兰家祥, 林寿英, 余文泉, 王国邦, 廖耿斌(福建农林大学机电工程学院，福建 福州 350002)

葡萄是我国重要的经济作物之一，在大部分地区都有规模化种植与生产.截至2015年，全国葡萄栽培面积已超过80万hm2，年产量达到1 300万t[1].当前葡萄种植领域的自动化程度还相对较低，尤其是对葡萄植株水肥的管理仍然是以人工喷洒为主，这种管理方法不仅工作效率低，还大幅度增加了农产品的生产成本[2].近年来，随着精细农业技术的提出，农业自动对靶技术引起了诸多学者的关注.汪小志等[3]研发了一种带有自主定位能力的施药机,能通过微波传感器来获得植株的标靶靶向信息，从而依据靶向信息调整施药机的位置，实现了精确对靶施药.然而此种施药机适用于场地作业空间大、植株型号小的作物，不适合于葡萄植株的田间管理.李涛斌等[4]还针对农药残余量超标的问题，研制了一种行距可变式喷药机，通过调整支架与升降杆孔之间的连接，使喷药支架离地高度发生变化，以达到对靶喷药的目的.宋淑然等[5]设计了一种形状可调的柔性对靶喷雾装置，该装置能够根据果树冠的中心位置进行自适应变形，并利用激光测距传感器对靶标植株进行距离探测，从而实现精准对靶喷雾.然而激光传感器在使用的过程中也存在一些问题，如作业时无法精确区分被检测物是否为植株.

目前有关对靶施肥对象的识别研究较少.本研究结合葡萄植株的实际生产作业环境,提出了基于视觉判别分析的葡萄植株对靶系统,快速对葡萄植株的位置进行初步判别；同时还采用判别分析法对图像信息进行特征提取，判断待测对象是否为葡萄植株.

1 材料与方法

1.1 作业环境概况

图1 葡萄种植环境Fig.1 The environment of grape planting

图2 硬件结构图Fig.2 Diagram of hardware structure

当前立体种植葡萄模式的种植环境如图1所示.从图1可看出，葡萄植株的枝叶部分被整齐地固定于葡萄支架上，葡萄果实分布于离地1.8 m以上区域，其枝干部分与果园地面相连接.每列葡萄植株的间隔为1.5 m，每行葡萄植株的走道宽度为2.5 m[6].这种分布不仅减少了植株间的阳光竞争，还有利于人工采摘、套袋和施肥，同时也为葡萄植株对靶系统提供了足够的作业空间[7].

于 2017 年7月在福安巨峰葡萄实验园对样本进行了采集.采集时间为9:00—11:00，大棚内光照度为40～70 klx.采集了100幅图像作为样本，其中50幅为葡萄植株，其余为树桩或水泥柱桩.

1.2 硬件设计

基于视觉判别分析的葡萄植株对靶系统的整体硬件结构如图2所示.其输入部分是依据超声波传感器、激光传感器和摄像头来获取环境信息，输出部分是显示屏和六自由度机械臂.机械臂由4个数字舵机组成，机械臂固定于支撑板上，超声波传感器安装于机械臂的末端，摄像头和激光传感器均安装于支撑板的正中央.

该对靶系统采用的是TI公司生产的控制芯片，型号为STM32F103，能实现各种参数信息的采集、运算、存储和输出控制等功能[8].引脚系统可分为图像采集系统与机械臂执行系统两部分.

图像采集系统：采用TI公司生产的TLC5510摄像头，其通信采用标准SCCB接口，可以同时兼容I2C接口，有效像素为640(H)×480(V)，感光面积为4.8 mm×3.6 mm，自身携带背光补偿和电子快门[9].该摄像头能对被检测物体进行快速图像扫描，并将扫描到的图像信息储存到指定内存中.

机械臂执行系统：主要由4个舵机组成，分别能实现左右、上下、前后6个方位的运动.本设计所选用的舵机型号是SAIBO-1502-17，舵机在接受5 V电源供电时，其无负载速度为356 (°)s-1，转动扭矩为17 kg，它是作为臂部传动的动力源，主要用于驱动整体结构的运动.舵机控制盘引出的3根线分别连接主控制器的正极、负极与PWM信号输出口.首先，单片机输出相应信号，并通过信号线将其传送至舵机的控制盘中；控制系统会依据信号对齿轮和小电机的转动进行有效控制；内部电机通过电位差对齿轮的正转、反转和停止进行调节，驱动顶部舵机盘的转动，实现对位置的精确控制[10].

1.3 传动控制

机械臂执行系统采用逐点比较算法对多个舵机的运动进行控制.根据机械臂的运动平面建立二维直角坐标系，以舵机运动的最小角度作为单位步进距离.算法的基本思路为：舵机每步进一个单位距离，控制器会比较当前所处坐标与给定终点坐标的偏差；控制器根据偏差，决定下一步的步进方向.若机械臂末端所处的坐标点在要求的轨迹下侧，就必须向轨迹上侧运动；若机械臂末端位置在轨迹的上侧，将往前部移动，以缩小偏差[11-12].基于这个控制方法，对机械臂的运动形式、轨迹，速度进行编程控制.运动过程以第Ⅰ象限为例，起点为坐标原点(0，0)，终点的坐标为(5,5)，直线插补算法程序流程图如图3所示.

1.4 判别分析

摄像头采集的源图像如图4所示.图4中除巨峰葡萄的主枝干外，还有其他植株的叶片、小枝干、地面等.因获取图像前经过激光传感器的位置定位，故其主枝干部分位于图像中央.通过分析植株枝干与背景色彩的特征，发现了目标植株枝干一般会从图像上端贯穿至图像底部，色差对比明显.经过计算，植株共占用100像素列.为进一步减少图像分析的检测范围与判别运算所需时间，选取中间50列像素、200行像素作为候选区域分析的依据.

图3 直线插补流程图Fig.3 The tree of linear interpolation图4 采集源图像Fig.4 Source image of acquisition

候选区域的100×200像素点分别对每5列求和、取平均值，得到一个20×40的多维矩阵.采用数理判别法构造一个判别函数，并据此判别函数对新的未知属性样品做出判断.判别函数的获取步骤如下[13-15]：

(1)借助OpenCV计算机软件，将现场采集的图像样本作为目标资料，建立样本资料库,每个样本表示为xi(i=1,2…n).

(2)计算均值向量的估计量.

(1)

(3)计算各个母体的样本离差阵.

(2)

(4)计算协差阵无偏估计量.

(3)

(5)对回代样本进行判别，以检验这种判别方法的可行性.

(4)

为了检验对靶系统对葡萄植株的识别能力与对靶系统的实施效果，于2017年8月在福建省宁德市的巨峰葡萄大棚生产基地进行了试验.试验时间为09:00—11:00，温室内的光照度为40～80 klx.在现场随机选取了10组葡萄植株与4组木桩，分别对对靶系统进行了测试.

表1 判别分析结果Table 1 The results of discriminant analysis

2 结果与分析

2.1 样本库分析

采用上述判别分析法对图像进行分析，并借助计算机软件进行计算，得到样本库判别分析结果(表1).

样本库错判的概率P表示为：

(5)

2.2 现场测试

为了使所采集的图像符合要求，通过分析现场图像得出，对靶系统在距离被测物体50 cm时，可以得到理想的图像效果.现场测试结果表明对靶系统对12组样本可进行有效识别，另外2组样本为误判，结果如表2所示.

表2 试验数据Table 2 The data of experiment

采用折线图来表示试验次数和偏差角度的对应关系,如图5所示.图5中Y轴表示偏差角度值，X轴表示试验次数.

图5 偏差角度图Fig.5 Diagram of deviation angle

从表2和图5可知，对靶系统有效识别时，被测物体的偏差角度均在10°以内，对靶系统对葡萄植株的识别率P为：

(6)

在第10次和第11次试验过程中，对靶系统出现了误判.通过数据对比可知，误判的2次试验的偏差角度均超过了10°，偏差值分别为19°和21°.偏差角度过大会导致对靶系统采集图像的位置出现偏差，造成误判.

对靶系统的平均对靶距离L、平均偏差角度Q，以及对靶距离误差率Pe的计算式分别表示如下：

(7)

(8)

(9)

对靶系统在试验过程中会产生偏差角度过大这一状况，通过分析原因，提出如下解决方法：

(1)对靶系统试验时，激光传感器一旦检测到物体，移动系统便立即停止运动，由于惯性的作用，会导致对靶中心点发生偏移，进而引起误差.可以在移动平台的前端增加一个激光传感器，来对待检测物体进行前瞻检测，使系统及时减速.

(2)对靶系统采用的是延迟的方式来对舵机的运动速度进行控制，从而导致对靶过程中脉冲数会有一个步进距离的误差.可以采用更高精度的舵机来驱动机械臂的运动，如博创机器人舵机、乐高数字舵机等.

3 小结

本文提出了一种基于视觉判别分析的葡萄植株对靶系统.首先，系统利用激光传感器来快速检测葡萄植株的初步位置；再运用摄像头对图像特征进行提取和识别；最后由舵机驱动机械臂完成对靶运动.结果表明，样本库判别分析的误判率为13%，实际试验的误判率为14.3%.对靶系统正常判别时，被测物体的偏差角度均在10°以内，平均对靶距离为42.3 mm，平均偏差角度为4.5°，对靶距离误差率为15.4%.