玉米除草机器人视觉导航系统设计与试验研究报告

作者及机构
本研究由赖汉荣、张亚伟（※通信作者）、张宾（中国农业大学工学院）、尹彦鑫（北京市农林科学院智能装备技术研究中心/智能农业动力装备全国重点实验室）、刘宇航、董雨航（中国农业大学工学院）合作完成，发表于《农业工程学报》（Transactions of the Chinese Society of Agricultural Engineering）2023年第39卷第1期。

学术背景

研究领域与动机
该研究属于农业机器人智能导航领域，聚焦玉米田间除草场景。传统除草依赖人工或化学药剂，存在效率低、污染环境等问题。基于机器视觉的自主除草机器人可解决上述痛点，但其核心挑战在于苗带的实时精准识别与跟踪。现有技术存在光照敏感性高、算法耗时（如张博立等方法单帧处理需320 ms）、田间适应性差等问题。

研究目标
开发一种基于视觉的玉米苗带实时识别与导航控制系统，重点提升算法实时性（目标处理速度<100 ms/帧）和抗干扰能力（复杂光照、杂草场景下准确率>95%），并通过运动学模型优化路径跟踪精度（误差≤1.5 cm）。

研究方法与流程

1. 苗带识别与导航线提取

图像预处理
- 数据采集：使用1920×1080分辨率工业相机（Rmoncam G200），在北京昌平区玉米田采集3～4叶期苗带图像，覆盖强光、阴雨、杂草丛生等场景。
- 颜色增强：采用归一化超绿算法（ExG, Excess Green）分离绿色植被与土壤背景。通过优化最大类间方差法（Otsu）阈值权重，动态调整绿色最优阈值（公式3），显著提升弱光条件下的分割效果（图2d）。

特征点提取与优化
- 改进SUSAN角点检测：将传统SUSAN（Small Univalue Segment Assimilating Nucleus）算法的固定响应阈值改为自适应阈值（公式7），比例系数k=5，使特征点均匀分布于苗带叶尖与茎干（图4）。
- 冗余点剔除：设计3×3检测窗口，根据邻域相似性（公式8）剔除离群点（p=0）和内部冗余点（p≥7），保留1≤p≤6的特征点并优化分布（图3），计算量减少37%。

聚类与导航线拟合
- 改进顺序聚类：结合区域分层预聚类（表1）与顺序聚类，先按图像分块统计特征点密度，再合并相邻同类区域，聚类速度提升28%。
- 动态ROI更新：以最小二乘法拟合苗带直线后，根据横向偏差d和航向偏差β（公式9）实时调整感兴趣区域（ROI, Region of Interest），通过定位点坐标（公式10）实现导航线动态跟踪（图6）。

2. 导航控制模型开发

运动学建模
建立阿克曼底盘二轮车模型（图7），推导横向偏差d与航向偏差β的微分方程（公式12）。基于极点配置理论，设计PID转向角决策模型（公式13），其中比例系数k₁=2l/v（l为轴距），积分系数k₂=l/v²，实现转向响应与速度的自适应匹配。

系统实现
- 硬件平台：搭载48V锂电池的阿克曼底盘（轴距1.2 m），工业相机俯仰角45°、距地1 m安装。
- 软件开发：基于OpenCV库在Visual Studio平台构建控制系统，集成苗带识别、偏差计算、CAN总线通信等功能模块（图10）。

主要实验结果

1. 导航线提取性能

• 准确性：在强光、杂草等6类场景下（图12），航向偏差平均1.49°（标准差1.27°），正确率96.8%，最大偏差6.41°。
  
• 实时性：单帧处理时间87.39 ms（范围78~98 ms），较同类研究（如Zhai等双目视觉方法的634 ms）提升86.2%。
  

2. 路径跟踪精度

• 模拟试验：直线跟踪平均误差0.71 cm（表2）；曲线跟踪最大误差3.1 cm（图14b），主要源于曲率突变点。
  
• 田间试验：速度0.3 m/s时平均误差1.12 cm（图15b），标准误差0.35 cm，确定为最优作业速度。
  

结论与价值

科学价值
- 提出改进SUSAN角点法与动态ROI更新策略，解决了复杂环境下苗带特征提取的实时性与鲁棒性问题。
- 通过运动学模型推导PID参数自适应规律，降低了控制算法对经验调参的依赖。

应用价值
- 导航系统可支持除草机器人以0.3 m/s速度稳定作业，误差≤1.51 cm，满足田间精准除草需求。
- 软件系统开源设计（基于OpenCV）便于后续扩展至其他作物行检测场景。

研究亮点

1. 算法创新：融合区域分层与顺序聚类的混合聚类方法，较传统算法提速28%。
   
2. 工程适配性：动态ROI机制将图像处理区域缩小60%，显著降低环境干扰。
   
3. 全流程验证：从仿真到田间试验的多场景验证，证实系统在真实农田的实用性。
   

局限与展望
当前研究未涉及多作物兼容性测试，未来可探索小麦、水稻等作物的通用导航框架。此外，极端天气（如浓雾）下的视觉退化问题需结合多传感器融合进一步优化。