本文主要研究内容
作者蒋浩(2019)在《基于RTK技术的农业机械自动导航系统研究》一文中研究指出:自动导航技术是实现农业机械智能化的重要保障,它的应用能有效的提高整体作业过程中的精度和效率。针对水田农机自动导航问题,本研究以插秧机为研究对象,采用GPS/北斗-RTK系统、惯性导航传感器融合定位技术,设计了路径跟踪组合控制算法、分段地头转弯策略,研发了一套多种技术融合的自动导航系统,并通过Simulink和实地实验分析了系统的导航精度;然后提出了基于无人机遥感、卫星遥感、地理信息系统、图像处理技术相结合的导航用地图建立及固定障碍物标识的方法,并在全面分析对比了多种常用的算法后,分别确定了适用于云端和移动端农田障碍物检测平台的深度学习模型,为导航系统路径规划功能和避障功能的开发奠定了基础。主要研究结论详述如下:(1)本研究搭建了一套多种技术融合的自动导航系统。系统采用GPS/北斗-RTK系统与惯性导航传感器融合的定位技术,基于路径跟踪组合控制算法和分段地头转弯策略,由方向盘、显示器、控制器、RTK卫星定位系统、前轮转角角度传感器、惯性导航传感器及视觉传感器组成,各子系统间通过CAN总线技术进行数据传输。其中显示器主要实现数据显示与人机交互功能;嵌入式导航控制器作为导航系统的控制中枢;RTK卫星定位系统选用C94-M8P模块,利用GPS/北斗卫星数据完成插秧机行驶过程中实时位置信息的获取;惯性导航传感器完成插秧机实时姿态信息的获取;电动方向盘实现前轮转动的控制;视觉传感器由相机和镜头组成,实现农机前进路线上作物行或障碍物图片的获取。(2)本研究通过计算机模拟确定了路径跟踪控制器的参数,并通过实地实验分析了自动导航系统的导航精度。首先针对C94-M8P模块利用GPS/北斗-RTK系统卫星信息定位的静态和动态精度问题,进行了移动站的测距实验、直线运动实验和圆周运动实验,结果显示,其移动站定位精度在2cm左右;其次通过Matlab/Simulink完成了用于路径跟踪的PID-模糊控制器的设计与参数整定,其中PID控制器的输入合成误差的横向偏差与航向偏差的折算因子分别为10和1,比例系数、积分系数和微分系数分别取0.8、16、0.4,模糊控制器根据专家经验定义了模糊规则并生成了模糊控制表,组合控制器的模糊量化参数为0.25、PID量化参数为0.75,用组合控制器对路径跟踪过程进行模拟的结果显示,最大误差为5.26cm,平均跟踪误差为1.36cm,直线度精度为2.34cm;然后针对插秧机转弯半径大于作物行间距时的地头转弯问题,设计了分段转弯方式;最后在沥青路面和水田环境下进行实地实验,结果显示,平均跟踪误差分别为2.85cm和6.11cm,直线度精度分别为3.51cm和9.32cm,基本满足插秧机实地工作的精度要求。(3)本研究利用无人机与卫星遥感技术获取实验地块信息,并确定了可用于障碍物检测的无人机遥感图像最低分辨率。首先以障碍物的边界为研究对象将WV3卫星提供的31cm全色分辨率、1.24m多光谱分辨率图像与无人机遥感图像进行比较分析,结果显示,通过高分辨率的卫星遥感图像提取的障碍物边界长度与通过实际测量得到的结果偏差平均值为17.3cm,远大于无人机遥感的3.4cm;接着,通过八旋翼无人机搭载索尼A7RII相机获取校区内西区农田的RGB图像,并利用ArcGIS软件完成坐标配准和障碍物边界提取,其中八个标志点配准图上换算得到的地理坐标与实际经纬度转换的地理坐标在X方向和Y方向上的平均偏差分别为4.6cm和5.7cm;然后,设计算法实现了坐标的自动配准和障碍物边界的自动提取过程,其中八个标志点配准图上换算得到的地理坐标与实际经纬度转换的地理坐标在在X方向和Y方向上的平均偏差分别为9.2cm和12.0cm,自动提取和ArcGIS提取的七个障碍物角点坐标在X和Y方向上的平均偏差分别为2.9cm和5.4cm,上述的自动化算法可以用于后续研究中导航用基础信息采集系统的建立;最后对图像压缩后再进行基于相关系数模板匹配的障碍物边界提取,当像素压缩到735×2174(图像分辨率达到6cm)时,六个障碍物的边界点I在X、Y方向上的平均偏差分别为0.87与0.95cm,整个检测过程仅需3s,该结果可以为无人机遥感图像分辨率的选择提供理论依据。(4)本研究利用深度学习算法完成对农田中不同姿态的人的判断和识别,并分别确定了一种适用于移动端和云端障碍物检测平台的模型。为移动端和云端障碍物检测系统各选择了三种基于卷积神经网络的目标检测模型,通过Tensorflow在云平台上完成上述模型的训练后在手机app上完成对测试集样本中农田环境下人的检测;首先,得到每个模型的总体检测精度、平均检测时间和最大检测时间;其次,通过计算每个模型检测结果的归一化指数并通过公式转换为最终得分并进行比较,选择MobilenetSSD、Mobilenet-PPN移动端模型和Mask R-CNN+Inception云端平台模型进行进一步分析;然后,再将模型的检测距离作为标准分析上述三种模型的性能,在距离梯度样本集上进行检测,结果显示,对于应用于移动平台的模型Mobilenet-SSD与模型Mobilenet-PPN,随着离拍摄设备的距离增加,模型Mobilenet-SSD的检测精度下降的较慢,而对于云端平台选择的模型Mask R-CNN+Inceptio一直到9m的距离梯度时仍保持在93.1%的检测精度;最后得出结论,选择模型Mobilenet-SSD和Mask RCNN+Inception分别作为移动端和云端障碍物检测平台的深度学习卷积神经网络模型。
Abstract
zi dong dao hang ji shu shi shi xian nong ye ji xie zhi neng hua de chong yao bao zhang ,ta de ying yong neng you xiao de di gao zheng ti zuo ye guo cheng zhong de jing du he xiao lv 。zhen dui shui tian nong ji zi dong dao hang wen ti ,ben yan jiu yi cha yang ji wei yan jiu dui xiang ,cai yong GPS/bei dou -RTKji tong 、guan xing dao hang chuan gan qi rong ge ding wei ji shu ,she ji le lu jing gen zong zu ge kong zhi suan fa 、fen duan de tou zhuai wan ce lve ,yan fa le yi tao duo chong ji shu rong ge de zi dong dao hang ji tong ,bing tong guo Simulinkhe shi de shi yan fen xi le ji tong de dao hang jing du ;ran hou di chu le ji yu mo ren ji yao gan 、wei xing yao gan 、de li xin xi ji tong 、tu xiang chu li ji shu xiang jie ge de dao hang yong de tu jian li ji gu ding zhang ai wu biao shi de fang fa ,bing zai quan mian fen xi dui bi le duo chong chang yong de suan fa hou ,fen bie que ding le kuo yong yu yun duan he yi dong duan nong tian zhang ai wu jian ce ping tai de shen du xue xi mo xing ,wei dao hang ji tong lu jing gui hua gong neng he bi zhang gong neng de kai fa dian ding le ji chu 。zhu yao yan jiu jie lun xiang shu ru xia :(1)ben yan jiu da jian le yi tao duo chong ji shu rong ge de zi dong dao hang ji tong 。ji tong cai yong GPS/bei dou -RTKji tong yu guan xing dao hang chuan gan qi rong ge de ding wei ji shu ,ji yu lu jing gen zong zu ge kong zhi suan fa he fen duan de tou zhuai wan ce lve ,you fang xiang pan 、xian shi qi 、kong zhi qi 、RTKwei xing ding wei ji tong 、qian lun zhuai jiao jiao du chuan gan qi 、guan xing dao hang chuan gan qi ji shi jiao chuan gan qi zu cheng ,ge zi ji tong jian tong guo CANzong xian ji shu jin hang shu ju chuan shu 。ji zhong xian shi qi zhu yao shi xian shu ju xian shi yu ren ji jiao hu gong neng ;qian ru shi dao hang kong zhi qi zuo wei dao hang ji tong de kong zhi zhong shu ;RTKwei xing ding wei ji tong shua yong C94-M8Pmo kuai ,li yong GPS/bei dou wei xing shu ju wan cheng cha yang ji hang shi guo cheng zhong shi shi wei zhi xin xi de huo qu ;guan xing dao hang chuan gan qi wan cheng cha yang ji shi shi zi tai xin xi de huo qu ;dian dong fang xiang pan shi xian qian lun zhuai dong de kong zhi ;shi jiao chuan gan qi you xiang ji he jing tou zu cheng ,shi xian nong ji qian jin lu xian shang zuo wu hang huo zhang ai wu tu pian de huo qu 。(2)ben yan jiu tong guo ji suan ji mo ni que ding le lu jing gen zong kong zhi qi de can shu ,bing tong guo shi de shi yan fen xi le zi dong dao hang ji tong de dao hang jing du 。shou xian zhen dui C94-M8Pmo kuai li yong GPS/bei dou -RTKji tong wei xing xin xi ding wei de jing tai he dong tai jing du wen ti ,jin hang le yi dong zhan de ce ju shi yan 、zhi xian yun dong shi yan he yuan zhou yun dong shi yan ,jie guo xian shi ,ji yi dong zhan ding wei jing du zai 2cmzuo you ;ji ci tong guo Matlab/Simulinkwan cheng le yong yu lu jing gen zong de PID-mo hu kong zhi qi de she ji yu can shu zheng ding ,ji zhong PIDkong zhi qi de shu ru ge cheng wu cha de heng xiang pian cha yu hang xiang pian cha de she suan yin zi fen bie wei 10he 1,bi li ji shu 、ji fen ji shu he wei fen ji shu fen bie qu 0.8、16、0.4,mo hu kong zhi qi gen ju zhuan jia jing yan ding yi le mo hu gui ze bing sheng cheng le mo hu kong zhi biao ,zu ge kong zhi qi de mo hu liang hua can shu wei 0.25、PIDliang hua can shu wei 0.75,yong zu ge kong zhi qi dui lu jing gen zong guo cheng jin hang mo ni de jie guo xian shi ,zui da wu cha wei 5.26cm,ping jun gen zong wu cha wei 1.36cm,zhi xian du jing du wei 2.34cm;ran hou zhen dui cha yang ji zhuai wan ban jing da yu zuo wu hang jian ju shi de de tou zhuai wan wen ti ,she ji le fen duan zhuai wan fang shi ;zui hou zai li qing lu mian he shui tian huan jing xia jin hang shi de shi yan ,jie guo xian shi ,ping jun gen zong wu cha fen bie wei 2.85cmhe 6.11cm,zhi xian du jing du fen bie wei 3.51cmhe 9.32cm,ji ben man zu cha yang ji shi de gong zuo de jing du yao qiu 。(3)ben yan jiu li yong mo ren ji yu wei xing yao gan ji shu huo qu shi yan de kuai xin xi ,bing que ding le ke yong yu zhang ai wu jian ce de mo ren ji yao gan tu xiang zui di fen bian lv 。shou xian yi zhang ai wu de bian jie wei yan jiu dui xiang jiang WV3wei xing di gong de 31cmquan se fen bian lv 、1.24mduo guang pu fen bian lv tu xiang yu mo ren ji yao gan tu xiang jin hang bi jiao fen xi ,jie guo xian shi ,tong guo gao fen bian lv de wei xing yao gan tu xiang di qu de zhang ai wu bian jie chang du yu tong guo shi ji ce liang de dao de jie guo pian cha ping jun zhi wei 17.3cm,yuan da yu mo ren ji yao gan de 3.4cm;jie zhao ,tong guo ba xuan yi mo ren ji da zai suo ni A7RIIxiang ji huo qu jiao ou nei xi ou nong tian de RGBtu xiang ,bing li yong ArcGISruan jian wan cheng zuo biao pei zhun he zhang ai wu bian jie di qu ,ji zhong ba ge biao zhi dian pei zhun tu shang huan suan de dao de de li zuo biao yu shi ji jing wei du zhuai huan de de li zuo biao zai Xfang xiang he Yfang xiang shang de ping jun pian cha fen bie wei 4.6cmhe 5.7cm;ran hou ,she ji suan fa shi xian le zuo biao de zi dong pei zhun he zhang ai wu bian jie de zi dong di qu guo cheng ,ji zhong ba ge biao zhi dian pei zhun tu shang huan suan de dao de de li zuo biao yu shi ji jing wei du zhuai huan de de li zuo biao zai zai Xfang xiang he Yfang xiang shang de ping jun pian cha fen bie wei 9.2cmhe 12.0cm,zi dong di qu he ArcGISdi qu de qi ge zhang ai wu jiao dian zuo biao zai Xhe Yfang xiang shang de ping jun pian cha fen bie wei 2.9cmhe 5.4cm,shang shu de zi dong hua suan fa ke yi yong yu hou xu yan jiu zhong dao hang yong ji chu xin xi cai ji ji tong de jian li ;zui hou dui tu xiang ya su hou zai jin hang ji yu xiang guan ji shu mo ban pi pei de zhang ai wu bian jie di qu ,dang xiang su ya su dao 735×2174(tu xiang fen bian lv da dao 6cm)shi ,liu ge zhang ai wu de bian jie dian Izai X、Yfang xiang shang de ping jun pian cha fen bie wei 0.87yu 0.95cm,zheng ge jian ce guo cheng jin xu 3s,gai jie guo ke yi wei mo ren ji yao gan tu xiang fen bian lv de shua ze di gong li lun yi ju 。(4)ben yan jiu li yong shen du xue xi suan fa wan cheng dui nong tian zhong bu tong zi tai de ren de pan duan he shi bie ,bing fen bie que ding le yi chong kuo yong yu yi dong duan he yun duan zhang ai wu jian ce ping tai de mo xing 。wei yi dong duan he yun duan zhang ai wu jian ce ji tong ge shua ze le san chong ji yu juan ji shen jing wang lao de mu biao jian ce mo xing ,tong guo Tensorflowzai yun ping tai shang wan cheng shang shu mo xing de xun lian hou zai shou ji appshang wan cheng dui ce shi ji yang ben zhong nong tian huan jing xia ren de jian ce ;shou xian ,de dao mei ge mo xing de zong ti jian ce jing du 、ping jun jian ce shi jian he zui da jian ce shi jian ;ji ci ,tong guo ji suan mei ge mo xing jian ce jie guo de gui yi hua zhi shu bing tong guo gong shi zhuai huan wei zui zhong de fen bing jin hang bi jiao ,shua ze MobilenetSSD、Mobilenet-PPNyi dong duan mo xing he Mask R-CNN+Inceptionyun duan ping tai mo xing jin hang jin yi bu fen xi ;ran hou ,zai jiang mo xing de jian ce ju li zuo wei biao zhun fen xi shang shu san chong mo xing de xing neng ,zai ju li ti du yang ben ji shang jin hang jian ce ,jie guo xian shi ,dui yu ying yong yu yi dong ping tai de mo xing Mobilenet-SSDyu mo xing Mobilenet-PPN,sui zhao li pai she she bei de ju li zeng jia ,mo xing Mobilenet-SSDde jian ce jing du xia jiang de jiao man ,er dui yu yun duan ping tai shua ze de mo xing Mask R-CNN+Inceptioyi zhi dao 9mde ju li ti du shi reng bao chi zai 93.1%de jian ce jing du ;zui hou de chu jie lun ,shua ze mo xing Mobilenet-SSDhe Mask RCNN+Inceptionfen bie zuo wei yi dong duan he yun duan zhang ai wu jian ce ping tai de shen du xue xi juan ji shen jing wang lao mo xing 。
论文参考文献
论文详细介绍
论文作者分别是来自浙江大学的蒋浩,发表于刊物浙江大学2019-07-16论文,是一篇关于自动导航系统论文,技术论文,路径跟踪论文,转弯策略论文,遥感技术论文,障碍物检测论文,深度学习论文,浙江大学2019-07-16论文的文章。本文可供学术参考使用,各位学者可以免费参考阅读下载,文章观点不代表本站观点,资料来自浙江大学2019-07-16论文网站,若本站收录的文献无意侵犯了您的著作版权,请联系我们删除。
标签:自动导航系统论文; 技术论文; 路径跟踪论文; 转弯策略论文; 遥感技术论文; 障碍物检测论文; 深度学习论文; 浙江大学2019-07-16论文;