariationofcanopycharacteristictemperature in solar greenhouse [J].Transactions of theChinese Society for Agricultural Machinery，2021，52（7）：335-342.

[2]Marta Chiesi，LucaAngeli，PieroBattista，etal.Monitoring and analysis of crop irrigation dynamics in CentralItalythroughthe use ofMODISNDVI data[J].European Journal of Remote Sensing，2022，55（1）： 23－36.

[3] Zhang Z. A flexible new technique for camera calibration [J].IEEETransactionson PatternAnalysisandMachineIntelligence，2000，22（11）：1330—1334.

[4] Sun P， Zhou F， Wang L， etal. Anovel globalcamera calibration method based on flexible multidirectionaltarget[J]. IEEE Transactionson Instrumentationand Measurement，2023，72：5017513.

[5] Zhang H，Huo J， YangF，etal. Aflexiblecalibration method for large-range binocular vision systembased on state transformation [J].Optics andLaserTechnology，2023，164：109546.

[6]Guo J，Zhu Y，Wang J，et al.Research on cameracalibrationoptimizationmethodbased on improvedsparrow search algorithm [J]. Journal of ElectronicImaging，2023，32（1）：13040.

[7]秦瑞康，楊月全，李福東，等．基于全參數(shù)自適應(yīng)變異粒子群算法的單目相機標定［J]．東南大學(xué)學(xué)報（自然科學(xué)版），2017，47（S1）：193—198.Qin Ruikang， Yang Yuequan， Li Fudong， etal.Monocular camera calibration based on particleswarm algorithm with all parameter adaptivemutation mechanism [J]. Journal of Southeast University（Natural Science Edition），2017，47（S1）：193—198.

[8]張貴陽，霍炬，楊明，等.基于雙更新策略加權(quán)差分進化粒子群的雙目相機標定[J]．紅外與激光工程，2021，50（4）：176-186.

[9]Gao S，Guan H， Ma X， et al. Soybean canopyextractionmethodbasedonmultispectral imageprocessing [J]. Spectroscopy and Spectral Analysis，2022，42（11）：3568-3574.

[10]WangL，Zhao P，Chu N，etal.Ahierarchical bayesianfusion method of infrared and visible imagesfortemperaturemonitoringofhigh-speeddirect-driveblower［J]. IEEE Sensors Journal，2022，22（19）：18815—18830.

[11]Liu M，Guan H，Ma X，et al. Recognition methodofthermal infrared images ofplant canopies basedonthecharacteristicregistrationofheterogeneousimages[J].Computers and Electronics in Agriculture，2020，177：105678.

[12]馬曉丹，劉夢，關(guān)海鷗，等．基于熱紅外圖像處理技術(shù)的農(nóng)作物冠層識別方法研究［J]．光譜學(xué)與光譜分析，2021，41（1）：216-222.

[13]MengL，ZhouJ，LiuS，etal.Arobustregistration method for UAV thermal infrared andvisible images taken by dual-cameras [J]. ISPRS Journalof Photogrammetry and Remote Sensing，2022，192：189—214.

[14]JiangQ，Liu Y，Yan Y，et al.Acontour angleorientation for power equipment infrared and visibleimage registration [J]. IEEE Transactions on PowerDelivery，2021，36（4）：2559-2569.

[15]Steven Macenski，Tully Foote，Brian Gerkey，etal.Robot operating system 2：Design， architecture，anduses in the wild[J].Science Robotics，2022，7（66）：6074.

[16]徐呈藝，劉英，肖軼，等．基于改進粒子群算法的相機內(nèi)參優(yōu)化方法[J].激光與光電子學(xué)進展，2020，57（4）：338-344.XuChengyi， Liu Ying， Xiao Yi， etal.Optimization method for camera intrinsic parametersbased on improved particle swarm algorithm [J]. Laser amp;.OptoelectronicsProgress，2020，57（4）：338-344.

[17］李天華，孫萌，丁小明，等．基于YOLOv4十HSV的成熟期番茄識別方法[J].農(nóng)業(yè)工程學(xué)報，2021，37（21）：183—190.LiTianhua， SunMeng， DingXiaoming， etal.Tomato recognition method at the ripening stage based onYOLOv4 and HSV [J]. Transactions of the Chinese SocietyofAgriculturalEngineering，2021，37（21）：183—190.

[18]曹英麗，林明童，郭忠輝，等．基于Lab顏色空間的非監(jiān)督GMM水稻無人機圖像分割[J]．農(nóng)業(yè)機械學(xué)報，2021，52（1）：162—169.Cao Yingli，Lin Mingtong， Guo Zhonghui，etal.UnsupervisedGMMforricesegmentationwithUAVimages based on lab color space[J]. Transactionsof the Chinese Society for Agricultural Machinery，2021，52（1）：162—169.

[19]楊守瑞，段婉瑩，艾文宇，等．光場相機建模與畸變校正改進方法[J].紅外與激光工程，2023，52（1）：239-247.

[20］周煜博，劉立群.基于EM—PCNN的果園蘋果異源圖像配準方法[J]．農(nóng)業(yè)工程學(xué)報，2022，38（5）：175—183.Zhou Yubo，Liu Liqun.Heterologoussources imagesintheapple orchard registration method using EM—PCNN[J]. Transactions of the Chinese Society ofAgriculturalEngineering，2022，38（5）：175—183.

[21] Luo Z，Yang W，Yuan Y，et al. Semantic segmentationofagricultural images：A survey [J].InformationProcessing in Agriculture，2023：1-15.