基于视觉SLAM-惯导融合的联合收获机导航控制方法研究
这是一篇关于联合收获机,视觉SLAM,惯导,导航控制,数据融合的论文, 主要内容为近年来我国农业装备升级的持续推进带动了粮食收获的耕种收机械化率的提高。其中粮食收获是最重要的环节之一,将导航控制技术应用于粮食收获作业被认为是实现高效、低成本收获的关键所在。目前使用的联合收获机导航系统主要基于卫星定位技术,适用于无人农场全局规划路径行驶作业,在作业边界识别实时性方面存在不足,其导航系统二次开发困难、成本较高;还有部分基于滤波方法的多传感器融合导航系统,在相对位置识别和姿态更新方面存在一定局限性。为了提升联合收获机导航系统的定位精度和“满幅作业”的效率及降低导航系统的成本,本文设计了一种基于视觉SLAM-惯导融合的导航控制系统,旨在提高联合收获机导航系统稳定性和作业效率。本文的主要研究内容如下:(1)联合收获机导航控制系统框架设计。将联合收获机作业过程描述为视觉SLAM的状态估计问题,并将整个系统划分为四个部分:传感器数据获取、田间导航信息处理、联合收获机相对位置计算和转向控制。建立双目相机-惯导-载体坐标系,并计算坐标转换矩阵。最后进行双目相机和惯导IMU数学模型的误差分析与联合标定,为导航控制系统的设计提供了理论支撑。(2)联合收获机田间导航信息的获取。首先通过双目相机获取田间图像信息,经过滤波和增强处理,提取作物边界线作为收获机的导航基准线。鉴于田间作物的特殊性,设计了一种改进的FAST-ORB特征点提取算法,提高双目视觉位姿估计的准确性。此外将IMU数据用于辅助双目立体匹配和异值点剔除,提高立体匹配成功率。最后利用双目相机对联合收获机位姿进行估计,构建了基于重投影误差的最小二乘优化模型。(3)基于滑动窗口的视觉-惯导融合位姿估计与转向控制器设计。首先建立视觉-惯导信息融合的框架流程图,对双目相机和惯导进行联合初始化;基于紧耦合滑动窗口优化方法对图像和IMU等相关信息进行误差优化,对目标函数进行非线性最小二乘优化求解,得到联合收获机位姿。根据田间环境和轮式联合收获机的作业行驶状态,建立收获机的路径偏差预测追踪模型,分析转向控制变量中的横向偏差和航向偏差角关系;设计转向控制方法,并进行仿真和动态响应测试,响应的平均时间为2.56s,平均延时50ms,误差为0.7°,所设计的转向控制器能够满足联合收获机转向控制要求。(4)联合收获机导航控制系统的软件设计。根据导航系统设计要求,以英伟达TX2开发板为处理器,基于QT开发框架设计了联合收获机导航转向控制软件,主要包含图像采集程序、双目图像处理程序、基于视觉-惯导融合的滑动窗口位姿优化估计程序、转向控制程序和系统显示界面的设计,同时根据控制系统的操作要求,对整体系统数据处理、人机交互和数据存储等要求进行相应程序设计。(5)联合收获机导航控制系统田间试验效果验证。首先搭建联合收获机导航控制系统试验平台,并根据建立的坐标系选择相应的传感器安装并进行测试。其次进行相应场地试验,试验表明视觉传感器能够满足空间距离识别要求,田间作业横向偏差模拟试验中转向机构满足导航系统需求。最后田间试验结果表明:集成本系统的试验机在0.9～1.5m/s速度下进行田间作业,平均横向偏差范围为2.21～8.62cm,标准差范围为0.13～4.21cm,平均割幅率范围92.2%～96.0%,达到预期的收割效果。相似作业条件下集成基于滤波算法的视觉-惯导系统的联合收获机在0.6～1.2m/s作业速度下的平均横向偏差范围为0.35～4.48cm,标准差范围1.23～5.71cm,集成本文研制的联合收获机导航控制系统横向偏差标准差优于该系统,具有更好的稳定性。本文研制的导航控制系统,性价比高,便于推广应用,为实现联合收获机无人驾驶提供技术支撑。
基于视觉SLAM-惯导融合的联合收获机导航控制方法研究
这是一篇关于联合收获机,视觉SLAM,惯导,导航控制,数据融合的论文, 主要内容为近年来我国农业装备升级的持续推进带动了粮食收获的耕种收机械化率的提高。其中粮食收获是最重要的环节之一,将导航控制技术应用于粮食收获作业被认为是实现高效、低成本收获的关键所在。目前使用的联合收获机导航系统主要基于卫星定位技术,适用于无人农场全局规划路径行驶作业,在作业边界识别实时性方面存在不足,其导航系统二次开发困难、成本较高;还有部分基于滤波方法的多传感器融合导航系统,在相对位置识别和姿态更新方面存在一定局限性。为了提升联合收获机导航系统的定位精度和“满幅作业”的效率及降低导航系统的成本,本文设计了一种基于视觉SLAM-惯导融合的导航控制系统,旨在提高联合收获机导航系统稳定性和作业效率。本文的主要研究内容如下:(1)联合收获机导航控制系统框架设计。将联合收获机作业过程描述为视觉SLAM的状态估计问题,并将整个系统划分为四个部分:传感器数据获取、田间导航信息处理、联合收获机相对位置计算和转向控制。建立双目相机-惯导-载体坐标系,并计算坐标转换矩阵。最后进行双目相机和惯导IMU数学模型的误差分析与联合标定,为导航控制系统的设计提供了理论支撑。(2)联合收获机田间导航信息的获取。首先通过双目相机获取田间图像信息,经过滤波和增强处理,提取作物边界线作为收获机的导航基准线。鉴于田间作物的特殊性,设计了一种改进的FAST-ORB特征点提取算法,提高双目视觉位姿估计的准确性。此外将IMU数据用于辅助双目立体匹配和异值点剔除,提高立体匹配成功率。最后利用双目相机对联合收获机位姿进行估计,构建了基于重投影误差的最小二乘优化模型。(3)基于滑动窗口的视觉-惯导融合位姿估计与转向控制器设计。首先建立视觉-惯导信息融合的框架流程图,对双目相机和惯导进行联合初始化;基于紧耦合滑动窗口优化方法对图像和IMU等相关信息进行误差优化,对目标函数进行非线性最小二乘优化求解,得到联合收获机位姿。根据田间环境和轮式联合收获机的作业行驶状态,建立收获机的路径偏差预测追踪模型,分析转向控制变量中的横向偏差和航向偏差角关系;设计转向控制方法,并进行仿真和动态响应测试,响应的平均时间为2.56s,平均延时50ms,误差为0.7°,所设计的转向控制器能够满足联合收获机转向控制要求。(4)联合收获机导航控制系统的软件设计。根据导航系统设计要求,以英伟达TX2开发板为处理器,基于QT开发框架设计了联合收获机导航转向控制软件,主要包含图像采集程序、双目图像处理程序、基于视觉-惯导融合的滑动窗口位姿优化估计程序、转向控制程序和系统显示界面的设计,同时根据控制系统的操作要求,对整体系统数据处理、人机交互和数据存储等要求进行相应程序设计。(5)联合收获机导航控制系统田间试验效果验证。首先搭建联合收获机导航控制系统试验平台,并根据建立的坐标系选择相应的传感器安装并进行测试。其次进行相应场地试验,试验表明视觉传感器能够满足空间距离识别要求,田间作业横向偏差模拟试验中转向机构满足导航系统需求。最后田间试验结果表明:集成本系统的试验机在0.9～1.5m/s速度下进行田间作业,平均横向偏差范围为2.21～8.62cm,标准差范围为0.13～4.21cm,平均割幅率范围92.2%～96.0%,达到预期的收割效果。相似作业条件下集成基于滤波算法的视觉-惯导系统的联合收获机在0.6～1.2m/s作业速度下的平均横向偏差范围为0.35～4.48cm,标准差范围1.23～5.71cm,集成本文研制的联合收获机导航控制系统横向偏差标准差优于该系统,具有更好的稳定性。本文研制的导航控制系统,性价比高,便于推广应用,为实现联合收获机无人驾驶提供技术支撑。
联合收获机喂入量监测方法及作业速度预测控制策略研究
这是一篇关于联合收获机,GSA-GPR,喂入量监测,LSTM,作业速度预测的论文, 主要内容为随着农业现代化建设的不断推进,智慧农业迎来了全速发展阶段。无人农场的兴起能够大幅降低作业人员的劳动强度,缓解劳动力紧缺问题。我国的无人农场目前还处于试验示范推广阶段,通过高精度北斗卫星定位技术与自动控制系统完成联合收获机的自动进出库并按照规划路径进行定速收割,其作业速度基本采用预先设置的方式,未根据作物长势、收获质量等进行实时反馈调控,难以保障收获质量与效率;传统的作业速度控制策略主要依靠滚筒转速等已发生事件搭建控制模型,而面对联合收获机非线性与大时滞性的作业过程,其控制效果不够理想,为保障联合收获机能够高效率、高质量地完成收获作业,本文提出了一种联合收获机喂入量监测方法及作业速度预测控制策略,其主要研究内容如下:(1)联合收获机作业速度预测控制系统总体方案设计。首先对联合收获机作业工序进行分析并阐述喂入量与作业速度之间存在的紧密联系,然后进一步对喂入量影响因素进行分析,完成喂入量传感器方案选择与设计;其次确定将关键部位转速与作业性能参数作为监测对象,结合喂入量完成作业速度预测控制系统方案设计;最后根据联合收获机作业速度预测控制系统总体方案要求完成硬件选型,其主要包括嵌入式处理器、图像采集模块、数据传输模块、转速传感器、测速模块、人机交互模块、供电模块的选型以及外围电路设计。(2)基于GSA-GPR的联合收获机喂入量传感器研究。通过观察田间水稻的长势,发现喂入量与稻穗层之间存在密切关联,选用工业相机在线采集收获机前方未收割作物图像,将其传输至嵌入式处理器利用U-net网络对采集图像中的稻穗层进行提取并计算其像素值,结合株高、留茬高度、草谷比、千粒重、割幅宽度及作业速度建立基于GSA超参数优化GPR的联合收获机喂入量监测模型,完成喂入量传感器的搭建。(3)基于LSTM的联合收获机作业速度预测控制系统研究。首先通过扩展卡尔曼滤波对BDS/GPS与IMU传感器采集到的作业速度信息进行数据融合,提高测速精度完成实时作业速度监测;其次根据喂入量、关键部位转速及作业性能参数通过LSTM神经网络实现目标作业速度预测;最后搭建联合收获机作业速度增量式PID控制模型并通过Simulink进行仿真实验,结果表明该控制系统满足联合收获机作业速度平稳调控的需求。(4)联合收获机作业速度预测控制系统软件设计。其中分为喂入量传感器监测系统与作业速度预测控制系统的程序设计。首先对喂入量传感器完成嵌入式环境配置,然后编写图像采集程序、图像处理程序、喂入量监测程序以及完成图形显示界面设计;其次作业速度预测控制系统主要完成转速测量程序、CAN总线通信程序、作业速度测量程序、作业速度预测控制程序以及数据存储程序的设计。(5)联合收获机喂入量传感器及作业速度预测控制系统试验验证。首先在实验室内对喂入量传感器及作业速度预测控制系统的各个模块功能进行调试,保障系统稳定运行;其次进行场地试验,进行各模块传感器的安装并对三路主要部件转速与作业速度进行标定,结果表明:其相对误差均小于5%,对喂入量传感器进行静态标定,其静态相对误差小于4%,满足联合收获机田间车载试验要求。最后进行田间车载试验,在30m的收获距离下,喂入量传感器所监测的平均喂入量与实际平均喂入量之间的相对误差小于6%,对比同课题组前人所设计的喂入量预测系统在相同监测精度下具备相对较好的稳定性;人工手动控制下平均喂入量为6.87kg/s,平均收获时间为30.92s,自动控制下平均喂入量为7.24kg/s,平均收获时间为28.11s,本文所设计的作业速度预测控制系统较人工手动控制在保障作业质量的同时,其作业效率提高了约9.1%,符合预期效果。在作业条件相似下,对比同课题组前人所设计的基于喂入量预测的联合收获机作业速度控制系统,在相近作业效率下,提高了作业质量。该作业速度预测控制系统对联合收获机的作业速度调控具有一定的参考价值。
基于U-Net网络的联合收获机籽粒含杂率、破碎率监测方法
这是一篇关于联合收获机,含杂率,破碎率,U-Net网络模型,实时监测的论文, 主要内容为联合收获机收获的籽粒中含有杂质与破碎籽粒,杂质与破碎籽粒的含量反映联合收获机的工作性能,实时了解收获过程中的水稻杂质、破碎含量有利于驾驶员及时调整工作参数,提高联合收获机的收获质量。目前国外有的联合收获机安装了带有含杂、破碎监测装置,但只能显示是否超标的状态,无法记录监测处理的过程,也没有含杂率、破碎率具体的处理结果显示。国内少量的联合收获机含杂率、破碎率在线监测装置还处于试验研究阶段,取样装置和处理精度有待于进一步提高。本文对联合收获机籽粒含杂率、破碎率监测方法进行研究,运用机器视觉技术实时监测含杂率、破碎率,提出了基于U-Net深度学习网络的图像分割算法。建立图像分割与像素质量数学关系计算含杂率、破碎率,将结果显示在驾驶室的显示屏上,同时将结果保存到SD卡并通过CAN总线传输至上位机,为驾驶员或联合收获机作业参数自动控制系统提供调控依据,保存的结果和图像便于离线分析与后续研究。本文主要研究内容及得到的结论如下:1.研究联合收获机水稻含杂率、破碎率的实时监测方案并完成硬件装置的搭建。分析了人工及基于机器视觉的含杂率、破碎率监测原理,搭建了含杂率、破碎率实时监测硬件装置,该装置由籽粒取样-弃样装置、工业相机、LED光源、嵌入式处理器、显示屏组成。籽粒取样-弃样装置安装在出粮口下方,嵌入式控制取样-弃样装置周期性收集和释放籽粒,工业相机抓拍籽粒静态图像,嵌入式处理器实时分割图像,将处理结果在显示屏上显示,保存结果到SD卡,并通过CAN总线传输到上位机。2.研究含杂率、破碎率实时监测系统图像分割算法。基于U-Net深度学习模型对图像中的水稻、枝梗、茎秆三类对象预测分割,再对预测得到的水稻对象采用HSV颜色模型色调、饱和度、亮度三通道设定阈值的方法提取破碎籽粒。结合籽粒几何特征进行形态学处理得到水稻破碎籽粒分割结果。鉴于水稻图像训练数据匮乏,提出改进U-Net模型,在原始网络基础上增加网络深度并加入Batch Normalization层,从而在小数据集上获得更丰富的语义信息,解决训练过拟合的问题。在50张800?600水稻图像中随机裁剪1000张256?256小样本,700张作为训练样本,300张作为验证样本。随机测试120张800?600田间实时收获的水稻图像,采用综合评价指标1F值评价图像各类别分割结果,试验结果表明,水稻分割1F值为99.42%,枝梗分割1F值为88.56%,茎秆分割1F值为86.84%,水稻破碎籽粒分割1F值为85.58%。设计的算法可以对水稻图像中的不同目标进行有效分割。3.设计并部署含杂率、破碎率监测系统的软件算法。使用Python语言设计,将系统软件分为UI界面设计和逻辑设计两大部分,采用独立进程的方式将图像采集功能、图像处理功能、图像及数据保存功能放入到独立进程中,独立进程及主进程之间采用先进先出的队列方式进行通信,确保处理的数据实时传输到上位机并保存到SD卡。实现UI程序设计、籽粒收集释放程序设计、采集图像程序设计、图像处理程序、CAN通讯程序设计、图像及数据保存程序设计软件设计实时处理结果在显示屏显示并通过CAN总线传输结果,保存的数据可供离线分析。4.试验验证含杂率、破碎率实时监测系统的性能。进行室内试验,统计分析得到含杂率平均相对误差分别为7.00%,破碎率平均相对误差为6.72%。田间试验使用本文的含杂率、破碎率监测装置每5秒取样处理,保存结果并将结果通过CAN总线实时传送到上位机。统计分析得到含杂率、破碎率监测值与读图值平均相对误差分别为7.76%,7.93%。田间试验表明,本文研究的算法测量准确度优于已有算法,设计的籽粒含杂率、破碎率实时监测系统满足预期设计需求。
联合收获机作业参数智能监测系统设计
这是一篇关于监测系统,联合收获机,人机交互,远程监测的论文, 主要内容为国内联合收获机驾驶室现有监测仪表系统仅支持显示发动机转速、电池电量、水温、燃油量和机油量等参数。田间收获作业过程中,联合收获机行驶速度、各工作部件转速、扭矩等参数均根据驾驶员经验调定,易出现喂入量过大或过小等情况,喂入量过大会导致联合收获机工作部件堵塞甚至损坏;喂入量过小,作业效率太低,达不到最佳作业状态,二者均影响收获质量。针对上述问题,本课题设计开发一套联合收获机作业参数智能监测系统,包括检测传感系统、车载人机交互系统和远程监测系统三个子系统,不仅实现割台输入轴、割台螺旋搅龙、拨禾轮、脱粒滚筒、发动机动力输出轴转速,割台输入轴、脱离滚筒轴扭矩,行驶速度,收获距离和收获面积等机具作业参数在驾驶室显示终端实时显示,便于驾驶员及时了解收获机运行状态,保证收获质量,而且将数据实时上传云服务器,并通过监测网页实时显示,便于农业经营管理者等在收获季对机具进行及时监测、异地远程作业调度,同时保存作业参数历史数据到数据库,通过对数据做进一步分析,实现作业面积统计、机具故障分析诊断及有针对性地进行后期维护保养等。主要内容如下:(1)基于联合收获机各部件工作过程和常见故障,对监测系统进行功能需求、数据需求和性能需求分析,设计出监测系统总体方案,包括车载检测传感系统、人机交互系统、远程监测系统三部分。(2)以获取联合收获机行驶车速、关键部件转速、扭矩等作业参数以及收获距离、收获面积等作业信息为目标,对检测传感元件进行选型和设计,确定了检测方法,并进行了试验标定。(3)基于C语言和LVGL库开发了车载人机交互系统,包含登录界面、参数输入界面、实时监测界面,该系统能够实现驾驶员在驾驶室实时监测联合收获机作业参数和运行状态。(4)基于Springboot+Vue框架开发了远程监测系统,联合收获机作业参数实时上传云服务器并展示到监测网页,实现数据的远程在线监测以及作业数据存储和查询。(5)在上述研究的基础上,将该系统集成到国内某型联合收获机上开展田间试验,完成系统功能性测试和性能测试。测试结果表明:系统各功能模块运行正常,交互响应及时,数据传输实时性良好,系统持续运行稳定,具有实用价值。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕设海岸 ，原文地址：https://m.bishedaima.com/lunwen/50080.html
