孫 科，張彥斐，宮金良

(1 山東理工大學(xué) 機(jī)械工程學(xué)院, 山東 淄博 255000； 2 山東理工大學(xué) 農(nóng)業(yè)工程與食品科學(xué)學(xué)院, 山東 淄博 255000)

隨著農(nóng)業(yè)機(jī)械化水平的不斷提高，越來越多的新技術(shù)應(yīng)用于農(nóng)業(yè)。針對(duì)農(nóng)作物病蟲害防治，利用農(nóng)業(yè)機(jī)器人實(shí)現(xiàn)自主作業(yè)，可以解決從事農(nóng)業(yè)人口比例逐年降低、勞動(dòng)者工作強(qiáng)度大等問題，提高作業(yè)效率和質(zhì)量，降低生產(chǎn)成本[1-2]。自動(dòng)導(dǎo)航是農(nóng)業(yè)機(jī)器人實(shí)現(xiàn)自主作業(yè)重要的一步，目前應(yīng)用于農(nóng)業(yè)的自動(dòng)導(dǎo)航技術(shù)主要有RTK-GPS導(dǎo)航、機(jī)器視覺導(dǎo)航、地磁導(dǎo)航和無線電導(dǎo)航等，但GPS導(dǎo)航容易受到農(nóng)田作物遮擋影響，信號(hào)不穩(wěn)定，而多傳感器融合導(dǎo)航具有實(shí)時(shí)性好、價(jià)格低廉、適用范圍廣等優(yōu)點(diǎn)，因此相機(jī)與激光雷達(dá)融合導(dǎo)航已經(jīng)逐步成為國內(nèi)外研究熱點(diǎn)。

S?gaard等[3]通過計(jì)算圖像中玉米的重心代替分割步驟，從而減少了圖像處理的耗時(shí)；楊洋等[24]利用動(dòng)態(tài)感興趣區(qū)域去除圖像中干擾部分，采用最小二乘法直線擬合獲取了玉米導(dǎo)航線。常昕等[4]以激光雷達(dá)點(diǎn)云數(shù)據(jù)修正跟蹤，解決圖像中受光照、陰影和背景干擾的問題。胡丹丹等[5]以玉米收割機(jī)器人為載體，采用機(jī)器視覺獲取玉米植株離散點(diǎn)特征，基于Hough變換進(jìn)行直線擬合得到導(dǎo)航基準(zhǔn)線。Marchant等[6]通過植物的顏色特征和相機(jī)標(biāo)定對(duì)作物行進(jìn)行Hough變換處理，提高了檢測(cè)效率。梁習(xí)卉子等[7]對(duì)區(qū)域內(nèi)各色域分量權(quán)值進(jìn)行調(diào)整，強(qiáng)調(diào)綠色像素而淡化紅色和藍(lán)色像素，去除枯草、陰影對(duì)檢測(cè)結(jié)果造成的干擾。

目前農(nóng)業(yè)機(jī)器人在田間行走主要依靠單一傳感器識(shí)別，利用相機(jī)獲取圖像數(shù)據(jù)，將植株綠色像素投影曲線峰值特性，通過算法擬合峰值點(diǎn)可以獲得導(dǎo)航基準(zhǔn)線。俞毓鋒等[8]結(jié)合激光雷達(dá)的深度信息和圖像的顏色紋理信息，構(gòu)建在時(shí)序幀間的特征點(diǎn)匹配關(guān)系，終將定位問題轉(zhuǎn)化為特征點(diǎn)對(duì)的加權(quán)重投影誤差優(yōu)化問題。但實(shí)際上存在光照和地面起伏等因素，在信息融合過程中容易出現(xiàn)信息不匹配問題，降低識(shí)別準(zhǔn)確率。宋宇等[9]提出特征點(diǎn)處植株綠色特征列像素累加值大于左右相鄰像素累加值，通過設(shè)定峰值點(diǎn)距離閾值來獲取準(zhǔn)確根莖定位點(diǎn)，最終利用擬合定位點(diǎn)來獲取導(dǎo)航線。但實(shí)際上玉米田中普遍存在缺苗、一穴多株現(xiàn)象，并且相機(jī)拍攝角度或焦距成像不同，在設(shè)定距離閾值進(jìn)行篩選根莖定位點(diǎn)時(shí)會(huì)出現(xiàn)錯(cuò)誤，降低擬合導(dǎo)航線的準(zhǔn)確率。馮娟等[10]利用特征點(diǎn)附近像素值梯度變化程度，通過對(duì)形態(tài)學(xué)處理后的圖像進(jìn)行掃描獲取土壤與根莖交界線。該方法在根莖附近有雜草干擾的情況時(shí)，會(huì)在相鄰根莖定位點(diǎn)之間產(chǎn)生偽特征點(diǎn)，對(duì)導(dǎo)航線擬合產(chǎn)生嚴(yán)重影響。

本文針對(duì)單一傳感器無法有效識(shí)別導(dǎo)航線問題，提出一種基于離散因子的多傳感器特征檢測(cè)和數(shù)據(jù)融合方法，離散因子是由激光雷達(dá)和相機(jī)采集到的孤立的信息點(diǎn)集，因此構(gòu)建多傳感器目標(biāo)識(shí)別的相對(duì)一致性和加權(quán)一致性函數(shù)，根據(jù)多傳感器特征檢測(cè)的權(quán)重以及相關(guān)的一致性函數(shù)，建立多傳感器特征識(shí)別的數(shù)據(jù)融合支持度數(shù)學(xué)模型以獲取特征點(diǎn)。最后利用正確的玉米特征中心點(diǎn)進(jìn)行擬合，可以獲得導(dǎo)航基準(zhǔn)線，為農(nóng)業(yè)機(jī)械在玉米田間行走提供導(dǎo)航基準(zhǔn)。

1 數(shù)據(jù)采集和預(yù)處理

1.1 圖像采集與特征提取

視覺系統(tǒng)采集到的3～5葉期玉米植株圖片為RGB彩色圖像(圖1)，圖像分辨率為640像素×480像素。測(cè)試環(huán)境為陰天，環(huán)境中有石子、樹枝及行人等干擾因素，用 2G-B-R可以提取綠色特征分量[11]，采用超綠化算法處理后，灰度圖像仍為三維向量數(shù)據(jù)組，因此需要對(duì)圖像進(jìn)行二值化處理，可以有效減少計(jì)算量，提高效率。使用最大類間方差法[12-14](OTSU)以及形態(tài)學(xué)濾波中的開運(yùn)算[15-17]進(jìn)行二值化處理，處理效果如圖2所示，該算法有效屏蔽了干擾因素并提取植物特征，同時(shí)對(duì)每個(gè)玉米植株連通域計(jì)算其重心位置并保存?zhèn)溆谩?/p>

圖1 玉米植株原始圖像Fig.1 Original image of corn plants

圖2 二值化處理后的玉米植株圖像Fig.2 Image of corn plants after binary processing

1.2 點(diǎn)云數(shù)據(jù)采集與聚類分析

采用 Velodyne Lidar VLP-16PUCK 的激光雷達(dá)對(duì)視覺采集的同一目標(biāo)進(jìn)行數(shù)據(jù)掃描。激光雷達(dá)掃描的數(shù)據(jù)以點(diǎn)云形式存儲(chǔ)，每個(gè)掃描點(diǎn)包含該點(diǎn)的三維坐標(biāo)和反射率等信息。但由于復(fù)雜環(huán)境存在干擾以及設(shè)備存在精度的缺陷，原始點(diǎn)云數(shù)據(jù)存在偽特征點(diǎn)。針對(duì)原始數(shù)據(jù)中的偽特征點(diǎn)，采用基于半徑濾波去噪的方法進(jìn)行剔除，即設(shè)置規(guī)定半徑范圍內(nèi)點(diǎn)云的最小數(shù)量，當(dāng)給定點(diǎn)周圍點(diǎn)云數(shù)量大于給定值時(shí)保留該點(diǎn)，反之則剔除該點(diǎn)，依序迭代可獲得最密集的點(diǎn)，從而去除原始數(shù)據(jù)中的偽特征點(diǎn)，處理后的點(diǎn)云俯視圖如圖3所示。

圖3 玉米植株點(diǎn)云數(shù)據(jù)預(yù)處理Fig.3 Preprocessing of point cloud data of corn plants

預(yù)處理后的玉米植株點(diǎn)云數(shù)據(jù)依然存在模糊、分散等問題，因此進(jìn)行部分聚類操作，導(dǎo)出最大密度相連的樣本集合，即為最終聚類的一個(gè)類別，從而加強(qiáng)玉米植株的特征點(diǎn)云數(shù)據(jù)。采用DBSCAN[18-19]聚類算法進(jìn)行點(diǎn)云數(shù)據(jù)處理，通過將緊密相連的樣本劃為一類，這樣就得到一個(gè)聚類類別，通過將所有各組緊密相連的樣本劃為各個(gè)不同的類別，則可以獲得最終所有聚類類別的結(jié)果。經(jīng)過DBSCAN聚類操作處理的點(diǎn)云數(shù)據(jù)如圖4所示，玉米植株的特征被劃分得更加明顯，解決了點(diǎn)云數(shù)據(jù)雜亂、噪音多等問題。

圖4 DBSCAN聚類玉米植株點(diǎn)云數(shù)據(jù)Fig.4 DBSCAN clustering of point cloud data of corn plants

2 多傳感器數(shù)據(jù)融合

基于相機(jī)和激光雷達(dá)的融合導(dǎo)航識(shí)別算法是將預(yù)處理后點(diǎn)云數(shù)據(jù)的反射率信息加入到預(yù)處理后圖像數(shù)據(jù)中，降低光照不足、遮擋等干擾對(duì)可通行區(qū)域提取的影響，提高識(shí)別精度，算法流程如圖5所示。

圖5 玉米植株特征識(shí)別流程圖Fig.5 Flow chart of corn plant feature recognition

2.1 相機(jī)與激光雷達(dá)聯(lián)合標(biāo)定

為達(dá)到數(shù)據(jù)融合的目的，首先要將相機(jī)和激光雷達(dá)數(shù)據(jù)進(jìn)行空間匹配，因此需要對(duì)相機(jī)和激光雷達(dá)進(jìn)行聯(lián)合標(biāo)定[20-21]，即得到兩者之間的數(shù)據(jù)轉(zhuǎn)換關(guān)系，找到同一時(shí)刻激光雷達(dá)點(diǎn)云數(shù)據(jù)對(duì)應(yīng)圖像中的像素點(diǎn)。

建立激光雷達(dá)坐標(biāo)系OL-XL,YL,ZL；相機(jī)坐標(biāo)系OC-XC,YC,ZC；圖像坐標(biāo)系O-x,y；像素坐標(biāo)系O-u,v，如圖6所示。假設(shè) θX,θY,θZ為激光雷達(dá)坐標(biāo)系相對(duì)于相機(jī)坐標(biāo)系在x,y,z坐標(biāo)軸方向的轉(zhuǎn)角，轉(zhuǎn)動(dòng)矩陣為R；T(t1,t2,t3)為相機(jī)坐標(biāo)系到激光雷達(dá)坐標(biāo)系的平移向量； (u0,v0)為圖像坐標(biāo)系原點(diǎn)在像素坐標(biāo)系下的位置。

圖6 坐標(biāo)轉(zhuǎn)換示意圖Fig.6 Schematic diagram of coordinate conversion

傳感器融合的關(guān)鍵就是將物體在激光雷達(dá)下的坐標(biāo)轉(zhuǎn)化為像素坐標(biāo)，從而達(dá)到激光點(diǎn)云與圖像融合的目的。因此，假設(shè)空間有一點(diǎn)P在激光雷達(dá)坐標(biāo)系下的坐標(biāo)為 (XL,YL,ZL)，在相機(jī)坐標(biāo)系下的坐標(biāo)為 (XC,YC,ZC)，在圖像坐標(biāo)系下的坐標(biāo)為 (x,y)，在像素坐標(biāo)系下的坐標(biāo)為 (u,v)，t1,t2,t3分別為相機(jī)到激光雷達(dá)x,y,z方向的距離。具體過程為：將P點(diǎn)在激光雷達(dá)坐標(biāo)系下的坐標(biāo)轉(zhuǎn)為相機(jī)坐標(biāo)，再從相機(jī)坐標(biāo)轉(zhuǎn)為圖像坐標(biāo)，最后從圖像坐標(biāo)轉(zhuǎn)為像素坐標(biāo)。

1) 從激光雷達(dá)坐標(biāo)系到相機(jī)的坐標(biāo)系轉(zhuǎn)化為：

式中，

2) 從相機(jī)坐標(biāo)系到圖像坐標(biāo)系的轉(zhuǎn)換為：

式中，f是相機(jī)的焦距。

3) 從圖像坐標(biāo)到像素坐標(biāo)的轉(zhuǎn)換為：

式中：dx為單個(gè)像素點(diǎn)在像素坐標(biāo)x方向的長度，單位mm；dy為單個(gè)像素點(diǎn)在像素坐標(biāo)y方向的長度，單位mm；u0為像素坐標(biāo)系和圖像坐標(biāo)在x方向的平移偏量，v0為像素坐標(biāo)系和圖像坐標(biāo)在y方向的平移偏量，單位mm。

2.2 數(shù)據(jù)融合模型

在相機(jī)和激光雷達(dá)對(duì)地面作物進(jìn)行識(shí)別的過程中，2種傳感器會(huì)探測(cè)到地面作物的不同特征，通過信號(hào)處理將2個(gè)傳感器收集到的目標(biāo)相應(yīng)特征輸出，其輸出數(shù)據(jù)對(duì)目標(biāo)識(shí)別結(jié)果的支持程度以及輸出數(shù)據(jù)的一致性函數(shù)[22]是系統(tǒng)準(zhǔn)確識(shí)別作物的重要依據(jù)。

假設(shè) α是需要識(shí)別的作物特征組成的集合，則將 α中一個(gè)模糊集定義為一個(gè)隸屬函數(shù)：

式中，mj(w)表示第j個(gè)傳感器對(duì)模糊命題的隸屬度，E表示地面目標(biāo)特征， μj、 σj分別表示地面目標(biāo)特征的均值和標(biāo)準(zhǔn)差，w表示識(shí)別的作物目標(biāo)特征，不同的傳感器獲取作物的不同特征。

因?yàn)椴捎枚鄠鞲衅鬟M(jìn)行作物識(shí)別，所以采用關(guān)聯(lián)性結(jié)果來表示2個(gè)傳感器對(duì)同一個(gè)支持模糊命題的支持程度。具體操作是先假設(shè)2個(gè)傳感器i和j對(duì)模糊命題的共同支持程度，即mi(w)和mj(w)之間的關(guān)聯(lián)性，稱之為一致性函數(shù)：

式中，∧表示取兩者中數(shù)值較小者，∨表示取兩者中數(shù)值較大者。

然后進(jìn)行判別，當(dāng)2個(gè)傳感器對(duì)模糊命題的支持度相同時(shí)，取Sji=1；當(dāng)2個(gè)傳感器對(duì)模糊命題的支持度將近時(shí)，表明2個(gè)傳感器觀測(cè)值相互支持度高，則 0 ＜Sji＜1；當(dāng)2個(gè)傳感器對(duì)模糊命題的支持度相差較大，表明2個(gè)傳感器觀測(cè)值相互支持度低，甚至相互背離，因此對(duì)其信息不采用，則取Sji=0。如果出現(xiàn)2個(gè)傳感器支持度持續(xù)不同的結(jié)論，就需要進(jìn)一步判別這2個(gè)傳感器是否出現(xiàn)故障。

例如采用一組隨機(jī)變量E1,E2,···,Eh來表示通過多傳感器獲得地面目標(biāo)的h個(gè)特征，通過隨機(jī)變量的標(biāo)準(zhǔn)差與均值計(jì)算隸屬度mj(w)，從而計(jì)算傳感器對(duì)模糊命題的支持度Sji。

假設(shè)隨機(jī)變量的標(biāo)準(zhǔn)差和均值如表1所示。

表1 玉米植株特征隨機(jī)變量及其標(biāo)準(zhǔn)差和均值Table 1 Random variables, standard deviations and means of maize plant characteristics

將數(shù)值帶入公式(5)計(jì)算的隸屬度mj(w)結(jié)果如表2所示。

表2 各傳感器對(duì)不同目標(biāo)的隸屬度Table 2 Membership of each sensor to different targets

根據(jù)公式(6)可以求得S12(目標(biāo)1)=0.964，S12(目標(biāo)2)=0.559，S12(目標(biāo)3)=0.578。

根據(jù)相機(jī)和激光雷達(dá)目標(biāo)識(shí)別輸出的一致性函數(shù)，構(gòu)建傳感器采集的所有特征對(duì)模糊命題的支持度一致性矩陣：

式中，l表示采集到的目標(biāo)的特征數(shù)量。

利用上式中傳感器采集的所有特征對(duì)模糊命題的支持度一致性計(jì)算出平均一致性，通過歸一化處理，計(jì)算出第j個(gè)傳感器作物識(shí)別輸出的相對(duì)一致性函數(shù)：

式中，M′j為第j個(gè)傳感器作物識(shí)別輸出的一致性函數(shù)。通過一致性函數(shù)，即可將不同物理量的傳感器數(shù)據(jù)進(jìn)行匹配，保留圖像特征重心和激光點(diǎn)云共同的作物特征點(diǎn)，剔除偽特征點(diǎn)。

由于測(cè)試環(huán)境的目標(biāo)干擾，行人、測(cè)試區(qū)域動(dòng)態(tài)變化性等不確定因素，利用2種傳感器采集目標(biāo)的多類型特征數(shù)據(jù)，并依據(jù)獲得的目標(biāo)離散信息點(diǎn)集之間的離散狀態(tài)確定多傳感器的當(dāng)前權(quán)重，離散因子根據(jù)不同時(shí)間段、多測(cè)試區(qū)域傳感器測(cè)量的目標(biāo)信息進(jìn)行融合，有效避免了傳感器權(quán)重選取的經(jīng)驗(yàn)性和局限性；同時(shí)，將傳感器當(dāng)前權(quán)重引入到多傳感器目標(biāo)識(shí)別的平均加權(quán)一致性函數(shù)數(shù)學(xué)模型，通過計(jì)算處理給出多傳感器目標(biāo)識(shí)別的相對(duì)加權(quán)一致性計(jì)算函數(shù)；結(jié)合多傳感器目標(biāo)識(shí)別的相對(duì)一致性、多傳感器目標(biāo)識(shí)別的當(dāng)前權(quán)重，構(gòu)建基于離散因子的多傳感器目標(biāo)識(shí)別的數(shù)據(jù)融合支持度計(jì)算模型。

3 導(dǎo)航線提取

將預(yù)處理后的圖像與激光雷達(dá)特征點(diǎn)進(jìn)行融合，剔除了偽特征點(diǎn)，對(duì)其獲得的特征點(diǎn)進(jìn)行直線擬合即可得到導(dǎo)航基準(zhǔn)線。為減少異常點(diǎn)對(duì)作物特征點(diǎn)進(jìn)行直線擬合的影響，引入隨機(jī)采樣一致(Random sample consensus, RANSAC)算法[23]，通過反復(fù)選擇數(shù)據(jù)集估計(jì)出模型，一直迭代到估計(jì)出較好的模型。具體步驟為：

1) 首先篩選可以估計(jì)出模型的最小數(shù)據(jù)，使用這個(gè)數(shù)據(jù)計(jì)算出數(shù)據(jù)模；

2) 將所有數(shù)據(jù)帶入這個(gè)模型，計(jì)算出組成模型參數(shù)數(shù)據(jù)的數(shù)量即內(nèi)點(diǎn)數(shù)量；

3) 比較當(dāng)前模型和之前推出最好模型的內(nèi)點(diǎn)數(shù)量，記錄最大內(nèi)點(diǎn)數(shù)的模型參數(shù)；

4) 重復(fù)上述步驟，直到迭代結(jié)束或者當(dāng)前模型內(nèi)點(diǎn)數(shù)量達(dá)到要求。

此時(shí)需要對(duì)迭代次數(shù)進(jìn)行選擇，假設(shè)內(nèi)點(diǎn)在數(shù)據(jù)中的占比為t。則：

式中，ninliers為內(nèi)點(diǎn)數(shù)量，noutliers為外點(diǎn)數(shù)量。

在每次計(jì)算模型使用N個(gè)點(diǎn)的情況下，選取的點(diǎn)至少有1個(gè)不是內(nèi)點(diǎn)的概率是1 -tN，在迭代k次的情況下，( 1-tN)k為模型至少1次沒有采樣到內(nèi)點(diǎn)時(shí)計(jì)算出模型的概率，即計(jì)算出錯(cuò)誤模型的概率。那么能采樣到正確的N個(gè)點(diǎn)并計(jì)算出正確模型的概率為：

通過上式，可以求得：

內(nèi)點(diǎn)占比t通常為先驗(yàn)值，P是我們希望RANSAC算法得到正確模型的概率，此時(shí)可以求出最優(yōu)的迭代次數(shù)k。通過RANSAC算法分別得到左、右導(dǎo)航基準(zhǔn)線，2條導(dǎo)航基準(zhǔn)線的角平分線即玉米田導(dǎo)航線，如圖7所示。設(shè)左導(dǎo)航基準(zhǔn)線斜率為 β1，右導(dǎo)航基準(zhǔn)線斜率為 β2，則導(dǎo)航線斜率 β滿足：

圖7 導(dǎo)航基準(zhǔn)線擬合Fig.7 Navigation baseline fitting

4 試驗(yàn)及可靠性分析

試驗(yàn)采用英特爾 Pentium(R) CPU G3250 @3.20 GHZ、4 GB 內(nèi)存、Windows 7(64 位)操作系統(tǒng)的計(jì)算機(jī)，在Python3.7(Anaconda)的集成開發(fā)環(huán)境下編程完成。試驗(yàn)中的農(nóng)業(yè)機(jī)器人寬45 cm、長60 cm，裝有森云智能SG2-AR0233C-5200-GMSL2相機(jī)、16線激光雷達(dá)、4 G模塊等多種傳感器，采集前方環(huán)境和玉米植株信息，如圖8所示。

圖8 數(shù)據(jù)采集設(shè)備Fig.8 Image acquisition equipment

為了更精確地分析該方法在玉米田中的植保機(jī)器人行走區(qū)域識(shí)別精度，本試驗(yàn)通過布置標(biāo)定好行距和株距的玉米植株，模擬真實(shí)場景開展精度分析試驗(yàn)。結(jié)果表明，本文算法可以準(zhǔn)確提取導(dǎo)航線。由于實(shí)時(shí)性和正確性是導(dǎo)航線提取的正確指標(biāo)，表3統(tǒng)計(jì)了本文算法不同傳感器對(duì)隨機(jī)900幀圖像的平均處理時(shí)間及正確率，通過人工標(biāo)定圖像最合理的導(dǎo)航線，定義人工與本文算法提取的導(dǎo)航線之間的夾角為誤差角，誤差角超過5°時(shí)，視為導(dǎo)航線錯(cuò)誤。

表3 不同傳感器性能評(píng)價(jià)指標(biāo)Table 3 Performance evaluation index of different sensors

由表3可知，分別用相機(jī)、三維激光雷達(dá)和傳感器融合的識(shí)別方法，平均處理時(shí)間逐漸增加，正確率也隨之增加，當(dāng)將相機(jī)和激光雷達(dá)融合時(shí)，平均處理時(shí)間和誤差角度均滿足要求。將該算法與候補(bǔ)定位點(diǎn)二次判別算法、動(dòng)態(tài)遷移算法進(jìn)行對(duì)比，本算法單幀平均處理時(shí)間為95.62 ms，優(yōu)于候補(bǔ)定位點(diǎn)二次判別算法的單幀平均處理時(shí)間200 ms[9]和動(dòng)態(tài)遷移算法的單幀平均處理時(shí)間97.56 ms[24]，具有更高的實(shí)時(shí)性；本算法正確率為95.33%，優(yōu)于候補(bǔ)定位點(diǎn)二次判別算法的正確率90%[9]和動(dòng)態(tài)遷移算法的正確率95%[24]，為農(nóng)業(yè)機(jī)械的視覺導(dǎo)航提供了可靠保障。

5 結(jié)論

本文基于半徑的濾波方法依序迭代剔除點(diǎn)云數(shù)據(jù)噪音，利用DBSCAN算法進(jìn)行點(diǎn)云數(shù)據(jù)聚類，導(dǎo)出最大密度相連的樣本集合，采用激光雷達(dá)和相機(jī)信息融合的方式進(jìn)行可通行區(qū)域提取，在圖像數(shù)據(jù)中加入點(diǎn)云數(shù)據(jù)的反射率信息，降低了陰影、遮擋對(duì)導(dǎo)航線提取的影響。

根據(jù)多時(shí)間段、多空間區(qū)域傳感器采集的目標(biāo)特征量進(jìn)行系統(tǒng)建模分析，并依據(jù)獲得的目標(biāo)特征值之間的離散因子確定多傳感器權(quán)重選擇，根據(jù)權(quán)重引入多傳感器目標(biāo)識(shí)別的平均加權(quán)一致性函數(shù)，獲得具有冗余性的數(shù)據(jù)融合支持度模型。最終試驗(yàn)平均處理時(shí)間僅為95.62 ms，正確率高達(dá)95.33%，提高了檢測(cè)結(jié)果的穩(wěn)定性和準(zhǔn)確性，為農(nóng)業(yè)機(jī)器人在農(nóng)田環(huán)境中作業(yè)提供了可靠的導(dǎo)航路徑。