面向玉米智能除草机械的秧苗精确定位方法研究

It is the inevitable requirement that intelligent weeding machines will replace chemical herbicides in the development of agricultural modernization. In terms of the operation of intelligent weeding machines, collecting high-quality field images, recognizing crop seedlings and locating them accurately are the necessary prerequisites. This project aims at researching some problems such as the image color bias under maize-field-light conditions, the maize-growth-period limitation for the image recognition model which acquired by deep learning, as well as the maize seedlings in depth direction interfere with the locating of maize seedlings in target crop rows. Under the condition of farmland light, the light transformation matrix will be obtained by solving the estimation of compensation illumination parameters by the factors such as solar altitude angles, light color temperatures, air humidity, air dust contents, moisture condensations and their interactions, thus the farmland image will be restored to the image under standard white light. In the field of digital image processing, the image recognition algorithm which breaking through the maize-growth-period limitation will be obtained by analyzing the color and morphological changes of maize seedlings during the weeding period. With respect to the maize seedlings in target crop row and in depth direction, the variations and differences of their distances and azimuths between the image acquisition device will be explored, then a method of maize-seedling precise locating by fusing images and LIDAR data will be obtained. The research results of this project will provide theoretical reference and technical support for the design of farmland intelligent weeding system.

智能除草机械代替化学除草剂是农业现代化发展的必然要求，采集高质量的田间图像，准确识别作物秧苗并对其精确定位是智能除草机械作业的必要前提。本项目针对玉米田间光线条件下的图像偏色问题、深度学习获得的图像识别模型具有玉米生育期局限性的问题、以及深度方向的玉米秧苗干扰目标作物行中玉米秧苗定位的问题开展研究。在农田光线条件下，通过求解太阳高度角、光线色温、空气湿度、空气粉尘含量、结露等因素及其交互作用对补偿光照参数的估计值，获得光照变换矩阵，从而将农田图像还原为标准白光下的图像。在数字图像处理领域，通过分析玉米秧苗在除草期内的颜色、形态变化规律，获得突破玉米生育期局限性的图像识别算法。通过探索目标作物行与深度方向的玉米秧苗距离图像采集装置的距离、方位变化规律及差异，获得融合图像与激光雷达数据对玉米秧苗进行精确定位的方法。项目研究成果可以为农田智能除草系统的设计提供一定的理论参考和技术支撑。

除草作业是农田植保环节中的重要工作，除草剂对于环境与粮食安全的副作用促使机械除草装备受到重视。准确的作物检测方法是智能农业机械运行的前提条件之一，而识别玉米茎秆是保证除草机械躲避玉米秧苗、铲除杂草的前提条件。在机器视觉领域，颜色是用来检测物体的重要属性，而农田环境复杂多变，空气湿度大、作业时粉尘含量高，致使农田图像产生颜色偏差，影响图像的采集质量，在本项目中，使用colorchecker、色温箱以及CCD相机去描绘色温、R/G（红色像素数量除以绿色像素数量）和B/G（蓝色像素数量除以绿色像素数量）之间的关系曲面。使用角度误差和深度学习模型的识别准确率作为评价本项目中校正颜色恒常性的标准，通过将图像进行网格化细分、对每一网格进行赋色温权值、确定R、G、B像素的增益，获得了保持农田图像颜色恒常性的方法。本研究以识别玉米秧苗的茎秆为目标，采用电荷耦合器件（CCD）相机搭载云台获得玉米秧苗图像，采用LabelImage插件制作了玉米秧苗的标记与对应的标签。基于深度学习框架TensorFlow搭建了多尺度分层特征的卷积神经网络模型，应用4倍膨胀的单位卷积核，获得了玉米秧苗图像识别模型。由于图像识别通常缺乏准确的方向信息，激光雷达点云不容易区分不同的对象。本研究通过将激光雷达数据和图像进行融合来检测玉米幼苗。通过应用坐标的转换和时间戳对齐，使图像和激光雷达点在空间和时间维度上实现统一。运用深度学习开发的玉米幼苗识别模型，是通过用边界框标记玉米幼苗来识别玉米幼苗的。同时，激光雷达点被映射到边界框中，仅选取落在边界框的正中间三分之一的点进行聚类操作，计算出的聚类中心为目标玉米秧苗提供空间信息。由于较高的特征图具有检测相对较大物体的独特优势，因而本研究对经典单次拍摄检测器（SSD）进行改进，仅将最后一个特征图连接到最后的输出层。由于拍摄目的性的缘故，图像中，玉米秧苗是最大的物体，这一改进使识别模型只需60 ms左右就能完成对一幅图像的识别，在相同硬件的条件下，与经典SSD模型相比，每幅图像节省了大约10 ms。结果还表明，目前的技术可实现最大距离误差和最大角度误差的标准偏差分别为1.4cm和1.1°。综上，图像和激光雷达点的融合可以获得更精确的信息，并使农业机械更加智能化。本项目的研究结果可作为智能机械除草与精确施药装备的上游技术，具有实际应用价值。