基于人机合作的农业机器人车辆的出现,大大降低了劳动强度,提高了生产效率。视觉作为农业智能车辆和远端监测人员获取环境信息最直观的途径,有利于加深人和车辆对作业环境的理解,推进人机合作进程。依据视觉实现农业作业过程中避障控制,对保证作业安全性、提高农业机器人车辆的智能化和自动化程度有着重要的意义。本文提出一种基于视觉的农业机器人车辆避障策略,在具有复杂背景的农业作业环境中,使用视觉实现障碍物的检测、定位和对障碍物的识别与分类,将障碍物的距离、危险度等定性概念转化为定量数据;建立动态环境中的碰撞预测模型,以障碍物信息的获取及碰撞预测结果为前提,实现基于视觉的农业机器人车辆避障策略研究。本文的主要内容与工作有:1.基于视觉融合的障碍物检测。对存在障碍物的作业图像进行处理,对比Gbvs与Ft算法,选用边缘检测效果较好的Ft算法生成显著图。详述激光雷达与视觉图像信息的融合方法,对激光雷达点及其对应的像素坐标进行聚类,在此基础上提出以激光雷达点为种子点的受限区域生长法,实现图像中障碍物的分割。检测结果表明,视觉融合后的检测方法较传统的分割法具有更好的背景抑制能力。2.障碍物测距。阐述基于数据回归建模的障碍物视觉测距方法,并与激光雷达和视觉相融合的测距方法相比较。实验表明,在30米的距离内,基于数据回归的测距方法最大相对误差为6.2%,基于视觉融合的测距方法最大相对误差为2.1%,后者的测距结果较前者更为精确。3.基于视觉的障碍物识别。结合图像识别技术的发展历史,选用检测准确率较高的SVM算法与卷积神经网络算法(CNN),实现农业作业环境中危险障碍物行人与农业车辆的识别与分类。简述SVM算法的分类原理,详细阐述CNN算法的训练过程。搭建了 5层深度的神经网络结构,建立了训练样本集与检测集,依据训练结果设定神经网络训练步长为20,学习率为0.01,迭代次数为320。识别结果表明,SVM的检测准确率为89.6%,CNN的检测准确率为94.2%。4.基于云模型的避障策略。依据农业作业环境及农业车辆的实际作业需求,提出一种以速度控制为核心的动态环境避障策略。阐述时空障碍物栅格图的基本原理,依据直线预测理论建立动态环境中机器人车辆的碰撞预测模型,确定实时碰撞位置。在依据专家经验与农业作业环境制定的云推理规则基础上,以障碍物的距离和危险度为输入,速度控制结果为输出,建立速度控制策略以实现速度控制,选用基于动态引导的A*算法实现路径规划。实验表明,算法预测判断平均时耗0.17s,机器人车辆速度控制结果没有受到无威胁障碍物影响,且符合速度云推理规则。该算法能够实现实时碰撞预测与避障,具备抗干扰能力,满足实时性要求。