机器视觉技术在农业机器人定位中的作用*

王瑞阳 ，徐 洋

（许昌电气职业学院，河南 许昌 461000）

据统计，2018 年农户在当地的自营收入出现了很大的下滑，而未出去打工的农户收入比上年减少了3.86%，农民农业经营收入在农业增加值的占比较少，显示农民在市场竞争中的弱势地位[1]。实践证明，唯有下大力气推广先进适用的农业机械，降低农民劳动强度，提升农业生产效率，增加农民效益，才能有效解决当前的农业和农村问题。因此，提升21世纪的农业智能化程度，将是当前乃至今后很长一段时间我国需要完成的一个重大课题，也是社会发展的必然趋势[2]。

1 机器视觉技术在农业中的应用现状

1.1 农产品分级

我国农产品要想走出国门，就必须对其进行质量分类与检验。现有的无损探测手段依赖于人工，耗时费力，且具有破坏性。比如，有研究学者提出利用融合西红柿颜色特征和BP 神经网络分类技术的方式，来对西红柿的成熟期进行检测[3]。这种方法对西红柿成熟期的平均精度达到99.31%，标准误差为1.2%。但存在的缺点是，一些水果表面的斑点会对试验的效果产生一定的影响。通过图像处理和机器学习，使用形态学和固定阈值划分的方式来对水果进行分类，并使用SVM 支持向量机根据质地特征来获取区分的结果，可以完成对一些水果的分类。在计算缺陷程度上，可以使用种子填补法进行标签，来计算出缺陷的数量和面积，本研究通过对60 个水果进行测试，发现分类的准确率可以达到90%。因此，在对农产品质量进行检测的技术上，要通过动态的检测，来提升检测的效率，并寻找出一种能够对所有农产品进行鉴定的普遍的检测方法[4]。

1.2 农产品自动采摘

在整个农业产业链中，农产品的采摘是效率低且极易产生损耗的环节。将计算机图像处理技术应用于农产品的机械化自动采摘，是目前我国农业生产中最为热门的研究方向[5]。有研究学者提出，利用激光采集的特点，通过降低光线的波动，并在发现“候选”水果的时候，将其分别对应一个区域（凸面区），并根据其表面的空间位置进行确定，最终判断出一个农产品能否被采集。在采集过程中，将其采集的时间控制在30 s 以内，并可用于多种农产品的采集；利用橙色水果进行采集，利用二值化的图像提取出样品的轮廓线，完成采集，最终获得的准确率可达98.6%，采集的速率可达25 s/个，但由于受到外部光线条件的限制，无法适应具体的使用场合[6]。与之相比，农业产品在自动化技术上的需求更加苛刻，当前色彩信息更加清晰的蔬菜和水果都能够实现自动化。通过调查，得出了光照和热量是影响作物的成长趋势与成长环境的主要因素。因此，在未来要从这两个方面来提高农产品收获率。

2 农业机器人定位技术的应用现状

2.1 视觉相对定位方法

视觉相对定位方法是通过附着在农业机器人的图像传感器上，收集它前进方向上的图像，通过预处理、特征提取和分割以及图像识别等方法，把它所感受到的2D 图像转化为3D 的空间数据[7]，然后对它进行探测，获得一个导航的基线，可以判断出两个机器人之间的相互位置，从而可以在一个有一定规律的或者是一个被它弄得很不稳定的区域内，进行一个相对定位的导航的方法。通过视觉相对定位方法可实现农田作业机器人在复杂地形下的运动轨迹及侧向运动轨迹的精确求解，实现农田作业在复杂地形及有卫星干扰的复杂地形下的相对定位[8]。

2.2 激光雷达相对定位方法

激光雷达定位自主导航是对周围环境中点云信息进行检测，通过点云对准、点云去噪等预处理，再通过分割、聚类等算法进行障碍物识别，利用分类、跟踪算法实现对目标点的检测，最后通过目标点与农业机器人本身之间的距离，结合测量角度，获得目标点的极点位置，实时计算农业机器人与拟合操作路径之间的航向偏差和横向偏差，完成农用机器人在不同种植环境下的相对定位导航的方法。

2.3 激光雷达与视觉相机融合的定位方法

目前，多个多源融合技术主要包括：激光雷达-毫米波雷达（LiDAR-RADAR）融合技术，摄像机-摄像机融合技术，二维-摄像机融合技术，3D-摄像机融合技术。在探测和辨识方面，通过摄像机可以实现良好的目标识别，而激光雷达可以更好地进行目标位置的估计[9]。

3 机器视觉技术在农业机器人定位中的应用

3.1 基于机器视觉技术的目标坐标获取方法

首先，在机器视觉中包含四种坐标系，世界坐标系、相机坐标系、图像坐标系及像素坐标系[10]。在提取物体的坐标时，必须利用计算机图像处理技术，对被辨识物体进行自动辨识，并根据物体在像素坐标系内的位置来判断物体的方位。其次，通过对图像坐标系、相机坐标系和世界坐标系的变换，获得被辨识物体在现实世界的坐标。在此基础上，在世界坐标系统和相机坐标系统的变换过程中，不会产生变形。通过使用平动与转动，可以获得它们之间的相互关系，其变换公式为：

在使用单目视摄像机对物体进行探测时，物体在影像中所出现的点的位置与其对应的变换关系为：

图像坐标系统和像素坐标系统的关系如下表述，将像素之间沿x轴和y轴的每一单元间距设为dx和dy，(u,v)是像素中央的像素坐标，那么像素坐标系和图像坐标系的转换公式如下所示：

由上述公式可知，从图像中的某个点的像素的位置(u,v)，可以得到并计算出目标的摄像机的坐标，也就是目标与摄像机的相对位置。所有的相关的物性参量都可以由照相机的校准得到。

由以上的论述可知，在已经知道了照相机内参数的条件下，对空间中的一个目标标点，通过其在像素坐标下的坐标(u,v)和与摄像机的距离d，可以得到该点相对于深度相机的坐标(xc,yc,zc)，xc、yc、zc单位都为mm。用颜色影像作为像素坐标，用深度影像来计算距离d。为了实现多个点在同一时间内的3D 坐标的同步获取，必须对两个点在不同颜色下的位置(uc,vc)和不同深度的位置(ud,vd)进行精确定位，这个问题被称作“颜色-深度”两幅影像的融合。在具体的运用中，可以先通过摄像机同时获取地物的颜色影像和深度影像，然后将两个影像进行合成。之后，利用机器视觉技术，对整合后的影像进行对象的探测，从而获得在影像当中关于苹果目标的边界盒的信息，并对该边界盒的中心点，也就是目标农产品的中心点在影像当中的位置进行了判断。然后，利用摄像机和像素之间的空间位置变换，再根据影像中所储存的空间位置，来确定物体与摄像机之间的位置。

3.2 基于机器视觉技术的机器人位置定位方法

基于视觉的距离测量技术是近年来兴起的一种基于机器视觉的自主位置测量技术。该系统的核心是对由两个视觉传感元件采集到的一系列2D 影像中的特征点进行跟踪，并对其进行自己的移动估算。主要研究内容包括：基于单目或双目摄像头采集的运动轨迹数据，对运动轨迹数据进行连续追踪，获得运动轨迹数据中6 个自由度（方位）的准确信息[11]。该方法完全依赖于视觉传感获得的影像，且每一次运算得到的位置数据都是与前、后两幅影像相关的。当累积整体的位置出现偏差时，这些偏差可以互相抵消，不会出现如常规的行车记录仪发生滑动时，测量结果的偏差会迅速增大，甚至导致无法进行准确的位置偏差测量。

特征点的获取和匹配是该技术的关键环节，也是该技术的一个重要难题，其结果直接影响到了该技术在该领域中的应用结果。由于农田地形复杂，光照变化多样，特别是强风下，作物叶片和树枝会随着光照变化而晃动，相机视野内的人体和动物也会呈现出一定的随机性，加之农机作业具有一定的非规则性，使得相机拍摄到的影像往往会发生转动和尺度变化，这给特征点的抽取与识别带来了更大的难度。

在计算机视觉领域，最常见的就是利用点状特征来提取图像的部分位置，这些部分既能保持图像中目标的基本特性，又能有效地减少所需的信息量。该方法利用图像中的点状信息，得到了两个机械臂的相对移动位置，并实现了机械臂的定位。有研究学者给出了一种基于轮的移动机械臂的位置检测算法。其中，确定相邻图像框架内同一组点集在相机前、后某个时间的相应的坐标值，从而得到相机的移动参数。照相机的移动参量也可以用转动、移动等形式表达。在进行了立体和追踪的匹配以后，将特征点与其相关联，再进行3D 重构，从而获得了其在相机坐标下的3D 坐标。而在此基础上，根据已有的这些条件，来获得相机坐标系的转换参数，运动估计的数学模型如式（4）所示，希望通过找到变换R和T，使残差平方和最小，进一步实现机器人位置的确定：

4 结论

随着时代的发展与进步，机器视觉技术为人们的生活提供了巨大的便利。农业机器人作为目前农业领域的先进技术，为加速实现我国农业智能化、现代化建设提供了更多的可能。进一步结合机器视觉技术来解决农业机器人定位问题，是目前智能化农业机器人发展的必然趋势。