基于机器视觉与 Kalman的田地耕深测量方法

基于机器视觉与 Kalman的田地耕深测量方法

过永强、杨康

江苏大学 江苏镇江 212013

摘要：本文基于机器视觉识别技术识别杂草与作物根茎，将杂草等对耕深测量的影响进行量化处理，使用激光测距仪进行田地测试，实验结果表明耕深测量会因为杂草的影响而偏大4-5mm。Kalman滤波能够缩小测量范围，减小耕深测量标准差。通过Kalman滤波编写相应程序，应用机器视觉技术，及时修正由于杂草等对耕深测量的影响，有利于进一步提高耕深的测量精度，对精准农业工程具有重要意义。

关键词：机器视觉，卡尔曼预测，耕深测量

0 引言

耕深是农业机械田间作业常见的测控参量，如何获得较为简便且较为精确的耕作深度和农具相对地面距离参数，保证所需的耕作深度对精准农业工程具有重要意义。

目前，机器视觉在农业工程领域方面的应用非常广泛，现可以利用机器视觉技术，快速识别农作物和杂草分布状况，将杂草从作物中区分出来，进而精确使用除草剂以提高药物的利用率、减少环境污染^[1-2]，因此可以运用机器视觉技术来识别并分析杂草等对耕深测量的影响。当前主要是基本机械式检测耕深，耕深测量中往往忽略的杂草、作物根茎等的影响，为进一步提高耕深测量精度，精准监测耕作深度，有效保证拖拉机耕地效果，本文基于机器视觉图像处理技术识别田间杂草，通过量化杂草对耕深测量的影响，结合Kalman滤波技术预测耕深^[3]，该研究为精确控制犁耕地时的耕深提供了新的解决方案。

1 机器视觉与图像分割

机器视觉是用机器代替人眼来做测量和判断。机器视觉系统是通过图像摄取装置，（CMOS和CCD)将被摄取目标转换成图像信号，传送给专用的图像处理系统，得到被摄目标的形态信息，根据像素分布和亮度、颜色等信息，转变成数字化信号;图像系统对这些信号进行各种运算来抽取目标的特征，进而根据判别的结果来控制现场的设备动作。杂草分割是实现农业机械机器视觉技术的关键，通过图像分割，将杂草、作物根茎从复杂的田地土壤背景中分离出来，为机器视觉图像分析和杂草、作物根茎识别提供数据来源。

本研究在土壤背景下识别杂草，采用颜色特征分析法，根据植物（呈绿色）和背景（土壤颜色为主）的颜色特征差异，将杂草从背景中分割出来^[4]。郭鑫鑫^[5]等利用机器视觉技术，对预处理过的图像采用G-R分量灰度化处理，通过阈值二值化直方图来测量杂草的特征测度指标，杂草识别效果达标。纪寿文^[6]等滤除了土壤背景且提取图像中投影面积、叶长和叶宽等的特征参数，达到识别玉米和杂草的目的。任全会^[7]等使用Canny算子进行边缘检测，同时把伸长度、分散度、不变距、边界点等参数表示出来，进而构造出了杂草识别模型，杂草识别错误率可以降低到3.2％以下。

现在农地种植生产中，作物残渣留在地里作为养料，而植被对声波和光波有一定吸收作用，会影响耕深测量测精度。需要注意的是，本研究中只需识别位于测量装置正下方的杂草或作物根茎，通过田间试验的方法来量化杂草和作物残渣对耕深测量的不同影响。

2 耕深测量及耕深修正方法

2.1 测量方法

本研究选用激光测距仪（红外线高精度测量）进行直接测量。将测距仪垂直固定安装在犁架上，测量激光发射头至地面的距离得到初始距离h1；犁刀耕入地面一定深度，测量激光发射头至未耕地面的距离h2；最后根据激光发射头至地面的初始距离h1与激光发射头至地面的实际距离h2，由h=h1-h2计算得出直接耕深。如图1所示。

图1 测量方法示意图

注：初始距离---h1 实际距离---h2 耕深---h 激光测距仪S 影响测量的杂草G

2.2 田地试验

将犁具耕入地面一定深度后保持恒定，多次测量激光发射头至地面的距离，通过试验人员根据田地杂草分布状况，在激光测距仪正下方合理随机放置杂草、作物根茎等作为耕深测量的影响因素。最终试验结果如表所示。

实验表明，由于杂草、作物根茎等对测量的影响，将导致激光测量仪至地面的实际距离偏小约4-5mm从而使测量耕深比实际值偏大约4-5mm；

2.3 耕深修正方法

本研究为连续变化的系统，采用Kalman预测。Kalman滤波运算速度快，对内存要求极低，且只需要保留系统上一个状态的数据和当前的测量状态，通过这两个状态量，就可以对系统下一步走向做出有根据的预测。卡尔曼滤波五个基本公式如式（1）-（5）所示。

X(k|k-1)=A X(k-1|k-1)+B U(k) ……(1)

P(k|k-1)=A P(k-1|k-1) A’+Q ……(2)

X(k|k)= X(k|k-1)+Kg(k) (Z(k)-H X(k|k-1)) ……(3)

Kg(k)= P(k|k-1) H’ / (H P(k|k-1) H’ + R) ……(4)

P(k|k)=（I-Kg(k) H）P(k|k-1) …… (5)

因为测量值为距离，跟耕深值直接对应，所以 H=1。对于单模型单测量，I=1。犁具在时刻t的耕深状态向量X（t）只与X（t-1）相关，由于耕深要跟前一时刻的耕深相同，A=1。没有控制量，所以 U(k)=0，即X（t）= X（t-1） 。给定一个X（0|0）=20和一个初始协方差不为0的P(0|0)，使Kalman算法成功运行，随着卡尔曼滤波的收敛，最终总会趋向稳定。本实验中实际耕深为25cm，其中过程噪声主要由人员操作、犁具侧倾、自然环境因素等造成，可根据经验计算得出过程噪声方差Q。测量噪声方差R采用试验法进行估计。例如利用激光仪进行100次测距，这100次距离数据的方差为R’，这与该激光仪的真实方差R是非常接近的，可取R’作为本次试验的R。本次实验通过模拟田地情形进行的，Q的取值较小，Q和R分别为0.01、0.096。通过Matlab模拟测试，结果表明Kalman滤波能够缩小测量范围，减小耕深测量标准差。测试效果如图2所示。

图2 Matlab模拟测试

总结与探讨

1. 可以在土壤背景下通过机器视觉技术来识别激光测量仪正下方的杂草、作物根茎等，为量化其对耕深测量的影响做好前期准备；

2. 实验表明，由于杂草、作物根茎等对测量的影响，将导致激光测量仪至地面的实际距离偏小约4-5mm，从而使测量耕深比实际值偏大约4-5mm；

3. Kalman滤波能够缩小测量范围，减小耕深测量标准差；

4. 通过Kalman滤波编写相应程序，应用机器视觉技术，及时修正由于杂草等对耕深测量误差的影响，有利于进一步提高耕深的测量精度，对精准农业工程具有重要意义。

参考文献

[1]刘亚丽,李怡.机器视觉技术在农业工程中的应用[J].电脑知识与技术,2017,13(23):149-150+169.

[2]赵娜.基于机器视觉的田间杂草识别技术研究[J].无线互联科技,2016(23):141-142.

[3]商高高,刘存昊,韩江义.线性拟合与Kalman预测法修正耕深测量误差[J].农业工程学报,2017,33(22):183-188.

[4]沈旭. 除草机器人农田行内作物/杂草识别研究[D].南京林业大学,2011.

[5]郭鑫鑫,王雪,刘洋.机器视觉中的农田杂草识别研究[J].中外企业家,2020(05):155.

[6]纪寿文,王荣本,陈家娟,等.应用计算机图像处理技术识别玉米苗期田间杂草的研究[J].农业工程学报.2001,17(2)：154-156.

[7]任全会,杨保海.图像处理技术在田间杂草识别中应用研究[J].中国农机化学报,2020,41(06):154-158.

作者简介：

过永强，生于1998年2月，男，汉族，江西抚州人，江苏大学本科在读，机械与控制方向

杨康，生于1999年2月，男，汉族，安徽滁州人，江苏大学本科在读，机械与控制方向

【基金项目】江苏大学第18批大学生科研课题立项资助项目，项目编号：18A369