王瑞陽 ，徐 洋

（許昌電氣職業(yè)學(xué)院，河南 許昌 461000）

據(jù)統(tǒng)計，2018 年農(nóng)戶在當(dāng)?shù)氐淖誀I收入出現(xiàn)了很大的下滑，而未出去打工的農(nóng)戶收入比上年減少了3.86%，農(nóng)民農(nóng)業(yè)經(jīng)營收入在農(nóng)業(yè)增加值的占比較少，顯示農(nóng)民在市場競爭中的弱勢地位[1]。實踐證明，唯有下大力氣推廣先進適用的農(nóng)業(yè)機械，降低農(nóng)民勞動強度，提升農(nóng)業(yè)生產(chǎn)效率，增加農(nóng)民效益，才能有效解決當(dāng)前的農(nóng)業(yè)和農(nóng)村問題。因此，提升21世紀(jì)的農(nóng)業(yè)智能化程度，將是當(dāng)前乃至今后很長一段時間我國需要完成的一個重大課題，也是社會發(fā)展的必然趨勢[2]。

1 機器視覺技術(shù)在農(nóng)業(yè)中的應(yīng)用現(xiàn)狀

1.1 農(nóng)產(chǎn)品分級

我國農(nóng)產(chǎn)品要想走出國門，就必須對其進行質(zhì)量分類與檢驗?，F(xiàn)有的無損探測手段依賴于人工，耗時費力，且具有破壞性。比如，有研究學(xué)者提出利用融合西紅柿顏色特征和BP 神經(jīng)網(wǎng)絡(luò)分類技術(shù)的方式，來對西紅柿的成熟期進行檢測[3]。這種方法對西紅柿成熟期的平均精度達(dá)到99.31%，標(biāo)準(zhǔn)誤差為1.2%。但存在的缺點是，一些水果表面的斑點會對試驗的效果產(chǎn)生一定的影響。通過圖像處理和機器學(xué)習(xí)，使用形態(tài)學(xué)和固定閾值劃分的方式來對水果進行分類，并使用SVM 支持向量機根據(jù)質(zhì)地特征來獲取區(qū)分的結(jié)果，可以完成對一些水果的分類。在計算缺陷程度上，可以使用種子填補法進行標(biāo)簽，來計算出缺陷的數(shù)量和面積，本研究通過對60 個水果進行測試，發(fā)現(xiàn)分類的準(zhǔn)確率可以達(dá)到90%。因此，在對農(nóng)產(chǎn)品質(zhì)量進行檢測的技術(shù)上，要通過動態(tài)的檢測，來提升檢測的效率，并尋找出一種能夠?qū)λ修r(nóng)產(chǎn)品進行鑒定的普遍的檢測方法[4]。

1.2 農(nóng)產(chǎn)品自動采摘

在整個農(nóng)業(yè)產(chǎn)業(yè)鏈中，農(nóng)產(chǎn)品的采摘是效率低且極易產(chǎn)生損耗的環(huán)節(jié)。將計算機圖像處理技術(shù)應(yīng)用于農(nóng)產(chǎn)品的機械化自動采摘，是目前我國農(nóng)業(yè)生產(chǎn)中最為熱門的研究方向[5]。有研究學(xué)者提出，利用激光采集的特點，通過降低光線的波動，并在發(fā)現(xiàn)“候選”水果的時候，將其分別對應(yīng)一個區(qū)域（凸面區(qū)），并根據(jù)其表面的空間位置進行確定，最終判斷出一個農(nóng)產(chǎn)品能否被采集。在采集過程中，將其采集的時間控制在30 s 以內(nèi)，并可用于多種農(nóng)產(chǎn)品的采集；利用橙色水果進行采集，利用二值化的圖像提取出樣品的輪廓線，完成采集，最終獲得的準(zhǔn)確率可達(dá)98.6%，采集的速率可達(dá)25 s/個，但由于受到外部光線條件的限制，無法適應(yīng)具體的使用場合[6]。與之相比，農(nóng)業(yè)產(chǎn)品在自動化技術(shù)上的需求更加苛刻，當(dāng)前色彩信息更加清晰的蔬菜和水果都能夠?qū)崿F(xiàn)自動化。通過調(diào)查，得出了光照和熱量是影響作物的成長趨勢與成長環(huán)境的主要因素。因此，在未來要從這兩個方面來提高農(nóng)產(chǎn)品收獲率。

2 農(nóng)業(yè)機器人定位技術(shù)的應(yīng)用現(xiàn)狀

2.1 視覺相對定位方法

視覺相對定位方法是通過附著在農(nóng)業(yè)機器人的圖像傳感器上，收集它前進方向上的圖像，通過預(yù)處理、特征提取和分割以及圖像識別等方法，把它所感受到的2D 圖像轉(zhuǎn)化為3D 的空間數(shù)據(jù)[7]，然后對它進行探測，獲得一個導(dǎo)航的基線，可以判斷出兩個機器人之間的相互位置，從而可以在一個有一定規(guī)律的或者是一個被它弄得很不穩(wěn)定的區(qū)域內(nèi)，進行一個相對定位的導(dǎo)航的方法。通過視覺相對定位方法可實現(xiàn)農(nóng)田作業(yè)機器人在復(fù)雜地形下的運動軌跡及側(cè)向運動軌跡的精確求解，實現(xiàn)農(nóng)田作業(yè)在復(fù)雜地形及有衛(wèi)星干擾的復(fù)雜地形下的相對定位[8]。

2.2 激光雷達(dá)相對定位方法

激光雷達(dá)定位自主導(dǎo)航是對周圍環(huán)境中點云信息進行檢測，通過點云對準(zhǔn)、點云去噪等預(yù)處理，再通過分割、聚類等算法進行障礙物識別，利用分類、跟蹤算法實現(xiàn)對目標(biāo)點的檢測，最后通過目標(biāo)點與農(nóng)業(yè)機器人本身之間的距離，結(jié)合測量角度，獲得目標(biāo)點的極點位置，實時計算農(nóng)業(yè)機器人與擬合操作路徑之間的航向偏差和橫向偏差，完成農(nóng)用機器人在不同種植環(huán)境下的相對定位導(dǎo)航的方法。

2.3 激光雷達(dá)與視覺相機融合的定位方法

目前，多個多源融合技術(shù)主要包括：激光雷達(dá)-毫米波雷達(dá)（LiDAR-RADAR）融合技術(shù)，攝像機-攝像機融合技術(shù)，二維-攝像機融合技術(shù)，3D-攝像機融合技術(shù)。在探測和辨識方面，通過攝像機可以實現(xiàn)良好的目標(biāo)識別，而激光雷達(dá)可以更好地進行目標(biāo)位置的估計[9]。

3 機器視覺技術(shù)在農(nóng)業(yè)機器人定位中的應(yīng)用

3.1 基于機器視覺技術(shù)的目標(biāo)坐標(biāo)獲取方法

首先，在機器視覺中包含四種坐標(biāo)系，世界坐標(biāo)系、相機坐標(biāo)系、圖像坐標(biāo)系及像素坐標(biāo)系[10]。在提取物體的坐標(biāo)時，必須利用計算機圖像處理技術(shù)，對被辨識物體進行自動辨識，并根據(jù)物體在像素坐標(biāo)系內(nèi)的位置來判斷物體的方位。其次，通過對圖像坐標(biāo)系、相機坐標(biāo)系和世界坐標(biāo)系的變換，獲得被辨識物體在現(xiàn)實世界的坐標(biāo)。在此基礎(chǔ)上，在世界坐標(biāo)系統(tǒng)和相機坐標(biāo)系統(tǒng)的變換過程中，不會產(chǎn)生變形。通過使用平動與轉(zhuǎn)動，可以獲得它們之間的相互關(guān)系，其變換公式為：

在使用單目視攝像機對物體進行探測時，物體在影像中所出現(xiàn)的點的位置與其對應(yīng)的變換關(guān)系為：

圖像坐標(biāo)系統(tǒng)和像素坐標(biāo)系統(tǒng)的關(guān)系如下表述，將像素之間沿x軸和y軸的每一單元間距設(shè)為dx和dy，(u,v)是像素中央的像素坐標(biāo)，那么像素坐標(biāo)系和圖像坐標(biāo)系的轉(zhuǎn)換公式如下所示：

由上述公式可知，從圖像中的某個點的像素的位置(u,v)，可以得到并計算出目標(biāo)的攝像機的坐標(biāo)，也就是目標(biāo)與攝像機的相對位置。所有的相關(guān)的物性參量都可以由照相機的校準(zhǔn)得到。

由以上的論述可知，在已經(jīng)知道了照相機內(nèi)參數(shù)的條件下，對空間中的一個目標(biāo)標(biāo)點，通過其在像素坐標(biāo)下的坐標(biāo)(u,v)和與攝像機的距離d，可以得到該點相對于深度相機的坐標(biāo)(xc,yc,zc)，xc、yc、zc單位都為mm。用顏色影像作為像素坐標(biāo)，用深度影像來計算距離d。為了實現(xiàn)多個點在同一時間內(nèi)的3D 坐標(biāo)的同步獲取，必須對兩個點在不同顏色下的位置(uc,vc)和不同深度的位置(ud,vd)進行精確定位，這個問題被稱作“顏色-深度”兩幅影像的融合。在具體的運用中，可以先通過攝像機同時獲取地物的顏色影像和深度影像，然后將兩個影像進行合成。之后，利用機器視覺技術(shù)，對整合后的影像進行對象的探測，從而獲得在影像當(dāng)中關(guān)于蘋果目標(biāo)的邊界盒的信息，并對該邊界盒的中心點，也就是目標(biāo)農(nóng)產(chǎn)品的中心點在影像當(dāng)中的位置進行了判斷。然后，利用攝像機和像素之間的空間位置變換，再根據(jù)影像中所儲存的空間位置，來確定物體與攝像機之間的位置。

3.2 基于機器視覺技術(shù)的機器人位置定位方法

基于視覺的距離測量技術(shù)是近年來興起的一種基于機器視覺的自主位置測量技術(shù)。該系統(tǒng)的核心是對由兩個視覺傳感元件采集到的一系列2D 影像中的特征點進行跟蹤，并對其進行自己的移動估算。主要研究內(nèi)容包括：基于單目或雙目攝像頭采集的運動軌跡數(shù)據(jù)，對運動軌跡數(shù)據(jù)進行連續(xù)追蹤，獲得運動軌跡數(shù)據(jù)中6 個自由度（方位）的準(zhǔn)確信息[11]。該方法完全依賴于視覺傳感獲得的影像，且每一次運算得到的位置數(shù)據(jù)都是與前、后兩幅影像相關(guān)的。當(dāng)累積整體的位置出現(xiàn)偏差時，這些偏差可以互相抵消，不會出現(xiàn)如常規(guī)的行車記錄儀發(fā)生滑動時，測量結(jié)果的偏差會迅速增大，甚至導(dǎo)致無法進行準(zhǔn)確的位置偏差測量。

特征點的獲取和匹配是該技術(shù)的關(guān)鍵環(huán)節(jié)，也是該技術(shù)的一個重要難題，其結(jié)果直接影響到了該技術(shù)在該領(lǐng)域中的應(yīng)用結(jié)果。由于農(nóng)田地形復(fù)雜，光照變化多樣，特別是強風(fēng)下，作物葉片和樹枝會隨著光照變化而晃動，相機視野內(nèi)的人體和動物也會呈現(xiàn)出一定的隨機性，加之農(nóng)機作業(yè)具有一定的非規(guī)則性，使得相機拍攝到的影像往往會發(fā)生轉(zhuǎn)動和尺度變化，這給特征點的抽取與識別帶來了更大的難度。

在計算機視覺領(lǐng)域，最常見的就是利用點狀特征來提取圖像的部分位置，這些部分既能保持圖像中目標(biāo)的基本特性，又能有效地減少所需的信息量。該方法利用圖像中的點狀信息，得到了兩個機械臂的相對移動位置，并實現(xiàn)了機械臂的定位。有研究學(xué)者給出了一種基于輪的移動機械臂的位置檢測算法。其中，確定相鄰圖像框架內(nèi)同一組點集在相機前、后某個時間的相應(yīng)的坐標(biāo)值，從而得到相機的移動參數(shù)。照相機的移動參量也可以用轉(zhuǎn)動、移動等形式表達(dá)。在進行了立體和追蹤的匹配以后，將特征點與其相關(guān)聯(lián)，再進行3D 重構(gòu)，從而獲得了其在相機坐標(biāo)下的3D 坐標(biāo)。而在此基礎(chǔ)上，根據(jù)已有的這些條件，來獲得相機坐標(biāo)系的轉(zhuǎn)換參數(shù)，運動估計的數(shù)學(xué)模型如式（4）所示，希望通過找到變換R和T，使殘差平方和最小，進一步實現(xiàn)機器人位置的確定：

4 結(jié)論

隨著時代的發(fā)展與進步，機器視覺技術(shù)為人們的生活提供了巨大的便利。農(nóng)業(yè)機器人作為目前農(nóng)業(yè)領(lǐng)域的先進技術(shù)，為加速實現(xiàn)我國農(nóng)業(yè)智能化、現(xiàn)代化建設(shè)提供了更多的可能。進一步結(jié)合機器視覺技術(shù)來解決農(nóng)業(yè)機器人定位問題，是目前智能化農(nóng)業(yè)機器人發(fā)展的必然趨勢。