论文投稿_医学论文投稿_核心期刊,职称论文投稿发表_论文部落

　　水田实验表明，当插秧机以0.7m/S的速度行驶时，与期望直线路径的均方根偏差为5.5cm，最大偏差小于12cm。此精度已经可以满足水稻栽植的农艺要求，但与水稻栽植后喷洒农药或除草作业所需的精度还有差距&-10]。荷兰的TijmenBakker等在甜菜地开展了农业机器人平台的自主导航研究，同样使用了RTK^GPS进行导航，田地实验精度达到了厘米级[11]。
　　国内学者对农业机械GPS导航的研究起步相对较晚，但近年来发展非常迅速。张智刚等在久保田插秧机上开发了基于DGPS和电子罗盘的导航控制系统，当速度为0.75m/s，直线路径跟踪时，平均误差0.04m，最大误差0.13m;速度为0.33m/s，圆曲线路径跟踪时，平均误差0.04m，最大误差0.087m[12]。罗锡文等在东方红X404拖拉机上构建了基于RTK-)GPS的自动导航控制系统，在拖拉机行进速度为0.8m/s时，直线跟踪的最大误差小于0.15m，平均跟踪误差小于0.03m[13]。伟利国等以XDNZ630型水稻插秧机为实验平台，采用RTKGPS定位技术，进行了农业机械自动导航实验，采用PID控制方法，构建转向闭环控制系统，实现插秧机的自动对行导航及地头转向。车辆行进速度不大于0.6m/s时，对行跟踪误差小于10cm[14]。为进一步消除GPS的定位误差，提高导航精度，周俊等建立了GPS静态和动态定位误差的AR模型，处理后的定位误差信号的相关性明显下降，接近于白噪声[15]。
　　农业机械的卫星导航系统技术总体而言已经基本成熟，以美国为典型代表的世界各国正在开展各种形式的推广应用阶段。我国也不例外，配有卫星导航系统的拖拉机已经进入了一些大型农场的田间地头，可以改善作业质量、延长作业时间。这类导航系统的主要优点是结构比较简单，技术比较成熟，随着卫星导航系统产品的普及，其成本也不断下降。存在的主要问题是卫星信号有时受环境的影响较大。
　　1.2视觉导航
　　与GPS导航相比，机器视觉导航灵活性更大，特别是机器视觉图像收集的环境信息丰富、范围宽、目标信息完整。农田环境中，作物通常是整齐地按直线、彼此间平行的方式种植，因此机器视觉导航的主要任务是从图像中识别出作物行，检测出跟踪路径线，为确定车辆的相对位置提供依据[16]。
　　英国在此领域开展研究较早，Marchant等自20世纪80年代起就开展了基于视觉导航的农业机械作物行跟踪研究。使用了里程计和视觉等传感器，通过卡尔曼滤波来融合这两个传感器的信号，并在花椰菜田地场景中进行了实验，车辆横向位置控制的均方根误差大约为20mm[17]。欧洲的其他一些国家也在积极开展此项研究，并且部分成果已经有商品化产品面世。荷兰的Bakkera等运用机器视觉检测甜菜作物行，每帧图片处理时间在0.5~1.3s之间[18]。瑞典的Astrand等利用Hough变换融合来自两行或者多行的信息，有效地应对了存在的杂草干扰，同时该视觉系统也可以独自检测出作物行尽头等信息[19]。
　　美国几乎与英国同时开展了农业机械的视觉导航研究。伊利诺伊大学的Han等通过K均值聚类算法分割作物行，辅助以作物行空间等先验信息，并利用大豆田和玉米田的两个图像数据集对程序的精确性进行了评估[20]。为了克服柑橘树冠阻碍GPS传感器接收卫星信号，佛罗里达大学的Subramanian等进行了基于机器视觉和激光雷达的柑橘园作业车辆自动导航系统的研究。当车辆沿着弯曲路径以3.1m/s行驶时，使用视觉导航平均误差为2.8cm，使用激光雷达导航时平均误差为2.5cm[21]。为了克服缺失部分大豆植株的影响，伊利诺伊大学的Ese等为农业车辆的自动导航系统开发出一套基于立体视觉作物行检测的算法[22]。亚洲的日本和韩国与欧美等国家一样，对此领域都积极加以研究。日本北海道大学的研究人员在车辆的前面安装了立体相机，来获取环境的深度和灰度信息[23]。
　　国内，农业车辆视觉导航研究始于20世纪90年代中后期，南京农业大学等研究单位都陆续参与其中。沈明霞等提出了利用虚点检测确定农业车辆与路径的相对位置和航向[24]，周俊等[25_33]构建了视觉导航实验平台，使用小波变换方法进行导航路径的多分辨率检测，运用Hough变换直接获取视觉导航的位姿参数，并基于扩展Kalman滤波进行了视觉导航传感器数据融合和导航控制。针对农田耕作机器人，赵颖等在耕作过程中采集农田场景图像，根据已耕作区域、未耕作区域和非农田区域的不同颜色特征，判断出田端和犁沟线的位置[34]。为研究棉田农药喷洒机器人导航路径识别方法，孙元义等在Lab色彩空间处理棉田图像，在图像坐标系中根据垄的走势特征，通过Hough变换得到导航路径[35]。安秋等针对农业机器人视觉导航中存在的阴影干扰问题，采用基于光照无关图的方法去除导航图像中的阴影，最终获得导航参数[36]。冯娟等针对果园导航环境的复杂性，提取主干与地面的交点作为特征点；以此为基础生成果园导航基准线。导航基准线的生成准确率高于90.7%[37]。盂庆宽等针对现有作物行检测算法速度慢、易受外界干扰等问题，设计了一种基于线性相关系数约束的作物行中心线检测方法[38]。李景彬等研究了棉花铺膜播种机田间作业时导航路线和田端的图像检测算法[39]。田光兆等提出基于立体视觉的车辆实时运动检测方案。该方案通过多线程特征点检测提高传统SIFT特征检测算法的效率，通过归一化综合距离法剔除误匹配的特征点，最后通过相邻时刻同一特征点坐标的变化反推车辆的运动。实验表明：当车速为0.8m/s，图像采集频率为5Hz时，车辆在x方向和z方向单次测量误差小于0.0045m，当持续运动时间达到10s时，2个方向累积测量误差均小于0.15视觉传感器可以检测农业机械相对目标作物行的位置和航向，同时还可以获取田间杂草、障碍等其它信息，因而具有明显的应用潜力，被广泛关注。但是，与卫星导航相比，视觉导航由于农田环境中光照、作物生长状态等因素的不可控性，技术成熟度尚且不够，市场上还没有出现能够满足农业生产实际需求的可靠产品。消除或降低图像获取和处理中光照影响的技术将是机器视觉导航领域最核心的研究方向。
　　1.3其他导航形式
　　卫星导航和视觉导航由于能够为农业车辆提供绝对定位以及相对定位信息，成为农业机械导航领域中的两种最受重视的技术方式。但是除此之外，为了充分发挥特定农业环境中典型引导特征的天然优势，如玉米收获中的玉米秸秆等，农业车辆导航方式还包括电磁导航、机械导航、激光导航、超声波导航、地磁导航等其他形式。这些导航方式一般只针对具体应用，受特定农业环境的局限。