基于Hough变换园林喷药机器人导航线提取

陈继清　强虎　徐关文　刘旭　莫荣现　 黄仁智

摘  要： 针对园林喷药机器人在绿篱带、花圃周围难以自动导航的问题，该文提出一种基于Hough变换拟合导航线的方法;利用逐段分解的思想，将弯路分解为多个近视直路;使用该文改进的灰度化因子处理分解后的路段图像;考虑到机器人在工作的时候会有农药或水滴影响图像质量，采用中值滤波强化图像;为了避免光照不均匀的影响，采用基于局部统计的可变阈值法二值化灰度图像;为了加快处理速度，每隔10像素行取一个采样行，采用相对白色像素中点的算法求取导航离散点，最后使用Hough变换拟合导航点，提取导航线。实验结果表明，该文提出的提取導航线的方法具有稳定性好、精度高、算法简单的优点。

关键词： 喷药机器人; 导航线提取; Hough变换; 图像预处理; 图像二值化; 导航离散点

中图分类号： TN820.4?34                           文献标识码： A                      文章编号： 1004?373X（2020）20?0183?04

Extraction of Hough transform based navigation line of garden spraying robot

CHEN Jiqing1，2， QIANG Hu1， XU Guanwen1， LIU Xu1， MO Rongxian1， HUANG Renzhi1

（1. College of Mechanical Engineering， Guangxi University， Nanning 530007， China;

2. Guangxi Key Laboratory of Manufacturing System and Advanced Manufacturing Technology， Nanning 530007， China）

Abstract： In allusion to the problem that the garden spraying robot is difficult to navigate automatically around hedgerow and flower nursery， a method of fitting navigation line based on Hough transform is proposed. The curved path is divided into several myopic straight paths by means of the idea of piecewise decomposition， which is processed by using the improved gray scale factor. Considering that there will be pesticides or water droplets affecting the image quality when the robot is working， the median filtering is used to intensify the image. The gray image is binarized by means of the variable threshold method based on local statistics to avoid the influence of uneven illumination. In order to speed up the processing， a sampling line is taken every 10 pixels， the navigation discrete points are calculated by means of the relative white pixel midpoint algorithm， and the navigation points are fitted by the Hough transform to extract the navigation lines. The experimental results show that the proposed method of extracting the navigation line has the advantages of stability， high accuracy and simple algorithm.

Keywords： spraying robot; navigation line extraction; Hough transform; image preprocessing; image binaryzation; navigation discrete point

0  引  言

随着城市的发展，城市生态功能却逐渐下降，严重影响到居民的生活质量，随着酸雨、雾霾等一系列生态事故的发生，让人们意识到了园林绿化的重要性[1];园林绿化在一定程度上可以减弱噪声对人心理的影响，提高人们的幸福感[2?4]。但是园林的维护需要很大的成本，尤其是杂草的防治。

在现代园林建设中，杂草的防治是一项看起来简单而做起来繁杂的工作，杂草的生长对园林植物生长的好坏和美观有着非常重要的影响，如果不能很好的防治杂草生长，可能会引起园林原有自然景观的退化[5?6]。传统的人工除草效率低，且效果差，人工携带喷雾剂喷洒除草剂除草，劳动强度大，且对人身体危害极大。根据急性中毒数据，世界卫生组织和联合国环境署报告，全世界每年有100多万人因除草剂中毒，其中，10万人死亡。随着科技的发展，喷药机器人可以替代人类完成这一任务，而相应在喷药机器人智能化行走时，最重要的就是导航线的提取。

任金波等人采用HSV空间的S分量将道路从植物中提取出来作为研究对象，取得很好的提取效果[7];Montalvo等人基于超绿特征值因子2G?B?R和双Otsu方法，提出一种抗杂草干扰的作物行识别方法[8];任永新等人采用基于一点改进型Hough变换由离散导航点拟合导航线直线，提高了计算速度[9];文献[10]提出一种基于偏微分方程的方法用来检测作物行，有效地减弱杂草等干扰;陈娇等人根据垄线平行的特点，利用垂直投影法获取导航离散点，结合改进的Hough变换实现田间多垄线的识别[11]。

上述方法在一定环境下都可以将导航线或植物垄线提取出来，但是上述方法不能解决弯路导航线提取的问题，没有考虑光照不均匀的情况，也没有将目标区域提取出来，图像处理时间长，导航线也没有均匀的分布在路中间;而本文采用逐段分解的思想，将一段弯路截取为多个直路段，解决弯路的问题;采用基于局部统计的可变阈值法解决光照不均匀的问题;结合垂直投影图和Hough变换拟合导航路线，为园林喷药机器人提供导航路径。

1  实验平台的搭建及工作流程

本文主要研究喷药机器人的导航问题，所以平台设计上不考虑喷药模块。实验平台的搭建如图1所示，主要包括主控计算机、履带式车载部分、摄像头及其支架、STM控制芯片、直流电机及其驱动器。实验数据主要在平台Matlab上处理。摄像机选用大恒图像的工业相机MER?132?43U3C?L，采用USB 3.0传送数据。机器人图像处理系统在上位机，运动控制系统采用STM32作为主控芯片。图像处理软件在Visual Studio平台下开发，通过Arm?linux?gcc完成程序的交叉编译，然后移植至主控计算机。

图形采集模块对于本文的机器人系统尤为重要，为了保证图像采集的速度与质量，选择ZC031P芯片的USB摄像头。摄像头对道路图像进行采集，主控制器对输入的道路图像进行相关运算处理后，提取出导航中心线，然后通过UART串口传输导航参数至小车运动控制模块，最后控制电机运行。建立稳定可靠的硬件平台是机器人能实现路径自主导航的基础，如图2所示。

2  图像预处理

2.1  逐段截取与分析

公园花篱和绿篱带周围的路况很复杂，而且弯路居多。本文针对这种情况，采用将弯路逐段截取，“化曲为直”，在简化路况的同时，也减少了图像的处理量，加快了处理速度。本文截取图像的最后220像素行作为研究对象。

2.2  图像的灰度化及滤波

针对机器人的工作环境，本文在常用的超绿特征值灰度化因子的基础上，通过100组灰度化实验，提出改进后的灰度化因子。超绿特征值灰度化因子如式（1）所示，改进后的灰度化因子如式（2）所示。考虑到机器人在工作的过程中镜头可能会有药滴，本文使用椒盐噪声模拟噪声，并使用中值滤波[12]进行增强。

[gray（x，y）=0，                    2G-R-B<0255，               2G-R-B>2552G（x，y）-R（x，y）-B（x，y），   else ] （1）

[gray（x，y）=G（x，y）-B（x，y），    else0，                   G

式中：[grayx，y]为灰度化后的图像;[R]为彩色图像的红色分量;[G]为彩色图像的绿色分量;[B]为彩色图像的蓝色分量。

2.3  图像二值化及形态学处理

考虑到机器人在植物间工作，随着时间的不同，光照不均匀会影响图像质量，这时采用全局阈值处理往往会失败。本文使用基于局部统计的可变阈值法来二值化图像，解决光照不均匀的影响，该方法是基于[（x，y）]邻域中像素的一种或多种指定特性，在每个[（x，y）]处计算一個阈值，利用标准差和均值来确定局部均值，然后进行二值化处理。植物图像二值化后通常有一些小的孔洞，为了减弱这些孔洞对导航线提取的影响，使用数学形态学闭运算来填补孔洞[13]，如下：

[A·g=（A⊕g）Θg ] （3）

首先使用结构元素g对图像A膨胀，如下：

[A⊕g=x（g+x）?x≠?] （4）

然后使用结构元素g对膨胀过的图像进行腐蚀，如下：

[BΘg=x（g+x）?A] （5）

2.4  感兴趣区域的截取与导航离散点的获取

本文主要研究喷药机器人的智能行走，感兴趣区域为路面区域。本文采用垂直投影法来获取路面区域，像素垂直投影法是一种简单的投影方法，可以实现目标的提取，如式（6）所示;本文使用白色像素相对坐标中点法来求取道路的导航离散点，如式（7）所示。

[f（i，j）=i=0M-1f（i，j），  j=0，1，2，…，N-1] （6）

式中：[f（i，j）]为二值图像点[（i，j）]的值0或1;[M]为图像高度;[N]为图像宽度。

[x=i=0L-1（xi-L）+j=L+1N（xj-L）K] （7）

1） 首先计算上文中截取道路图像的中间像素列坐标L;

2） 计算每一个采样行中白色像素的总数K;

3） 计算L列两侧白色像素的相对L的坐标点值;

4） 确定导航离散点的坐标。

在导航点的过程中，考虑到求取的导航离散点有可能存在极大误差点，而Hough变换抗干扰性强，可以减弱极大误差点的影响，提高拟和精度。因此本文采用Hough变换提取导航线。

3  实验与分析

实验在南宁花卉公园进行，拍摄图像大小为640×480。为了验证本文所提方法的实用性，本文选取其中一张道路情况较为复杂的图像作为研究对象，如图3所示。图3a）为拍摄彩色图像原图;图3b）为原图像R，G，B分量图的垂直投影图;图3c）为截取原图像220行像素的结果;图3d）为图3c）超绿特征值灰度化的结果;图3e）为图3c）使用改进灰度化因子灰度化的结果;图3f）为图3d）中值滤波后采用基于局部统计的可变阈值法二值化结果;图3g）为图3e）中值滤波后采用基于局部统计的可变阈值法二值化结果;图3h），图3i）分别是图3f），图3g）形态学处理后的结果;图3j）是图3i）取反后的垂直投影图;图3k）是经过图3j）截取结果;图3l）是用式（7）求得的导航离散点;图3m）是通过Hough变换拟合的导航线。

由图3b）可知，道路和两侧植物的像素值有很大区别，可以通过直方图将路面信息提取出来。通过对比图3d）～图3i）可知，使用超绿特征值法灰度化图像，灰度化图像的效果很好。但是在二值化图像时，不能很好地将路面和植物分离开，存在很多孔洞，即使通过形态学运算也不能将孔洞填充，如图3h）所示，孔洞较多，这将影响到导航点的计算精度。但是使用本文改进的灰度化因子处理图像，经过基于局部统计的可变阈值法和形态学处理后，道路两侧植物的孔洞很少，如图3i）所示。对图3i）图像取反，求其垂直投影直方图，如图3j）所示，波峰两侧波谷对应的列坐标便为道路与植物的边缘，通过波谷对应列坐标将道路提取出来，如图3k）所示，效果很好。由图3l）可知，通过本文提出的导航点提取算法取得很好的效果，导航点分布在道路中心。图3m）显示通过Hough变换拟合导航线，取得很好的效果。拟合机器人行走路线如图4所示。

由图4可知，采用本文方法可以指导机器人在园林行走。在长达5 m的试验路导航线拟合的过程中，在有花的道路，导航线稍微偏离中心;其余路段，导航线都很均匀的分布在道路中心。每幅图像的处理时间在0.1 s之内，可以满足实时性的调整要求。

4  结  论

本文针对园林喷药机器人导航线提取难的问题，提出了基于霍夫变换拟合导航线的方法。该方法精度高，不受光照的影响，且算法简单对计算机的依赖低。通过大量园林道路R，G，B分量图的垂直投影图分析发现：绝大多数道路的灰度值和道路两旁植物的灰度值有很大区别，可以通过投影法将感兴趣区域提取出来。利用逐段提取导航线的方法，将弯路转换为直路，易于导航线的提取，而且也减少了图像处理量，加快图像处理速度。针对园林图像灰度化，本文改进了传统的超绿特征值灰度化因子，使得经过改进灰度化因子处理的图像，在二值化后只有少量的孔洞，提高了导航点的求取精度。

参考文献

[1] 周华凤.林业生态环境的改善与园林绿化的发展[J].现代园艺，2018（22）：165.

[2] DZHAMBOV Angel， DIMITROVA Donka. Urban green spaces′ effectiveness as a psychological buffer for the negative health impact of noise pollution： a systematic review [J]. Noise health， 2014， 16（70）： 157?165.

[3] FAN Yang， ZHI Yibao， ZHU Junzhu. An assessment of psychological noise reduction by landscape plants [J]. International journal of environmental research & public health， 2011， 8（4）： 1032?1048.

[4] MA Ben， ZHOU Tiantian， LEI Shuo， et al. Effects of urban green spaces on residents well?being [J]. Environment， development and sustainability， 2019， 21（6）： 2793?2809.

[5] 秦富贞，曹爱霞.园林自动喷药机器人杂草识别与导航方法探究[J].农机化研究，2019，41（10）：234?237.

[6] 何莎，曾婷，易洪，等.园林绿化中的主要杂草及防除技术：以湖南为例[J].湖南农业科学，2016（1）：53?55.

[7] 任金波，郭翰林，洪瑛杰，等.基于ARM Cortex?A8平台的喷药机器人路径检测与仿真[J].现代电子技术，2017，40（22）：156?158.

[8] MONTALVO M， PAJARES G， GUERRERO J M， et al. Automatic detection of crop rows in maize fields with high weeds pressure [J]. Expert systems with applications， 2012， 39（15）： 11889?11897.

[9] 任永新，谭豫之，杨会华，等.基于模糊控制的黄瓜采摘机器人视觉导航[J].江苏大学学报（自然科学版），2009（4）：343?346.

[10] XHAFA F， PATNAIK S， ZOMAYA A Y. International conference on intelligent and interactive systems and applications [J]. Advances in intelligent systems and computing， 2016（17）： 103?112.

[11] 陈娇，姜国权，杜尚丰，等.基于垄线平行特征的视觉导航多垄线识别[J].农业工程学报，2009，25（12）：107?113.

[12] 刘天辉.车辆视觉导航中道路检测算法研究[D].沈阳：沈阳工业大学，2015.

[13] 王向东.数字图像处理[M].北京：高等教育出版社，2013.