大棚智能除草机器人设计

侯光旭,王鑫淼,张 正,朱春艳,赵志鑫,党奔奔

(黑龙江八一农垦大学 工程学院,黑龙江 大庆 163319)

0 引言

杂草是影响甚至危害作物生长的植物,杂草数量多种类复杂且根系庞大,会减少作物养分,导致作物水分养分不足,而且一些高大的杂草会严重干扰作物生长,影响作物透光、透风性,带来各种病虫害,使作物畸形生长,大大降低作物产量[1]。大棚中杂草种类复杂,如果不能及时去除,造成苗荒、草荒,会导致产量减产甚至绝收。在目前农业生产方式中,主要除草方式为人工除草和化学除草[2],但是这些除草方式有很大的缺点,人工除草在现阶段有着许多弊端,比如劳动力成本高,工作强度大等,其优点是杂草分辨率和除草精度高,因而具有最优的除草效果[3];农药虽然能有效抑制杂草,但也可能导致农药在蔬菜中残留量超标,从而导致作物品质低,环境污染加剧,不利于农业可持续发展。

伴随着农业科技水平的发展与进步,衍生出机械除草方法,该方式的优势是除草工作效率高、除草效果明显且对作物伤害小,降低劳动力成本,减少大棚使用农药带来的危害,因此,本文设计了一种机械式智能除草机器人。

1 除草机器人结构组成

一般除草机器人主要组成部分可以分为5个模块,分别是:感知系统、控制系统、驱动器和动力源、移动平台、执行装置。5个系统模块互相配合,组成自动化机器人对杂草进行作业。

1.1 总体方案与关键部件设计

杂草种类复杂,且牛筋草、看麦娘、马唐等杂草[4],颜色形状与作物类似,区分难度较大,使用图像识别技术识别出杂草的坐标轴后,通过执行机构对杂草进行作业[5],从而提高除草的精确度,减小伤苗率[6]。具体操作是在机器人到达开始位置后进行工作,深度摄像头识别作物位置,使作物在图像中以直线形式存在,根据作物位置不断调整机器人的运动方向,使机器人进行直线运动并提高作业精度,在机器人到达工作位置后,行驶机构暂停,摄像头识别杂草位置,三轴线性模组开始运动,使用执行机构到达工作位置,执行机构按照规定路径进行工作,作业完成后,执行机构回到初始位置,控制箱发出信号,行驶机构运动,到达下一个工作位置,进行作业。除草机器人三维建模如图1所示。

1.轮胎;2.行驶机构;3.控制箱;4.三轴线性模组;5.执行机构;6.深度摄像头;7.割刀工作头;8.割刀图1 除草机器人三维建模

1.2 感知及控制系统

识别主要凭借图像内容中的特征点,而提取图像主要依靠摄像头,现阶段市场上主要的摄像头种类为单目和双目,本研究使用的是Intel D435双目深度摄像头[7]。控制系统是除草机器人的大脑,主要负责控制执行速度和运动方向,通过各种处理控制器实现作业功能[8]。根据运算效率和智能化程度的不同,其硬件载体分别是单片机、PLC、微型计算机开发板或专用工控机,处理控制器类型有Intel系列、树莓派系列、西门子系列、三菱系列、AMD系列等;软件系统包括Linux、Android、Windows等操作系统,依靠Python、Matlab和C++等语言开发机器人环境感知和路径规划算法等。控制处理模块负责数据分析,例如采用卷积神经网络(CNN)识别作物与杂草。决策模块负责综合判断[9],机器人处理器选择了Jetson Orin nano开发板。

1.3 移动平台、驱动器和动力源

移动平台会影响除草机器人作业稳定性和除草准确率,常用的移动平台有轮式、履带式、足式、复合式[10]。轮式机器人有着转向能力好,操作性能佳的优点;履带式机器人转向能力较差,且运行速度不快,但与轮式相对比,履带式越野能力更好,更加适合野外复杂环境,而轮式则更适合一些地面平坦的环境;足式机器人的移动平台有二足、四足、六足等,主要优点是行进灵活性高,在复杂路面可快速运动,缺点是结构复杂,研究难度较高,制造成本也相对较高,适合一些精尖条件下去使用[11]。每种移动平台有各自的优缺点,针对不同的工作环境选择不同的移动平台有时能取得事半功倍的效果,本研究根据大棚内的环境选择了四轮式移动平台。

驱动器主要是辅助执行机构完成作业提供动力的装置,现在市场上大部分由气动电动和液压驱动组成。动力源大多为锂电池或者能产生电力的太阳能板,但太阳能限制条件较大,并不能做到普及的情况,因此本机器人使用的是24 V锂电池进行供电。

1.4 执行装置

除草机器人的作业方式有许多种,现阶段主要除草方式有喷洒农药除草、机械装置除草、火焰除草、人工除草、电击除草、激光除草等,但现在主流的除草方式还是喷药除草和人工除草,而喷药除草会大量浪费使用农药,还会对土地和作物产生污染,与绿色持久发展的除草方式相违背。近些年提倡使用不会产生太多污染的执行机构[12],如机械装置除草、激光除草或电击除草等。因此,本机器人选择了旋转式割刀除草。

2 Yolov5模型建立

2.1 数据采集及预处理

数据采集时间为2023年6月17日,数据采集地点在大庆市让胡路区黑龙江八一农垦大学实验田,试验田谷子区域总共有十个垄,对每个垄拍摄40张图片,共采集图像400张,主要杂草为狗尾巴草、马唐、藜类、蓟类、牛筋草、苘麻、水棘针等,试验田边上种植了豆类作物,所以会有豆类幼苗,也需要去除,之后对所有图片进行旋转、镜像、放大、缩小,这样400张图片扩大成了1 600张图片,形成数据集,提升识别精度。

数据集标定使用LabelImg图像标注工具,LabelImg是一个开源的图像标注工具,用于创建和编辑图像标注数据集。它提供了一个用户友好的界面,使用户能够在图像上绘制边界框或者创建多边形来标注目标物体的位置和形状,点击open dir按钮导入数据集,再点击change save dir更改输出的xml文件位置,然后点击create bectbox对杂草进行框选,把阔叶类杂草归类为杂草1,如藜类等;禾本科杂草归为杂草2,如狗尾巴草、牛筋草等;小型杂草归为杂草3,如豆类幼苗;形状特殊的苘麻与水棘针归为杂草4和杂草5,以提高识别精度。

2.2 Yolov5网络模型结构

Yolov5是Yolo系列模型之一,它的网络模型可以分为4个部分:骨干网络(Backbone),负责提取输入图像的高层语义特征;Neck负责处理骨干网络中提取的特征图;检测头(Head)是Yolov5最重要的部分之一,它是由一系列卷积层组成,用于预测目标类别、边界框位置及目标置信度;Loss Function是Yolov5 使用的是一种基于目标检测的损失函数。

使用Yolov5对数据集进行处理,硬件设备采用Nvidia Geforce RXT 3070Ti显卡以及cuda 11.7版本和cudnn 8.4版本,分别对数据集进行了150次和300次的迭代训练。训练结果150次的准确率为82%,迭代300次的模型的准确率为91%,杂草识别结果如图2所示。

试验发现迭代次数越多对杂草的识别精度越高,环境对识别的干扰也更少,迭代次数越少越容易出现重复识别或者未识别的情况,表明Yolov5可以很好的对杂草进行识别。

2.3 杂草识别结果分析

使用迭代300次的模型对400张图片进行识别处理,以每个垄为一组,40张图片为一组,分别计算每个垄杂草1到杂草5识别精度的平均值,如表1所示。表1中可以看出,对于杂草1—阔叶类杂草的识别准确率是最高的,识别率在87.4 %,而杂草3、杂草4、杂草5的识别精度都在60 %左右,随着序号变大,识别准确率在下降,可能是因为序号越大的垄,作物就越茂密,对阳光的遮挡强度和杂草的干扰也越大,所以识别更加困难。

表1 杂草识别率 单位:%

3 结论

本试验基于Yolov5大棚杂草检测算法,在Nvidia Geforce RTX 3070Ti显卡下训练,得到除草作业时影响除草率最大的因素在于图像识别。在大棚环境中作业,受自然条件约束,如太阳光照产生的阴影对杂草识别精度产生的影响,所以现阶段如何准确的识别杂草是一个很大的难题。由本试验也可以看出,作物种植的密度对识别也会产生较大的干扰,在作物密集的环境下,杂草识别准确率会比作物种植密度适中的环境低10%左右,所以在今后的研究中,要考虑如何在不降低识别精度的情况下,减少光线和作物种植密度对识别的干扰。