《精准施药机器人关键技术研究进展》由会员分享，可在线阅读，更多相关《精准施药机器人关键技术研究进展（10页珍藏版）》请在金锄头文库上搜索。
1、精准施药机器人关键技术研究进展 刁智华 刁春迎 魏玉泉 毋媛媛 钱晓亮 刘玉翠 郑州轻工业学院电气信息工程学院 河南省信息化电器重点实验室 摘 要： 精准施药机器人是在及时获取作物病害信息的基础上, 对病害部位进行准确的定量衡量, 并根据其差异性采取变量施药, 实现按需施药。精准施药机器人关键技术包括有针对性的作物病害识别技术、精准施药技术及自主行走技术, 自主行走是基础, 病害检测和精准施药是核心。根据目前的研究进展, 综合阐述了精准施药机器人的技术分类及应用, 总结了现有技术的局限性及重点需要解决的问题, 并提出了未来精准施药机器人的发展方向。关键词： 机器人; 精准施药; 病害识别; 图
2、像处理; 作者简介：刁智华 (1982-) , 男, 河南夏邑人, 副教授, 博士, 硕士生导师, (E-mai) 。收稿日期：2016-09-26基金：河南省科技厅科技攻关项目 (162102110118) Progress in Research on the Key Technology of Precision Spraying RobotDiao Zhihua Diao Chunying Wei Yuquan Wu Yuanyuan Qian Xiaoliang Liu Yucui Electric Information & Engineering College, Zhengzh
3、ou University of Light Industry; Abstract： Precision spraying robot is based on timely access to information on crop diseases, the disease position is measured accurately, and take the variable spraying according to the difference, to achieve on- demand application. The key technologies of precision
4、 spraying robot include targeted crop disease recognition technology, precision applying pesticide technology and independent walking technology, which is based on independent walking, disease detection and precision spraying is the core. According to the current progress, the paper introduces the t
5、echnology of classification and application of precision spraying robot, and summarizes the limitations of existing technology and the scientific issues to be solved, finally the future development direction of precision spraying robot is put forward.Keyword： robot; precision spraying; disease recog
6、nition; image processing; Received： 2016-09-260 引言我国是一个农业大国, 据相关数据统计, 每年的农作物病害面积多达 2 亿 hm, 造成巨大的经济损失。每年用于病害使用的农药约 25 万 t (有效利用率仅为20%30%) , 这些农药在作物上的分布极不均匀, 真正施在病害部位的仅占0.02%左右, 其余的农药都散布在水域、农田、空气中, 造成严重的水土资源污染、生态系统失衡;或者喷洒到未受病害的作物上, 使农产品农药残留量增加, 导致农产品品质下降及人们的健康受到威胁等问题1。农业操作如喷洒农药、病害检测十分繁琐, 特别是当喷洒农药时会采取过
7、多的预防措施, 如穿合适的衣服、戴口罩和手套等, 这些措施可以避免农药对他们造成伤害, 但也不能完全避免。因此, 在这样的情况下, 使用精准施药机器人给出了最好的解决方案。施药机器人的发展经历了两个阶段:2000 年以前为机械电器自动化阶段;2000 年至今为加入人工智能、机器视觉等新技术的自动化阶段。发展初期, 施药机器人仅是用于机械施药, 如 M.seelinger 等2设计了基于摄像机空间操作方法的视觉导航施药机器人系统, 采用等离子移动喷嘴, 减少了机器人的运行时间和高成本, 使机器人在合适的轨迹移动, 达到了一个高水平的 6 自由度机械手臂的控制精度, 但还没有对作物实现病害识别的精
8、准施药系统。随着各种新技术的发展, 施药机器人的缺陷在应用中逐渐凸显, 新形势下迫切需要可以实现自主检测病害、自主移动及变量施药的精准施药机器人, 能够在平原、实地行间或温室自主移动。使用精准施药机器人以智能化技术替代劳动力, 对提高农业的效率和生产率具有重要的推动作用。本文首先对现存的精准施药机器人的技术分类及应用进行了综合阐述, 然后总结了现有技术的局限性及重点需要解决的科学问题, 最后提出了未来精准施药机器人的发展方向1 精准施药机器人关键技术自 20 世纪 80 年代发达国家开始研究农业机器人后, 相继出现了采摘、嫁接、施药机器人;但早期的施药机器人各方面性能低、智能化程度不高, 没有
9、针对性的病害检测系统和精准施药系统。后来, 由于人工智能、机器视觉等新技术的发展及应用, 有效促进了施药机器人的自动化和精准化研发。在精准施药机器人研发方面, 包括病害识别、精准施药及自主行走等关键技术。1.1 病害识别技术机器人的检测系统是用来收集目标区域的信息, 对其进行分类、病害症状的识别及危害程度评价, 并进行施药的系统, 适用于各种传感技术, 如机器视觉、光谱反射率及遥感等。精准施药机器人的技术核心在于及时准确地获取作物病害区域的信息, 在早期发现并准确定位作物病害, 可提高施药处方决策和综合防治的针对性和准确性。作物病害自动识别相关的问题在近 20 年受到了密切的关注, 到目前为止
10、提出的技术主要包括机器视觉检测和光谱检测两种方法。1.1.1 机器视觉检测过去大多数情况下, 作物病害识别是人工进行的, 通过人工测量或使用显微镜;但是, 这需要有经验的专业人士, 且有些作物的许多病害症状是非常相似的, 通过肉眼很难分辨, 难以达到精准的效果。机器视觉是用计算机模拟人类视觉的一门科学, 可以理解为图像处理和图像分析。作物因其感染不同的病原体在作物上出现不同纹理、颜色和形状的病斑, 机器视觉就是通过这些病斑的不同特征来识别病害, 主要步骤包括作物图像采集、病斑分割、病害特征提取和识别等。图像采集是图像处理的第一步, 其把目标物的模拟信号转换成数字信号传给计算机进行实时处理。典型
11、的数字图像采集系统如图 1 所示3。摄像机拥有自动控制镜头的光圈, 可以结合所有类型的图像传感器。图像采集的质量很重要, 提高质量可以显著减少图像处理和计算机视觉算法的开发工作。图 1 图像采集系统 下载原图1.摄像机 2.环状光源 3.光照箱 4.被测对象 5.载物台 6.计算机 7.图像采集卡图像的病斑分割面临的一项重大挑战是在复杂的结构特征中找出感兴趣的部分, 应对这一挑战常用的病害分割方法是随机纹理模型, 即描述作物不同大小、形状区域的结构特征。这种方法以快速、准确分割得到了广泛的使用, 但对复杂结构特征的系统分割精度较低。为解决图像分割的难度, 国内外研究者提出了各种解决方案, 并取
12、得了部分研究成果。在国外, Pasqua 等4提出了一种高性能的基于 GPU 并行广义松弛法的图像分割方法, 使用并行线性代数子程序的并行软件模块实现了快速、准确的图像分割。S.Biswas 等5提出了一种基于曲线拟合的多项式平滑图像分割方法, 比现有的方法分割效果更加明显。R.S.Medeiros 等6提出了一种基于多尺度随机纹理外观模型的图像分割方法。实验结果表明:所提出的图像分割方法能在复杂结构特征的情况下做出准确的分割。在国内, 李冠林等7提出了一种基于 K-means 硬聚类算法 (HCM) 的彩色图像分割方法, 对病害图像的彩色分割和二值化分割效果比较明显。刁智华等8提出一种在复杂
13、背景下的图像分割方法, 实验结果表明:该算法能有效的分割出棉花害螨病斑, 准确率可达 97.83%。刘涛等9利用 mean shift 图像分割法分割出水稻的叶部病斑, 显著提高了相似病害的识别度。图像特征提取作为图像处理应用的基本组成部分, 通常用提取的特征来表示图像, 病害识别中作物的形态特征包括叶形、颜色、叶长、株高及叶基角等。针对图像特征提取, 国内外研究者相继提出一些新的方法并将其应用于实践中。在国外, A.El Adel 等提出了一种基于快速 小波网络的图像特征提取方法, 实验结果证明该方法能够快速地提取出图像的特征。M.Ponti 等以图像量化的降维方法对图像的颜色和纹理特征进行
14、了提取, 实验表明:量化在保持和提高系统的准确性上简化了图像特征提取, 减少了系统的复杂性。Azadeh 等提出了一种非参数线性特征提取方法并将其应用于高光谱图像的分类, 实验结果表明:该方法在特征提取和分类精度上有比其他方法更高的性能。在国内, 邵庆等以小麦条锈病为研究对象, 采用微分边缘检测和迭代阈值分割来提取小麦病斑部位的形状特征。毋媛媛等将 7 个 Hu 不变矩参数定义为形状特征并引入新的参数, 对作物病害的形状特征进行了提取。图像识别由于其潜在的应用已成为一个非常活跃的研究课题, 独立分量分析是常用的方法, 但昂贵的成本一直阻碍着它的进展。近年来, 国内外研究者提出了更加方便、快捷、
15、精确的方法, 并且得到了迅速发展与应用。在国外, K.A.Vakilian 等13采用基于人工神经网络的图像处理算法对黄瓜病害进行了识别, 实验结果表明:该装置通过检测叶片的症状能够识别出黄瓜的真菌病害。Jyoti 等提出一种彩色图像识别方法并将其应用于柑桔分类, 成功率高达 98%。在国内, 彭吴琦等15使用 Mat Lab 对小麦叶部图像依次进行彩色图像转换为灰度图像、绘制灰度图像直方图并确定分割阈值及灰度图像二值化等操作反映病害分布情况, 根据病害覆盖率识别作物病害程度。王献峰等取用不同环境下的病害叶片图像, 采用属性约简法提取病害叶片的 5 个环境特征和病斑颜色、形状、纹理等 35 个
16、统计特征, 利用最大隶属度准则识别出了病害叶片的病斑类别。刘君等使用偏微分方程水平集模型法和 EM 算法准确地实现了作物病害的自动识别。王美丽等18将小麦病害图像经过颜色空间转换来提取病害的颜色和形状特征, 分析采集的大量样本图像得到作物病害的特征值范围, 进而对未知样本进行病害识别。1.1.2 光谱检测光谱检测的依据是作物在受到病害威胁时会根据感染病菌的不同吸收不同波段的光线且发出不同的光谱, 随着传感器波段的增多, 光谱的波段更加细化、精确, 基于光谱的检测技术日益兴起与成熟, 它以快速诊断、精准识别在病害识别上得到迅速发展。目前, 在光谱检测方面, 国内外研究者们取得了部分研究进展, 并将其应用于实际病害识别中。在国外, Kobayashi.T 等使用多光谱技术对不同时期的水稻进行多光谱技术分析, 实现了对水稻病害程度的识别。J.Jiang 等对冬小麦的冠层反射光谱进行了调查, 结果表明:高光谱指数能够反映出冬小麦感染条锈病的严重程度。Shafr
