基于机械视觉和一字激光器识别农田地垄截面特征的研究

耿欣 李君兴 董云哲 于海涛 孙玲 徐慧磊 谭杰

(吉林省农业机械研究院，吉林 长春 130011)

引言

作为人口大国，人口的数量不断增长，各种粮食蔬菜等农副产品的消耗也随之增长，这就需要在有限的土地资源上，不断提高农作物产量、优化土壤环境，促使我国必须走精准农业的道路。精准农业，就是通过对农业生产环节中各项因素的调节，以推动高效农业的发展，在减少投入、降低成本、减轻环境污染的同时，不仅能提高农产品的产量、质量，还能使农产品可控化、标准化和批量化，对于农产品的加工、出口等方面均有重要的作用和意义。如，精准施肥可以减少肥料的使用[1]，以达到保护土壤的目的，精准施药可以减少农药的使用，以达到保护环境的目的等。

随着计算机科学与图像处理技术的快速发展，为精准农业的发展提供了必要条件，机器视觉技术的研究与应用已在农业工程领域，监测农作物长势、病虫害防治、农作物的识别与检测、农作物自动收货、农产品品质分类、运输分拣加工存储[2]等，在减少人工成本的同时，提高了劳动质量和效率。

本文基于图像处理技术，采用一种自动化的识别方式，识别地垄横截面的主要特征，比传统的格尺测量效率更高，该方法得到的数据可以方便传给计算机做后处理。识别地垄特征主要意义是用于自动化智能农机设备，如东北很多农村的农田大小不一、形状各异，不同归属的农田交织相错，不适合大型农机的作业，只能用小型犁地机手动进行起垄操作，地垄的间距不一、高矮不同，并非像大型农机那样起垄非常标准，后续小功率智能农机进场，就需要对地垄基本形态做一个识别，如判断垄顶的位置，方便播种机或是施肥施药机进行精准作业；判断垄沟的位置，方便农机车轮实时调整间隙及方向，防止破坏地垄或是压苗。所以地垄截面特征自动化识别，对农机的智能化具有积极的意义。

1 实验设备总体结构及其所需的软硬件

1.1 总体结构

本实验采用型号为1515的铝合金型材搭建辅助测量机构框架，方便调节；激光器垂直照射地垄，一字光线垂直于地垄延伸方向；激光器发射端面距框架底面距离700mm，激光器中心距工业相机安装孔距离500mm；工业相机安装孔距底面距离700mm，相机的拍摄方向为水平向下45°角。

图1 测量机构结构示意图

1.2 硬件简介

工业相机及镜头,接口USB 3.0，免驱动，200万像素(1920×1080)，30帧·s-1；

一字激光器，3.3V供电，功率5mw，波长650nm，可以发射一字形状的激光；

笔记本电脑Win7 i5，带USB 3.0接口。

图2 辅助测量机构实物 图3 农田测量原始图像数据

1.3 软件简介

QT5.9.1,QT是跨平台C++图形用户界面应用程序开发框架，可以制作漂亮的软件界面，各种2D/3D图表，也可调用OpenCV里的函数进行图像处理、数据分析。

OpenCV3.4.10，OpenCV是一个基于BSD许可(开源)发行的跨平台计算机视觉和机器学习软件库，可以运行在Linux、Windows等操作系统上，其轻量级而且高效，实现了图像处理和计算机视觉方面的很多通用算法。

2 数据处理过程

2.1 前期工作需要做2个标定

实验所用相机存在图像畸变，用标准棋盘格进行校正标定，标定结果如下。

相机内参数矩阵：

畸变系数：

[-0.5640860668260472,1.334478592907218,-0.001954098647446536,

0.003381037536167425,-3.584386632028848]

2个矩阵参数作为常量保存在程序里，用作图像校正，以减少图像的畸变。

计算相机像素尺寸与标准尺寸的平均比值，具体如表1所示。

表1 像素尺寸与实际尺寸的比值ηi

平均系数计算公式：

(1)

式中，ηa为平均系数；ηi为每次测量得到的系数；n为测量的组数。

通过公式(1)计算，得相机像素尺寸与标准尺寸的平均比值ηa=2.75，即1mm≈2.75像素。

2.2 图像处理过程

研究以图3原始图像数据为例，进行图像处理分析。

实验中的激光照射到土地上后偏红色，把原始图像数据转换成HSV颜色空间的图像，从而分离出红色元素，对HSV图像进行红色范围的二值化[3]，得到了图4。图4是由不连续的点组成的图像，需要拟合处理生成一条连续的折线，从图片的左边起，每30个相机像素采集一个白点，首尾相连，拟合后的折线图像如图5所示。

图4 经过HSV处理的二值图 图5 生成连续折线

图6 特征检测与测量 图7 结果显示在原始图上

图6是通过对每段折线斜率的比较，得到连续折线的波峰和波谷，波峰即垄顶，用蓝色圆圈标注，波谷即垄沟，用绿色圆圈标注。地垄宽度为2个波谷的距离，像素尺寸为960，根据公式(2)得到相邻垄沟之间的距离为349mm，即地垄宽度尺寸。

地垄宽度计算公式：

(2)

式中，Lh为软件换算后得到的地垄宽度，mm；Lx为图像中垄沟的像素尺寸。

图7为识别后的结果映射到原始图数据上，方便直观观察。

3 测试结果及分析

表2 地垄宽度测量结果表

因为该实验每30个相机像素采集一个白点，30个相机像素对应标准尺寸为11mm，所以每个白点的位置误差为±11mm，由于地垄宽度是由2个白点的宽度计算得到的，所以该算法得出的地垄宽度误差为±22mm，因为算法也属于系统的一部分，所以也可看做系统误差为±22mm。通过对几组不同长度地垄宽度的测量，误差均在系统误差范围内，符合实验要求。

4 结束语

通过实验结果的比较与分析得出，该方法可以较为准确地识别出地垄的垄顶、两侧的垄底，以及计算出地垄宽度，对农机的自动化、智能化具有积极的作用。本实验由于采用识别激光线的方法测量，对光照要求较为严格，需要在灰暗的条件下进行。本实验算法，只对截面类似于三角形的地垄有效，截面是梯形及复杂形状的地垄该算法无法测量。