我国作为农业生产大国,近年来,随着我国人口老龄化速度不断加快,以及城市化导致农村劳动力逐渐减少,传统的人工植保方式已不能适应日益增长的农业生产需求,因此应用于农业植保领域的无人机技术研究具有非常重要的意义。然而由于植保无人机的作业场景中常常存在的电线杆、树木等典型障碍物,影响无人机近地作业的飞行安全。为了确保无人机安全,要求植保无人机具有自动避障能力,为此提出了基于结构光视觉的障碍物检测方法。为了保证植保无人机在线检测的实时性,提出了基于GPU的障碍物结构光图像加速处理技术的研究。基于结构光视觉的障碍物检测主要是通过CCD采集障碍物结构光图像,并通过GPU进行一系列图像加速处理得到较完整的单像素障碍物轮廓曲线,最后通过参数计算得到障碍物的距离、宽度及方位角等信息,以便植保无人机根据障碍物参数进行避障。本文的研究内容主要概括如下:(1)研究了现有的主流无人机障碍物检测技术和图像加速处理技术,并归纳总结了各自的优缺点,并在此基础上提出了基于结构光视觉的障碍物检测方法,重点研究了CUDA架构下的障碍物结构光图像处理方法,保证了植保无人机的实时性。(2)针对植保无人机在线图像处理需求,将嵌入式GPU应用于障碍物图像处理。深入研究了CUDA编程模式,并完成障碍物检测系统的软硬件设计,为图像处理并行化实现奠定了基础。(3)对于图像处理流程中的图像增强,提出了CUDA并行计算架构下的基于点处理的空域法图像增强算法。该算法有效地增大了背景和障碍物之间的灰度差异性,在提高障碍物轮廓线灰度的同时,削弱了背景噪声的影响。最后对并行算法进行性能分析,通过修改执行配置优化算法。(4)对于图像处理流程中的图像分割,提出了CUDA并行计算架构下的基于网格划分的二维熵阈值分割和k-means聚类算法融合的结构光图像并行分割算法,算法充分利用了障碍物结构光图像的空间信息,不仅有效的保证了图像的分割效果,分割时间也能很好地满足植保应用需求。最后对并行分割算法进行性能分析,通过修改执行配置优化并行算法。(5)针对图像处理中的图像细化,通过对比现有的并行细化算法,并针对结构光图像特点,提出了适合障碍物结构光图像的基于网格划分的改进FPA细化算法,该算法在CUDA架构下并行实现。最后对并行细化算法进行性能分析,通过修改执行配置优化并行算法。(6)针对图像处理完成后的二值图像,提出了基于ROI区域的障碍物的距离、宽度及方位角检测参数的计算方法。该算法首先通过横向灰度累加获取障碍物的ROI区域,然后在ROI区域中提取障碍物轮廓线的端点坐标,从而计算得到障碍物的距离、宽度及方位角等信息。(7)分别设计四个实验:图像处理效果、处理时间及障碍物检测的静态实验和动态实验,实验结果表明障碍物参数检测误差满足本文检测检测系统准确性要求,且单次检测时间约55ms,满足植保无人机障碍物检测系统实时性要求。