[发明专利]一种基于FPGA的实时田间机器人视觉导航方法与系统

说明书

本发明属于机器视觉导航技术领域，公开了一种基于FPGA的实时田间机器人视觉导航方法与系统，将获取到的田间图像通过图像预处理分割出绿色作物；检测田间作物垄线图像中的垄线信息，垄线信息包括两条相邻垄线位置信息及其斜率；通过垄线信息计算提取机器人的导航信息，用于控制机器人行走；图像预处理模块、图像存储模块、田间垄线检测模块、导航参数提取模块。本发明相比于已有算法，优化后的算法平均准确率可达89.7％；与真值相比F‑score值为91.1％，用时仅16ms，占用2824个触发器、4625个查找表及4kb块寄存器(BRAM)；导航参数提取模块仅占用372个触发器和1013个查找表。

技术领域

本发明属于机器视觉导航技术领域，尤其涉及一种基于FPGA的实时田间机器人视觉导航方法与系统。

背景技术

目前，最接近的现有技术：

由于农作物与土壤、石头等非植物在颜色上有较为明显的差异，因此，大多数视觉系统利用可见光成像获取分割后的植物图像，提取机器人导航参数，如导航线和导航角等，然后通过它们控制机器人行走。基于机器视觉的导航系统有两个分支：1)利用单目相机获取图像，并结合图像处理方法得到导航参数的二维视觉导航系统；2)通过两个或多个相机同时获得多幅图像，使用立体匹配方法得到特征点并匹配得到导航信息的三维视觉导航系统。在田间机器人导航系统中，机器人能够根据检测到的田间垄线信息控制车辆行走，因此，为了能准确地控制机器人行走，快速地获得作物垄线位置信息是目前田间机器人导航算法中亟需解决的最重要问题。

目前已有几种基于机器视觉的作物垄线行检测算法，这些算法虽然能较准确地实现对作物垄线行检测，但大多数算法都是离线、处理时间较长，使得无法实时控制田间机器人按照既定状态沿垄线行走。当车辆一直处于匀速状态，而指导机器人的导航信息需较长时间才计算到，这将导致对作物的碾压。其原因为田间图像相比于其他自然环境复杂，作物垄线可能存在弯曲、缺失等，系统需要进行复杂计算所造成的。有代表性的算法依据检测原理可分为以下几种：

(1)基于霍夫变换的方法(Hough transform,HT)。该方法是现今最常用的作物行检测方法，最早由Hough在1962年提出。之后，首先提出了基于霍夫变换的作物行检测方法，并总结了作物行检测方法的相关先验知识。基于该先验知识，该方法对于作物植株缺失和杂草识别等问题具有鲁棒性。提出了一种基于随机霍夫变换(RHT)的通过作物中心线确定作物行的检测方法。该方法在植物分布稀疏、一般和密集三种情况下进行测试。根据试验结果可知，此类方法比普通的霍夫变换更准确。

(2)基于线性回归的方法。提出在杂草密集的情况下，通过图像分割、双阈值可实现对作物和杂草的分离，同时采用最小二乘线性回归方法计算、拟合得到图像中作物垄线。实验结果表明，该方法比霍夫变换得到的结果具有较高的准确性。首先使用颜色植被指数方法分割出粗略的二值图像，之后采用Theil-Sen方法矫正作物行。同时该方法具有更高的准确性。

(3)基于绿色像素点统计的方法。通过图像分割，特征点提取，候选行估计，消失点检测等步骤实现对小麦行的检测。其中，候选行估计是通过统计当前直线上绿色像素点个数实现的。该方法可有效地检测早期生长阶段的小麦行，正确率可达90％。提出了一种新的有效的作物行检测方法。该方法使用动态规划技术将图像中几何结构和先验知识相结合，能够准确地检测出图像中弯曲的作物垄线。介绍了一种基于绿色像素点统计的既能检测直线也能检测弯曲垄线的检测方法。

(4)基于区块和滤波的方法。该方法主要是将图像分割成多个区域，并对每个区域内的像素进行计算从而确定作物的垄线信息。通过灰度相似性标准对图像进行分组，计算并获得每个分组的角度和重心，从而确定作物行。提出一种基于多感兴趣区域(region ofinterest，简称ROI)的作物行检测算法。该方法通过构建多ROI并采用线性回归拟合求得作物行。在杂草率较高或植被覆盖较低的情况下均可有效地检测作物行，且最终检测正确率达93％。