黃林林，李世雄，譚彧，王碩

(中國農(nóng)業(yè)大學(xué)工學(xué)院，北京市，100000)

0 引言

針對(duì)當(dāng)前農(nóng)田環(huán)境作業(yè)強(qiáng)度高、勞動(dòng)力短缺等問題，研究一種基于神經(jīng)網(wǎng)絡(luò)的機(jī)器視覺的農(nóng)田環(huán)境的路徑導(dǎo)航，不僅能提高農(nóng)業(yè)機(jī)械化水平，實(shí)現(xiàn)精準(zhǔn)化農(nóng)業(yè)，有利于提高農(nóng)業(yè)資源利用率，也能促進(jìn)農(nóng)業(yè)的可持續(xù)性發(fā)展，符合現(xiàn)代農(nóng)業(yè)的發(fā)展要求和前景。農(nóng)業(yè)機(jī)械的自動(dòng)化、智能化是實(shí)現(xiàn)現(xiàn)代化、精準(zhǔn)化農(nóng)業(yè)的發(fā)展方向，其中農(nóng)業(yè)機(jī)械化自主導(dǎo)航技術(shù)一直是現(xiàn)代農(nóng)業(yè)發(fā)展的熱點(diǎn)和關(guān)鍵技術(shù)[1]。與高成本的GPS和激光雷達(dá)設(shè)備相比，開發(fā)成本低、適應(yīng)性好的機(jī)器視覺導(dǎo)航系統(tǒng)對(duì)于小區(qū)域種植十分重要。

隨著人工智能的興起，基于深度學(xué)習(xí)的語義分割越來越多地應(yīng)用于各個(gè)領(lǐng)域之中[8-14]，在農(nóng)作物分割方面也取得了較大進(jìn)展。Ilyas等[15]提出了一種基于級(jí)聯(lián)編解碼網(wǎng)絡(luò)(CED-Net)的語義分割方法來區(qū)分雜草和農(nóng)作物，克服了現(xiàn)有雜草和作物分割架構(gòu)深入、參數(shù)多和訓(xùn)練時(shí)間長(zhǎng)的缺陷。Zhang等[16]利用預(yù)先訓(xùn)練和改進(jìn)的ResNet-18實(shí)現(xiàn)CNN對(duì)樹冠進(jìn)行分割，提高了蘋果機(jī)械采收的效率。鞏祎明[17]基本實(shí)現(xiàn)了農(nóng)田場(chǎng)景下的圖像語義分割，并且驗(yàn)證了其有效性和適應(yīng)性，為農(nóng)業(yè)機(jī)械感知周圍環(huán)境的實(shí)現(xiàn)提供了一定的理論基礎(chǔ)。田間作物行分割實(shí)際上是一個(gè)像素級(jí)別的二分類問題，作物種植區(qū)域(包括部分被覆蓋的土壤)均需與背景區(qū)域分開?？紤]到農(nóng)用機(jī)械作業(yè)過程中需要一定的速度，對(duì)于視覺識(shí)別系統(tǒng)而言，分割圖像的神經(jīng)網(wǎng)絡(luò)應(yīng)盡量小而淺，以在保證分割精度的前提下有較高的分割速度。本文針對(duì)現(xiàn)有的農(nóng)田作業(yè)平臺(tái)的智能化較低的問題研究一種基于機(jī)器視覺的果園輪式自主移動(dòng)平臺(tái)，對(duì)作業(yè)平臺(tái)控制系統(tǒng)設(shè)計(jì)、導(dǎo)航系統(tǒng)設(shè)計(jì)、基于機(jī)器視覺導(dǎo)航方法研究和輪式移動(dòng)平臺(tái)導(dǎo)航試驗(yàn)驗(yàn)證進(jìn)行闡述。

1 導(dǎo)航算法與模型

全卷積神經(jīng)網(wǎng)絡(luò)(Fully Convolution Network)最巧妙的地方在于對(duì)全連接輸出層的替換，能夠?qū)崿F(xiàn)任意尺寸圖片的端對(duì)端(end to end)、點(diǎn)到點(diǎn)(pixel to pixel)空間連續(xù)區(qū)域下的預(yù)測(cè)任務(wù)，通過卷積提取位置信息及語義信息，通過反卷積上采樣至原圖大小，再加上深層特征與淺層特征的融合，達(dá)到了語義分割的目的。與通過目標(biāo)檢測(cè)網(wǎng)絡(luò)完成檢測(cè)目標(biāo)的搜索和定位相比，F(xiàn)CN顯得十分簡(jiǎn)潔和高效，且能容易地改進(jìn)分類模型用于分割模型的預(yù)測(cè)，甚至能通過微調(diào)直接使用已訓(xùn)練好的權(quán)重，只在輸出層作處理來實(shí)現(xiàn)語義分割任務(wù)。

本文提出的農(nóng)田路徑導(dǎo)航識(shí)別方法由兩部分組成：作物語義分割和導(dǎo)航線生成算法。作物語義分割基于改進(jìn)的FCNVGG16卷積神經(jīng)網(wǎng)絡(luò)，進(jìn)行圖像中作物信息的像素級(jí)識(shí)別，得到對(duì)應(yīng)的二值化圖像；導(dǎo)航線生成算法是提取二值化圖像作物特征點(diǎn)，再根據(jù)特征點(diǎn)擬合作物導(dǎo)航線。

1.1 圖像采集與數(shù)據(jù)構(gòu)建

圖像采集地點(diǎn)位于北京市通州區(qū)，拍攝采用海康威視相機(jī)，在不同的天氣狀態(tài)下采集圖像。拍攝圖片角度任意，拍攝的作物主要以生菜和青菜為主，共366張。初始圖片初始尺寸為1 280像素×720像素，為方便訓(xùn)練將其尺寸變換為384像素×384像素，以JPG格式保存。為滿足訓(xùn)練需求，其中351張用于訓(xùn)練集使用，15張用于測(cè)試集使用。實(shí)際訓(xùn)練時(shí)，將數(shù)據(jù)進(jìn)行擴(kuò)充，訓(xùn)練測(cè)試集也進(jìn)行擴(kuò)充，施加仿射變換。無論測(cè)試樣例，還是訓(xùn)練樣例，輸入模型訓(xùn)練或驗(yàn)證之前均進(jìn)行隨機(jī)變換數(shù)據(jù)擴(kuò)充，避免訓(xùn)練過擬合以及保證測(cè)試準(zhǔn)確、可靠。圖像的標(biāo)注使用Labelme軟件完成[18]，通過人工標(biāo)注作物區(qū)域(含部分土壤)為正例，非作物區(qū)域?yàn)榉蠢?背景)如圖1所示。

圖1 標(biāo)記后的作物圖像Fig. 1 Marked crop image

1.2 改進(jìn)FCN網(wǎng)絡(luò)結(jié)構(gòu)

全卷積神經(jīng)網(wǎng)絡(luò)(FCN)所有的網(wǎng)絡(luò)層均為卷積層，每一個(gè)卷積層均是一個(gè)三維向量h×w×d，h，w代表每層特征圖的尺寸，d代表特征圖的通道數(shù)。卷積層上的坐標(biāo)位置(i，j)的點(diǎn)表示為xij，經(jīng)過卷積之后得到下一層對(duì)應(yīng)的點(diǎn)坐標(biāo)為yij，兩者之間的關(guān)系如式(1)所示。

yij=fks({xsi+δi,sj+δj}0≤δi，δj≤k)

(1)

式中：k——卷積核，其尺寸對(duì)應(yīng)k×k；

f——對(duì)應(yīng)的卷積操作；

xsi，sj——起始坐標(biāo)；

s——步長(zhǎng)(stride)；

δi，δj——相對(duì)應(yīng)當(dāng)前起始點(diǎn)的偏移。

當(dāng)前卷積操作的范圍被限制在核尺寸一致的區(qū)域內(nèi)，表示對(duì)所有特征圖進(jìn)行同樣的卷積操作后相加進(jìn)行信息融合的結(jié)果。如前一層的特征圖大小為h×w，卷積操作的padding為p，得到下一層特征圖尺寸為h′×w′，則

(2)

(3)

本研究以FCNVGG16框架為基礎(chǔ)，將最后兩層全連接層去除，并且在末端加上上采樣反卷積輸出層以實(shí)現(xiàn)預(yù)測(cè)輸出，因此將基于VGG16改進(jìn)版本的FCN稱為FCNVGG14，如圖2(a)所示將FCNVGG16最后兩層卷積改為上采樣；同理簡(jiǎn)化卷積層的版本稱為FCNVGG6，如圖2(b)所示每層卷積層只卷積一次。FCNVGG14比FCNVGG16降低了前向傳播計(jì)算量，同時(shí)提高了2%的IOU指標(biāo)。效果最好的為FCNVGG14-8s及簡(jiǎn)化版本FCNVGG6-32s，前者其IOU指標(biāo)達(dá)到0.85，精度達(dá)到了0.91，效果比主流的語義分割模型結(jié)果更優(yōu)，其分割的效果也實(shí)現(xiàn)了對(duì)缺失植物區(qū)域作物補(bǔ)償處理。

(a) FCNVGG14網(wǎng)絡(luò)結(jié)構(gòu)圖

(b) FCNVGG6網(wǎng)絡(luò)結(jié)構(gòu)圖圖2 基于FCNVGG16改進(jìn)型網(wǎng)絡(luò)結(jié)構(gòu)圖Fig. 2 Improved network structure diagram based on FCNVGG16

1.3 訓(xùn)練平臺(tái)

訓(xùn)練平臺(tái)為UBUNTU Linux64位系統(tǒng)，運(yùn)行內(nèi)存為6 G，CPU處理器為Intel i5，第9代處理器，GPU為七彩虹GTX1080顯卡，顯存為8 G。編程語言采用Python，深度學(xué)習(xí)框架為tensorflow1.41、keras2.1.0，使用的庫主要包括Opencv4.0、Numpy1.16.0。

1.4 損失函數(shù)和模型評(píng)價(jià)指標(biāo)

定義合適的損失函數(shù)對(duì)于訓(xùn)練網(wǎng)絡(luò)正常工作很重要，總的損失函數(shù)由IOU和JaccardLoss兩部分構(gòu)成。IOU也稱Jaccard相似系數(shù)，用來描述兩個(gè)有限集合之間的相似度，公式如式(4)所示。

(4)

J(A,B)為集合A和B的Jaccard相似系數(shù)，那么非重疊區(qū)域則可以看作預(yù)測(cè)結(jié)果錯(cuò)誤區(qū)域，定義為JaccardLoss，其計(jì)算公式如式(5)所示。

Lj(A,B)=1-J(A,B)

(5)

另一損失由交叉熵(cross entropy)得到。交叉熵的本質(zhì)為計(jì)算預(yù)測(cè)像素點(diǎn)值與標(biāo)記樣例像素點(diǎn)分類結(jié)果的差異化程度，設(shè)H(p,q)表示量變的交叉熵，其計(jì)算公式如式(6)所示。

(6)

(7)

訓(xùn)練時(shí)，一次訓(xùn)練的樣例數(shù)為N，則一個(gè)批次(batchsize=N)的總損失函數(shù)Loss(N)計(jì)算如式(8)所示。

(8)

(9)

(10)

1.5 參數(shù)設(shè)定級(jí)模型訓(xùn)練

本文輸出層激活函數(shù)為sigmoid函數(shù)，其函數(shù)表達(dá)式如式(11)所示。

(11)

其余均為激活函數(shù)ReLU，其函數(shù)表達(dá)式如式(12)所示。

f(x)=max(0,x)

(12)

在模型參數(shù)設(shè)定方面，池化5后卷積核設(shè)定3×3的卷積核，其余為默認(rèn)的VGG16參數(shù)設(shè)置。批量設(shè)置為8，學(xué)習(xí)率為10-4，Dropout中訓(xùn)練keep_prob向前傳播概率設(shè)置為0.5。訓(xùn)練次數(shù)40 000次，每隔1 000保存一次模型參數(shù)，防止訓(xùn)練忽然崩潰。每40個(gè)batch驗(yàn)證一次測(cè)試集精度，包括IOU和精度ACC。實(shí)際訓(xùn)練發(fā)現(xiàn)含參數(shù)較多的復(fù)雜模型到10 000次基本收斂，參數(shù)少的模型40 000已收斂，為統(tǒng)一訓(xùn)練步數(shù)，訓(xùn)練輪次均設(shè)置為40 000。完成一次模型需要大約5 h，后續(xù)圖片分割效果將與經(jīng)典的圖片分割模型對(duì)比，以及不損失很大精度的條件下，達(dá)到簡(jiǎn)化模型參數(shù)，便于實(shí)際運(yùn)用。改進(jìn)FCNVGG14和FCNVGG6其驗(yàn)證集IOU指標(biāo)和精度訓(xùn)練變化的損失曲線如圖3所示。

(a) FCNVGG14驗(yàn)證集性能曲線圖

(b) FCNVGG6驗(yàn)證集性能曲線圖圖3 基于FCNVGG16改進(jìn)的網(wǎng)絡(luò)結(jié)構(gòu)性能曲線圖Fig. 3 Performance curve of improved network structure based on FCNVGG16

由圖3(a)可知當(dāng)訓(xùn)練步數(shù)達(dá)到2 000次的時(shí)候，其模型參數(shù)基本收斂；由圖3(b)可知模型在8 000次的時(shí)候已經(jīng)基本收斂，雖然相較于FCNVGG14簡(jiǎn)化了參數(shù)，但其精度下降了0.2，IOU指標(biāo)下降了0.1。

1.6 參數(shù)設(shè)定級(jí)模型訓(xùn)練

分別用三種分割算法對(duì)測(cè)試集的三幅圖像進(jìn)行分割識(shí)別，識(shí)別結(jié)果如圖4所示?？梢钥闯鲇蒄CNVGG16網(wǎng)絡(luò)改進(jìn)得到的FCNVGG14網(wǎng)絡(luò)較完美地分割了作物行區(qū)域，并且能較好地實(shí)現(xiàn)小區(qū)域缺失區(qū)域補(bǔ)全處理，保證檢測(cè)的連續(xù)性，F(xiàn)CNVGG6模型比FCNVGG14減少了卷積層及輸出層參數(shù)。

訓(xùn)練次數(shù)需要保證收斂，在實(shí)際8 000次時(shí)模型已經(jīng)收斂，雖然FCNVGG6比FCNVGG14簡(jiǎn)化了較多參數(shù)，但其模型評(píng)價(jià)有所下降，并且從表1中可以看出輸入為單通道時(shí)，根據(jù)模型評(píng)價(jià)指標(biāo)網(wǎng)絡(luò)模型指標(biāo)最佳，故選擇FCNVGG14為試驗(yàn)分割模型(IOU在語義分割中作為標(biāo)準(zhǔn)度量，ACC是所有預(yù)測(cè)中預(yù)測(cè)正確的比例)。

圖4 作物行數(shù)據(jù)分割結(jié)果Fig. 4 Segmentation results of crop row data

表1 分割網(wǎng)絡(luò)評(píng)價(jià)指標(biāo)Tab. 1 Segmentation network evaluation index

2 導(dǎo)航方法和試驗(yàn)

2.1 視覺系統(tǒng)導(dǎo)航組成

本研究使用課題組自主開發(fā)的四輪獨(dú)立驅(qū)動(dòng)和轉(zhuǎn)向機(jī)器人平臺(tái)采集作物圖像，如圖5所示。該平臺(tái)相比傳統(tǒng)差速轉(zhuǎn)彎方式轉(zhuǎn)向更加輕便靈活，在復(fù)雜地形上可以原地任意轉(zhuǎn)彎。平臺(tái)導(dǎo)航系統(tǒng)包括圖像采集模塊、筆記本電腦、電氣柜、通信模塊等。圖像采集模塊位于平臺(tái)前端下方，捕捉田間前視圖像信息；筆記本電腦運(yùn)行視覺導(dǎo)航軟件，對(duì)采集的圖像進(jìn)行處理；電氣柜包括了單片機(jī)處理器、電機(jī)驅(qū)動(dòng)器和供電模塊；通信模塊是將筆記本電腦的處理數(shù)據(jù)傳遞給單片機(jī)處理器。本研究通過采集圖像的同時(shí)控制平臺(tái)的自主導(dǎo)航，保證圖像處理、傳感檢測(cè)以及轉(zhuǎn)向控制的實(shí)時(shí)性和準(zhǔn)確性，具有導(dǎo)航數(shù)據(jù)實(shí)時(shí)存儲(chǔ)和讀寫功能。該試驗(yàn)平臺(tái)可用于農(nóng)田環(huán)境中的運(yùn)輸、噴霧和除草等作業(yè)。

圖5 農(nóng)用試驗(yàn)平臺(tái)Fig. 5 Agricultural test platform

2.2 導(dǎo)航路徑檢測(cè)方法

在實(shí)際生產(chǎn)作業(yè)中，作物種植一般為直線。本研究選用海康威視的DS—2CS55C7BNA型130萬像素的寬動(dòng)態(tài)USB微型攝像機(jī)，實(shí)時(shí)幀率設(shè)置為30 fps用于圖像采集；選用開源計(jì)算機(jī)視覺庫OpenCV 4.0進(jìn)行圖像處理。路徑導(dǎo)航檢測(cè)算法針對(duì)試驗(yàn)平臺(tái)沿壟作業(yè)特點(diǎn)，在攝像頭連續(xù)采集模式下對(duì)田間圖像進(jìn)行尺寸重構(gòu)，獲取豐富細(xì)節(jié)信息的同時(shí)通過壓縮圖像尺寸以提高算法的實(shí)時(shí)性。為了提高圖像分割的效果，先將圖像灰度化處理，由式(13)得到灰度圖像。

Gray(i,j)=0.3×r(i,j)+0.59×g(i,j)+0.11×b(i,j)

(13)

式中：Gray(i,j)——灰度值；

r、g、b——作物圖像的紅、綠、藍(lán)分量；

(i,j)——像素點(diǎn)位置。

采用非監(jiān)督聚類分類的方法，實(shí)現(xiàn)多作物行下的中心點(diǎn)分類，并實(shí)現(xiàn)Hough變換的作物行中心線擬合。

灰度處理后的圖像經(jīng)過語義分割得到二值化的圖像，為了減少后期圖像處理的計(jì)算量利用類K-均值聚類方法，較合理的分類不同列的點(diǎn)。該聚類算法流程如下：記第i行，第j列的點(diǎn)坐標(biāo)為Pij，類別(分屬不同列)為C[i][j]，類別為k的點(diǎn)的橫坐標(biāo)為P[k]，總類別數(shù)為K，K隨掃描進(jìn)程可能增加，算法流程如下。

1) 行掃描檢測(cè)到不小于3個(gè)點(diǎn)的一行，依次按索引順序初始化類別為1，2，3，4…。

2) 掃描至下一行(第i行第j個(gè)點(diǎn))，根據(jù)之前檢測(cè)出K類點(diǎn)的橫坐標(biāo)，找出離自身最近點(diǎn)的類別k作為自身類別，令C[i][j]=k，更新P[k]=Pij，如距離已知類別點(diǎn)橫坐標(biāo)過大，則增加新類表示，C[i][j]=K+1，更新P[K+1]=Pij，具體規(guī)則設(shè)置如下。

且P[k]=Pij，D(Pij-Pk)為求Pij和Pk橫坐標(biāo)絕對(duì)值，maxDis通過之前已知P[k]來計(jì)算得到。

(14)

式中：ε——可調(diào)參數(shù)，建議值為0.5到0.8之間，取0.7效果最好；

max(p)——已知最大橫坐標(biāo)值；

min(p)——已知最小橫坐標(biāo)值。

3) 重復(fù)步驟2，直至掃描至最后一行，得到所有中心點(diǎn)的類別為C[i][j]。

對(duì)于檢測(cè)得到的中心點(diǎn)采用的是改進(jìn)后的Hough變換(PKPHT)，不僅可以有效減少異常噪聲點(diǎn)，而且在能保證點(diǎn)分類的前提下精確擬合出導(dǎo)航線，減小計(jì)算量的前提下保證了直線擬合精度，具有良好的適用性。

2.3 導(dǎo)航控制策略及系統(tǒng)工作流程設(shè)計(jì)

為達(dá)到視覺導(dǎo)航的偏差修正效果，采用模糊控制(Fuzzy Control)算法，視覺導(dǎo)航控制策略流程圖如圖6所示，其中ΔP為相對(duì)偏差角度，e(t)為模糊控制器的輸入，θ(t)為目標(biāo)轉(zhuǎn)角，θe為目標(biāo)轉(zhuǎn)角偏差。橫向偏差由生成的作物行與圖像的中間為位置的差值；航偏角根據(jù)生成作物行直線與基準(zhǔn)直線的相對(duì)角度偏差，模糊控制輸入偏差大小由相對(duì)角度偏差三次求和取平均得到?？刂撇呗詾橄日{(diào)整橫向偏差再調(diào)整航偏角，模糊控制器輸出目標(biāo)轉(zhuǎn)角，再由角度傳感器檢測(cè)到的實(shí)時(shí)轉(zhuǎn)角計(jì)算需要轉(zhuǎn)過的角度θ，轉(zhuǎn)向執(zhí)行機(jī)構(gòu)根據(jù)輸出對(duì)應(yīng)的控制電壓，最終實(shí)現(xiàn)試驗(yàn)平臺(tái)的自主導(dǎo)航，其中不同范圍的橫向偏差有不同的控制調(diào)節(jié)比例系數(shù)。

圖6 視覺導(dǎo)航控制策略流程圖Fig. 6 Flow chart of visual navigation control strategy

自動(dòng)導(dǎo)航過程中實(shí)際獲取田間獲取實(shí)驗(yàn)平臺(tái)的相對(duì)位置的單幀檢測(cè)時(shí)間100 ms，為了滿足實(shí)際的調(diào)試情況和減少誤差的需要，以每3幀處理的結(jié)果進(jìn)行平均值為相對(duì)角度偏差。角度偏差的糾正采用PI調(diào)節(jié)，根據(jù)相對(duì)位置偏差計(jì)算目標(biāo)轉(zhuǎn)角，并對(duì)應(yīng)輸出模擬電壓進(jìn)行控制，目標(biāo)轉(zhuǎn)角的控制精度為1°，導(dǎo)航系統(tǒng)工作流程圖如圖7所示。

圖7 視覺導(dǎo)航系統(tǒng)工作流程圖Fig. 7 Flow chart of visual navigation system

2.4 田間試驗(yàn)

為了檢測(cè)本研究設(shè)計(jì)的基于深度學(xué)習(xí)的導(dǎo)航算法的可行性和穩(wěn)定性，于2021年4月26日—5月2日在北京市房山區(qū)澤普安全農(nóng)場(chǎng)展開田間試驗(yàn)，試驗(yàn)期間天氣晴朗，微風(fēng)。導(dǎo)航線檢測(cè)生成如圖8所示。

圖8 視覺系統(tǒng)直線檢測(cè)質(zhì)量Fig. 8 Visual system linear detection quality

分別以0.3 m/s、0.5 m/s的速度進(jìn)行導(dǎo)航試驗(yàn)，行駛路徑為20 m，每個(gè)速度試驗(yàn)重復(fù)2次，以橫向偏差作為評(píng)價(jià)標(biāo)準(zhǔn)。試驗(yàn)結(jié)果如表2所示，當(dāng)速度不大于0.5 m/s時(shí)，能完成導(dǎo)航試驗(yàn)。隨著行駛速度的增加橫向偏差也隨之增加，當(dāng)行駛速度為0.7 m/s時(shí)，試驗(yàn)平臺(tái)未能及時(shí)進(jìn)行姿態(tài)調(diào)整，未能完成路徑導(dǎo)航；試驗(yàn)平臺(tái)在不發(fā)生打滑的前提條件下，能夠?qū)崿F(xiàn)對(duì)葉菜的識(shí)別和導(dǎo)航，并保持較小的路徑偏差。平臺(tái)轉(zhuǎn)向角隨航偏角變化如圖9所示。

表2 不同速度的橫向偏差Tab. 2 Lateral deviations at different speeds

(a) 航偏角變化

(b) 轉(zhuǎn)向輪轉(zhuǎn)角變化圖9 視覺導(dǎo)航系統(tǒng)田間作業(yè)實(shí)時(shí)數(shù)據(jù)Fig. 9 Real-time data of field operation of visual navigation system

3 結(jié)論

本文研究并實(shí)現(xiàn)了一種基于傳統(tǒng)圖像技術(shù)、深度學(xué)習(xí)技術(shù)的智能化、可靠性高的田間作物行導(dǎo)航線檢測(cè)算法，并對(duì)視覺導(dǎo)航系統(tǒng)的作業(yè)質(zhì)量進(jìn)行了驗(yàn)證和評(píng)價(jià)，為農(nóng)用機(jī)械自動(dòng)導(dǎo)航作業(yè)提供了技術(shù)支撐和理論基礎(chǔ)。

1) 構(gòu)建了四輪獨(dú)立轉(zhuǎn)向的移動(dòng)試驗(yàn)平臺(tái)視覺導(dǎo)航系統(tǒng)，設(shè)計(jì)了基于改進(jìn)型全卷積神經(jīng)網(wǎng)絡(luò)算法，算法的準(zhǔn)確率不低于92%，單幀檢測(cè)時(shí)間100 ms以內(nèi)，由橫向偏差和航偏角獲得平臺(tái)相對(duì)位置信息，并以導(dǎo)航線檢測(cè)準(zhǔn)確率為指標(biāo)，經(jīng)試驗(yàn)算法具有良好的魯棒性。

2) 經(jīng)過試驗(yàn)測(cè)得導(dǎo)航系統(tǒng)在合適的速度下路徑始終存在不大于10 cm的橫向偏差。該方法先對(duì)圖像進(jìn)行預(yù)處理，然后使用改進(jìn)FCN網(wǎng)絡(luò)結(jié)構(gòu)對(duì)圖像分割，再采用非監(jiān)督聚類分類的方法，實(shí)現(xiàn)多作物行下的中心點(diǎn)分類，并實(shí)現(xiàn)Hough變換的作物行中心線的直線擬合。

3) 基于實(shí)際作業(yè)條件處理實(shí)時(shí)傳輸數(shù)據(jù)，建立模糊控制策略方法，該方法有效及時(shí)地調(diào)整平臺(tái)姿態(tài)。并設(shè)計(jì)了視覺導(dǎo)航系統(tǒng)工作流程及應(yīng)用軟件程序。

對(duì)該導(dǎo)航系統(tǒng)分析表明：結(jié)合語義分割模型FCN，實(shí)現(xiàn)對(duì)作物行分割的自身數(shù)據(jù)集上的訓(xùn)練及改進(jìn)，對(duì)比主流的語義分割框架IOU指標(biāo)顯著提升；本文改進(jìn)的FCN模型對(duì)二值化的圖像，檢測(cè)得到的中心線連續(xù)性好，較完美地消除噪聲，分類后擬合得到的直線十分吻合實(shí)際的圖像中的直線效果，具有良好的環(huán)境適應(yīng)性，將深度學(xué)習(xí)和傳統(tǒng)圖像算法結(jié)合，運(yùn)用于農(nóng)業(yè)機(jī)械視覺導(dǎo)航領(lǐng)域，為未來的農(nóng)業(yè)自動(dòng)化、智能化提供了一定的借鑒意義。但對(duì)于過于復(fù)雜環(huán)境變換對(duì)導(dǎo)航控制系統(tǒng)穩(wěn)定性、魯棒性有了更高的要求。如果結(jié)合IMU傳感器與相機(jī)，借助擴(kuò)展卡爾曼濾波實(shí)現(xiàn)傳感器數(shù)據(jù)融合，提高導(dǎo)航算法的實(shí)用性。