【摘要】：機(jī)器視覺系統(tǒng)是智能農(nóng)業(yè)機(jī)械攜帶的主要環(huán)境感知裝備之一,其主要功能是進(jìn)行對可行駛區(qū)域、障礙物或作物的檢測,進(jìn)而實(shí)現(xiàn)智能農(nóng)機(jī)自動(dòng)導(dǎo)航和避障。在丘陵山區(qū)田間場景下,道路寬度不一,形態(tài)變化復(fù)雜、曲率大,路面起伏顛簸,路內(nèi)路邊雜草泥土等障礙物散布,這些特征給智能農(nóng)機(jī)在田間道路上的自動(dòng)導(dǎo)航和避障帶來很大的困難。本文針對田間非結(jié)構(gòu)化道路迂回多變、無車道線和顯著邊界的特點(diǎn),提出基于空洞卷積神經(jīng)網(wǎng)絡(luò)和雙目立體視覺結(jié)合的田間道路及障礙物識別方法,為丘陵山區(qū)智能農(nóng)業(yè)機(jī)械的基于機(jī)器視覺的導(dǎo)航和避障提供實(shí)踐依據(jù)。本文的主要內(nèi)容和結(jié)論如下:(1)視覺系統(tǒng)平臺搭建。以前期研制的自動(dòng)行駛田間道路運(yùn)輸車為試驗(yàn)平臺,安裝銳爾威視公司量產(chǎn)的RER-1MP2CAM002平行雙目立體視覺相機(jī),使用高性能PC機(jī)作為圖像處理系統(tǒng),集成各類硬件和軟件設(shè)備,搭建了本文的圖像語義分割和障礙物檢測平臺。在分析丘陵山區(qū)田間道路圖像特點(diǎn)的基礎(chǔ)上,將田間道路場景對象分為“背景、道路、行人、植被、天空、建筑、牲畜、障礙、水塘、土壤、桿”11種類別并采集圖像建立數(shù)據(jù)集,針對CNN訓(xùn)練中容易產(chǎn)生的過擬合情況,使用數(shù)據(jù)增強(qiáng)操作增加數(shù)據(jù)量。(2)空洞卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建。丘陵山區(qū)田間道路場景復(fù)雜,場景中目標(biāo)種類較多,道路邊緣大多覆蓋有雜草和農(nóng)作物的枝葉,道路上的陰影變化頻繁。經(jīng)典的全卷積神經(jīng)網(wǎng)絡(luò)(fully convolutional networks,FCN)是由傳統(tǒng)的分類網(wǎng)絡(luò)改編而來,其語義分割效果不能滿足田間道路的像素級語義分割。提出使用空洞卷積神經(jīng)網(wǎng)絡(luò)(dilated convolutional neural networks,DCNN)進(jìn)行丘陵山區(qū)田間場景的圖像分割。以傳統(tǒng)FCN中VGG-16網(wǎng)絡(luò)為基礎(chǔ),去除分類網(wǎng)絡(luò)中不利于像素預(yù)測的部分,修改局部卷積層后,提出預(yù)測精度更高的前端模塊,并構(gòu)建了2種基于空洞卷積的上下文聚合模塊與前端模塊相結(jié)合。(3)丘陵山區(qū)田間道路場景理解試驗(yàn)。在CAFFE深度學(xué)習(xí)框架搭建改進(jìn)的網(wǎng)絡(luò)和基于VGG-16的FCN-8s網(wǎng)絡(luò),對FCN-8s、front-end、front-end+basic和front-end+large四種網(wǎng)絡(luò)進(jìn)行對比試驗(yàn),以測試構(gòu)建的前端模塊和上下文模塊對提升預(yù)測精度的有效性。訓(xùn)練中采取了two-stage training方法,改善了深度學(xué)習(xí)網(wǎng)絡(luò)訓(xùn)練時(shí)間長、收斂速度慢的問題。分割結(jié)果表明:改進(jìn)的DCNN網(wǎng)絡(luò)模型功能良好,其中front-end+large網(wǎng)絡(luò)的像素準(zhǔn)確率達(dá)到88.5%,平均IoU可以達(dá)到74.2%,分別比傳統(tǒng)的FCN-8s網(wǎng)絡(luò)高7.6%和8.9%;同時(shí),front-end+large網(wǎng)絡(luò)對田間道路陰影干擾的情況測試效果良好,說明構(gòu)建的模型有較好的泛化性和魯棒性,能完成丘陵山區(qū)田間道路圖像像素級的預(yù)測。(4)基于雙目立體視覺的障礙物檢測。選擇經(jīng)典的張正友標(biāo)定方法,在MATLAB的Camera Calibration工具箱內(nèi)對RER-1MP雙目攝像頭實(shí)現(xiàn)標(biāo)定。比照8組標(biāo)定距離下的像素誤差,計(jì)算并優(yōu)化了攝像機(jī)的內(nèi)外參數(shù)。采用Bouguet算法立體校正圖像后,使用OpenCV中的半全局塊匹配(semi global block matching,SGBM)算法進(jìn)行雙目立體匹配。使用基于視差圖的障礙物檢測方法排除行進(jìn)道路以外的區(qū)域、道路上陰影和可通過的障礙物等干擾對象,提取了障礙物的三維信息。經(jīng)過不同距離下的障礙物檢測試驗(yàn)和不同障礙物的檢測試驗(yàn)后,確定了最佳的障礙物檢測距離。對障礙物距離、寬度和高度的實(shí)際測量表明,其平均相對誤差分別為-2.68%、-0.98%和-1.34%。(5)提取可行區(qū)域中心線。提取語義分割結(jié)果中像素準(zhǔn)確率最高的道路部分和非道路部分,應(yīng)用形態(tài)學(xué)濾波和連通域處理,獲得更加完整的道路區(qū)域和平滑的道路邊界;根據(jù)障礙物檢測的三維信息,判斷當(dāng)前道路可通過性;采用質(zhì)心法獲取道路可行區(qū)域的質(zhì)心點(diǎn),使用最小二乘法擬合導(dǎo)航線。在此基礎(chǔ)上,測試丘陵山區(qū)田間不同道路形狀和障礙物情況下的導(dǎo)航線的準(zhǔn)確度,其相對誤差在0.115~4.808%范圍內(nèi),滿足田間道路運(yùn)輸車自動(dòng)行駛的導(dǎo)航線誤差要求。本文構(gòu)建的基于DCNN的田間道路場景識別模型能對田間道路進(jìn)行準(zhǔn)確的像素級識別,雙目立體視覺系統(tǒng)對障礙物的檢測可靠性較高,生成的導(dǎo)航路徑較精確,為后續(xù)丘陵山區(qū)田間道路運(yùn)輸車的自動(dòng)導(dǎo)航研究提供了基礎(chǔ)支持。
【圖文】：

1 緒論基于此，本文針對丘陵山區(qū)田間非結(jié)構(gòu)化道路場景下光照、氣候條件變化迂回曲折、無車道線和顯著邊緣的特點(diǎn)，以及道路上的石塊和行人等不素突出的問題，以前期研發(fā)的丘陵山區(qū)田間道路運(yùn)輸車為基礎(chǔ)，利用空經(jīng)網(wǎng)絡(luò)對未知環(huán)境下的復(fù)雜非結(jié)構(gòu)化田間道路進(jìn)行高層次識別，，獲取道區(qū)域和障礙物等信息，然后通過雙目視覺進(jìn)一步確定道路障礙物的三維信運(yùn)輸車平臺對丘陵山區(qū)田間道路環(huán)境的精確感知。最后判斷當(dāng)前道路的，提取道路可行區(qū)域中心線，測量中心線提取的誤差，以驗(yàn)證本文方法為丘陵山區(qū)田間道路上農(nóng)業(yè)運(yùn)輸機(jī)械的自動(dòng)化與智能化發(fā)展提供技術(shù)支持

Table 2-1 Parameters of carrier項(xiàng)目 Item 參（長×寬×高）Overall dimensions (Length×Width×Height) 1130輪距 Track 軸距 Wheel base 攝像頭離地高度 Camera height from ground 光軸與地面夾角 Angle between camera axis and ground 整車質(zhì)量 Total weight 最大載重量 Maximum load 最小轉(zhuǎn)彎半徑 Minimum turning radius 最大爬坡度 Maximum gradeability 最大行駛速度 Maximum driving speed 續(xù)航里程 Endurance mileage 視覺系統(tǒng)采集道路視頻，通過 USB 接口連接 PC田間道路場景的道路區(qū)域和障礙物等信息，并計(jì)，通過無線網(wǎng)絡(luò)連接將轉(zhuǎn)角傳輸給整車控制系統(tǒng)-樹經(jīng)過分析決策得到搬運(yùn)車前輪所需偏轉(zhuǎn)角，控制行駛[60]。
【學(xué)位授予單位】：西南大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：TP391.41;S22

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 胡靜濤;高雷;白曉平;李逃昌;劉曉光;;農(nóng)業(yè)機(jī)械自動(dòng)導(dǎo)航技術(shù)研究進(jìn)展[J];農(nóng)業(yè)工程學(xué)報(bào);2015年10期

2 刁智華;趙明珍;宋寅卯;吳貝貝;毋媛媛;錢曉亮;魏玉泉;;基于機(jī)器視覺的玉米精準(zhǔn)施藥系統(tǒng)作物行識別算法及系統(tǒng)實(shí)現(xiàn)[J];農(nóng)業(yè)工程學(xué)報(bào);2015年07期

3 張建勛;汪波;侯之旭;靳沖;;圖像多特征融合的障礙物檢測[J];重慶理工大學(xué)學(xué)報(bào)(自然科學(xué));2015年03期

4 楊文鳳;宋攀;謝強(qiáng);;基于光流平衡法的無人直升機(jī)視覺障礙回避[J];中國科技信息;2014年01期

5 謝發(fā)忠;鄒華東;吳年祥;;基于TCS230的顏色檢測裝置及其在智能裝配機(jī)器人避障中的應(yīng)用[J];工程設(shè)計(jì)學(xué)報(bào);2013年01期

6 秦峰;劉甜甜;尤海鵬;麥宇庭;趙黎明;陳言俊;;基于圖像識別的水下機(jī)器人自主避障系統(tǒng)[J];兵工自動(dòng)化;2012年11期

7 易中懿;曹光喬;張宗毅;;我國南方丘陵山區(qū)農(nóng)業(yè)機(jī)械化宏觀影響因素分析[J];農(nóng)機(jī)化研究;2010年08期

8 宋建武;劉恒新;;加快突破丘陵山區(qū)農(nóng)業(yè)機(jī)械化的發(fā)展瓶頸[J];中國農(nóng)機(jī)化;2010年02期

9 張雷;肖梅;馬建;宋宏勛;;基于信息融合的車道檢測算法[J];鄭州大學(xué)學(xué)報(bào)(工學(xué)版);2010年01期

10 況菲,王耀南,余洪山,萬琴;一種基于學(xué)習(xí)向量量化神經(jīng)網(wǎng)絡(luò)的圖象分割方法[J];計(jì)算機(jī)工程與應(yīng)用;2005年14期

本文編號：2616838