張 謀， 蒲燁鋒， 江 雯， 王 鵬， 李心怡

（1.北京航天長征飛行器研究所，北京 100076； 2.華中科技大學(xué)航空航天學(xué)院，湖北 武漢 430074）

0 引言

玉米作為我國主要糧食作物，其產(chǎn)量直接影響我國糧食安全[1]。玉米的病蟲害防治是生產(chǎn)過程中的關(guān)鍵環(huán)節(jié)，而現(xiàn)有農(nóng)藥噴灑方式仍存在效率低、成本高、易浪費和易污染等缺陷。近年來，智能算法已廣泛應(yīng)用于各領(lǐng)域的識別檢測任務(wù)中，利用智能算法優(yōu)化玉米苗期農(nóng)藥噴灑過程，不僅能節(jié)約成本、提高農(nóng)藥利用率，還能進(jìn)一步提高農(nóng)業(yè)智能化水平。

目前，國內(nèi)外研究人員將視覺算法應(yīng)用在農(nóng)作物的識別檢測領(lǐng)域[2-3]。早期的機(jī)器視覺方法主要基于圖像處理算法。MILLER B K 等[4]結(jié)合陰影矯正與紅外圖像，分割缺陷區(qū)域?qū)μ易臃诸悺ARKAR N 等[5]基于莖和花的末端視圖建立了一種番茄分類方法。WOEBBECKE D M 等[6]通過顏色指數(shù)分割圖像實現(xiàn)對雜草的識別。馬志艷等[7]基于HSV 空間分割玉米苗圖像，利用形態(tài)運算與骨架提取算法提取輪廓信息、確定莖稈坐標(biāo)，實現(xiàn)識別定位。

隨著計算機(jī)算力提升，機(jī)器學(xué)習(xí)在圖像識別、文字處理、人機(jī)交互等領(lǐng)域發(fā)展迅速，支持向量機(jī)、貝葉斯算法、神經(jīng)網(wǎng)絡(luò)算法等智能算法也逐漸代替圖像處理手段應(yīng)用在農(nóng)業(yè)檢測中[3,8-10]。KURTULMUS F等[11]將機(jī)器視覺與支持向量機(jī)算法相結(jié)合檢測玉米穗。ROMUALDO L 等[12]利用貝葉斯算法檢測玉米葉片中氮營養(yǎng)狀況。LU H 等[13]將神經(jīng)網(wǎng)絡(luò)算法用于玉米穗的分割任務(wù)。MOHANTY S P 等[14]基于AlexNet 完成了對14 種農(nóng)作物和26 種病蟲害的識別診斷任務(wù)。張開興等[15]將圖像中的顏色與形狀特征作為BP 神經(jīng)網(wǎng)輸入，實現(xiàn)玉米葉病蟲害的識別。張偉榮等[16]將改進(jìn)的Mask R-CNN 玉米苗冠層分割算法應(yīng)用在對靶施肥的任務(wù)中。遷移學(xué)習(xí)與數(shù)據(jù)增強(qiáng)也被證實在提高模型精度與魯棒性上具有良好效果。CONDORI R H M等[17]運用簡單的遷移學(xué)習(xí)方法，提高了對玉米葉片識別的成功率。陳桂芬等[18]結(jié)合遷移學(xué)習(xí)與數(shù)據(jù)增強(qiáng)兩種方法實現(xiàn)玉米病害識別。石新麗等[19]將二值化處理作為數(shù)據(jù)增強(qiáng)手段，利用YOLOv3 網(wǎng)絡(luò)鑒別玉米害蟲以提高識別準(zhǔn)確率。

綜合現(xiàn)有識別手段，本研究提出一種可搭載于農(nóng)藥噴灑機(jī)器人的視覺識別系統(tǒng)，系統(tǒng)以ARM 集成板作為嵌入式硬件，雙目相機(jī)作為圖像采集設(shè)備，可對單株秧苗進(jìn)行精確噴藥。

1 材料與方法

1.1 系統(tǒng)整體設(shè)計

視覺識別系統(tǒng)主要包括神經(jīng)網(wǎng)絡(luò)訓(xùn)練、識別測距程序集成和硬件集成。選擇“Raspberry Pi 4B”作為嵌入式集成板，植入雙目相機(jī)與識別測距程序，并將開發(fā)板固定在農(nóng)藥噴灑機(jī)器人上，利用上位機(jī)控制。搭建好的系統(tǒng)工作流程如圖1 所示，位于小車上的相機(jī)實時采集圖像信息，隨后將圖像傳至集成板處理，通過識別運算后輸出目標(biāo)分類、目標(biāo)置信度及目標(biāo)坐標(biāo)，當(dāng)檢測到待噴藥玉米秧苗處于農(nóng)藥噴灑機(jī)器人噴灑范圍內(nèi)時，利用GPIO 模擬PWM 信號控制噴淋系統(tǒng)，實現(xiàn)對單株秧苗精確噴藥。

圖1 農(nóng)藥噴灑機(jī)器人視覺識別系統(tǒng)工作流程Fig.1 Workflow of visual identification system for pesticide spraying robot

1.2 SSD-MobileNetv1 網(wǎng)絡(luò)模型

SSD-MobileNetv1 神經(jīng)網(wǎng)絡(luò)模型是單階段目標(biāo)檢測算法SSD 與輕量級深度可分離卷積模型MobileNetv1的結(jié)合體。其中，SSD 算法是由LIU W 等[20]在2016年提出的一種基于回歸的單階段目標(biāo)檢測算法。該算法結(jié)合了YOLO 的回歸理念和Faster-RCNN 的錨定機(jī)制，在保證預(yù)測精度的同時也增加了運算速度。MobileNetv1 網(wǎng)絡(luò)（一種專為移動和嵌入式設(shè)備打造的輕量級網(wǎng)絡(luò)）則采用深度可分卷積算法以進(jìn)一步減少模型計算量[21]。

Google 團(tuán)隊用MobileNetv1 替換SSD 網(wǎng)絡(luò)中的主干網(wǎng)絡(luò)VGG16，提出SSD-MobileNetv1 網(wǎng)絡(luò)模型。該網(wǎng)絡(luò)以MobileNetv1 為基礎(chǔ)，并在Conv13 層后添加8個卷積塊，分別提取6 個不同尺度的特征圖，隨后利用錨定的思想生成眾多先驗框，分別進(jìn)行類別與位置回歸，最后以非極大值抑制法得到圖片的目標(biāo)檢測結(jié)果。該網(wǎng)絡(luò)兼具SSD 與MobileNetv1 兩種網(wǎng)絡(luò)優(yōu)點，主要結(jié)構(gòu)如圖2 所示。

圖2 SSD-MobileNetv1 神經(jīng)網(wǎng)絡(luò)主要結(jié)構(gòu)Fig.2 Main structure of SSD-MobileNet neural network

1.3 雙目相機(jī)測距原理

雙目相機(jī)測距主要包括相機(jī)標(biāo)定、雙目校正、雙目匹配和計算深度信息4 個步驟[22]。對于已知相機(jī)參數(shù)且成像在同一平面上的雙目相機(jī)系統(tǒng)，如圖3 所示，假定鏡頭焦距為f，相機(jī)光心分別為Oz1和Oz2，相機(jī)光心之間的距離為B，則空間內(nèi)一點p（x,y,z）在左右相機(jī)上成像點pl與pr的坐標(biāo)為

圖3 雙目相機(jī)光軸與成像平面Fig.3 Optical axis and imaging plane of binocular camera

1.4 識別與測距程序集成

1.4.1 圖像增強(qiáng)與數(shù)據(jù)集制作

在采集圖像時需根據(jù)農(nóng)藥噴灑機(jī)器人的實際應(yīng)用情況確定相機(jī)架設(shè)高度與偏向角度，固定相機(jī)焦距，并考慮光照與距離的影響。為增加圖像樣本多樣性，可在不同光線、不同距離下對玉米秧苗進(jìn)行拍攝。模型訓(xùn)練效果通常與圖像樣本質(zhì)量、數(shù)量有關(guān)，過少的樣本通常會導(dǎo)致模型陷入局部最優(yōu)解。為防止過擬合現(xiàn)象發(fā)生，還需對圖片數(shù)據(jù)集進(jìn)行擴(kuò)充。本研究利用OpenCV 軟件庫中的圖像處理函數(shù)，隨機(jī)對圖像進(jìn)行翻轉(zhuǎn)、剪裁、旋轉(zhuǎn)、增加噪聲和調(diào)整亮度等操作，將圖片數(shù)量擴(kuò)充至原來的18 倍，如圖4 所示。擴(kuò)充后的圖片按3∶1 的比例隨機(jī)分為訓(xùn)練集與測試集，利用LabelImg 圖像標(biāo)注工具，框選圖片中待識別的玉米秧苗，賦予標(biāo)簽，完成模型數(shù)據(jù)集的制作。

1.4.2 卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練

選擇開源的TensorFlow-object detection 框架，修改SSD-MobileNetv1 模型配置文件中的訓(xùn)練參數(shù)（設(shè)置初始學(xué)習(xí)率0.004，訓(xùn)練步數(shù)100 000 步、batch size 為8，衰減步數(shù)和衰減系數(shù)分別為100 和0.95）。為獲得更好的訓(xùn)練效果，加載預(yù)訓(xùn)練模型參數(shù)作為初始化參數(shù)進(jìn)行訓(xùn)練。訓(xùn)練運行環(huán)境：基于Python3 編程語言的TensorFlow1.15 深度學(xué)習(xí)框架， 操作系統(tǒng)為Windows10-64 位專業(yè)版，CPU 為Intel（R） Core（TM）i5-3 470，GPU 為NVIDIA GTX1060Ti，基礎(chǔ)環(huán)境配置為Anaconda3、PyCharm2020。

為方便模型的調(diào)用與集成，使用OpenCV 深度神經(jīng)網(wǎng)絡(luò)模塊，將TensorFlow 訓(xùn)練生成的pb 模型文件轉(zhuǎn)換為OpenCV 軟件庫可讀取的文件格式，即在程序中可使用readNetFromTensorFlow 函數(shù)直接讀取模型文件。

1.4.3 雙目相機(jī)標(biāo)定

為了矯正由于鏡片透視失真造成的圖片變形，在獲取圖像中的三維信息時，需通過標(biāo)定確定兩臺相機(jī)之間的位置參數(shù)與畸變系數(shù)。選取市場上較便宜且質(zhì)量較輕的DS-3DW300 雙目攝像頭模組作為圖像采集設(shè)備。按照張正友標(biāo)定法準(zhǔn)備棋盤格標(biāo)定板，固定攝像頭位置，運行圖像采集程序，本例共收集左右攝像頭拍攝的標(biāo)定照片49 張。借助MATLAB 標(biāo)定工具箱完成相機(jī)標(biāo)定計算，得到相機(jī)參數(shù)如表1 所示。

表1 雙目相機(jī)參數(shù)標(biāo)定結(jié)果Tab.1 Internal calibration results of binocular camera

1.4.4 識別測距與噴藥程序

基于OpenCV 軟件庫提供的雙目矯正與立體匹配相關(guān)算法，首先利用標(biāo)定所得相機(jī)參數(shù)對圖像進(jìn)行校正，隨后采用半全局匹配（SGBM）算法生成視差圖，根據(jù)視差圖中的信息計算得出每個像素點的三維坐標(biāo)。如圖5 所示，實時檢測與噴藥程序主要流程為初始化GPIO 模塊、加載模型文件、讀取左右目相機(jī)視頻流、矯正每幀圖像后匹配生成深度圖、識別圖像中玉米秧苗、輸出玉米秧苗坐標(biāo)與識別率及GPIO 模擬PWM 信號啟動噴淋系統(tǒng)。

圖5 實時檢測噴藥程序流程Fig.5 Flow chart of spray procedure for real-time detection

2 結(jié)果與分析

SSD-MobileNet 網(wǎng)絡(luò)模型經(jīng)過100 000 步的訓(xùn)練，最終得到模型的分類損失2.932，定位損失0.917，總損失4.286，對玉米秧苗識別準(zhǔn)確率可達(dá)到84.18%。玉米秧苗圖像識別效果如圖6 所示。

圖6 雙目相機(jī)下玉米秧苗識別效果Fig.6 Identification effect of maize seedling under binocular camera

通過固定相機(jī)拍攝角度與高度，在玉米試驗田中測試系統(tǒng)的識別與測距效果，經(jīng)過SGBM 算法立體匹配與深度計算，輸出效果如圖7 所示。該系統(tǒng)基本滿足農(nóng)藥噴灑機(jī)器人在作業(yè)時對玉米秧苗的識別與測距要求。

圖7 玉米秧苗左目圖像與視差Fig.7 Left camera image and parallax map of maize seedling

3 結(jié)束語

將深度學(xué)習(xí)的方法應(yīng)用于農(nóng)業(yè)生產(chǎn)環(huán)境下的玉米秧苗目標(biāo)檢測，基于SSD-MobileNetv1 網(wǎng)絡(luò)和ARM 集成板搭建了一種可以用于農(nóng)藥噴灑機(jī)器人的視覺識別與噴藥系統(tǒng)。輕量級神經(jīng)網(wǎng)絡(luò)SSD-MobileNetv1 具有運算速度快、精度高的優(yōu)點，適用于嵌入式設(shè)備；而樹莓派開發(fā)板體積小、方便搭載于各種尺寸的移動機(jī)器人上，并且成本低、可集成功能多，是性價比較高的嵌入式設(shè)備。搭建好的秧苗識別系統(tǒng)可以滿足田間對玉米秧苗基本檢測的需求，實現(xiàn)對單株玉米秧苗的農(nóng)藥噴灑，也可改變算法網(wǎng)絡(luò)與數(shù)據(jù)集，將該系統(tǒng)應(yīng)用于其他農(nóng)作物的農(nóng)藥、肥料噴灑作業(yè)中。