基于K—means算法的温室移动机器人导航路径识别

王睿

摘 要 温室移动机器人出现的问题有視觉导航受光源干扰、识别能力很差两方面，首先，分离颜色空间3个分量，用色调分量H进行图像处理的方式来降低光源对视觉导航造成的影响，色调分量H要选用和光照无关的。把在温室环境中图像具有颜色特点的信息，用K-means算法计算对图像进行分解，将道路信息与农作物信息进行群分析，再对干扰信息与图像中存在多余或重复的部分进行观察处理，且可获得全面、完整的道路信息，与原常用的方法进行对比，可降低对信息把握不完整造成的Hough变换直接进行合并计算量较大且占据内存大的问题，以此来提高温室移动机器人在工作时自主导航、路径识别的准确、快速、时效性。研究结果表示，本文在改变光照与复杂路线的条件下使用的方法在温室作业中可有效降低光源对自主导航的影响，对于光照不均条件下具有很好的抵抗性，提取的路径信息高达94.5%。且平均每幅图像处理时间降低了52.98%，对路径识别能力提升了不少。此次研究对温室移动机器人导航路径识别的准确性与时效性做出了参考。

【关键词】机器人 K-means 温室

运用温室移动机器人进行自动作业，可以大量节省劳动力，能避免在劳动时出现中暑、中毒等不确定因数。自主导航路径识别是机器人必备技术。当代机器人主要是依靠卫星定位与红外线实现的视觉导航2个设备，但视觉导航比卫星定位要精确、实用性高、灵活多变。机器视觉分为2种，立体与单目视觉，立体视觉的配置要求较高，算法也比较复杂，对于空间匹配精确无法实现，而单目视觉相对于立体视觉实用性要高很多，因此，本文针对于温室移动机器人的路径识别采用单目视觉进行研究。

1 图像数据收集与选取颜色空间

1.1 图像数据收集

本次研究是用单目视觉导航独立四驱移动机器人作为研究对象，在其正前方安装型号为罗技c525cm的摄像头，方向可以自由调节，使其采集的图像更全面，分辨率为1280×1024像素，是其更清晰、精确。

1.2 选取颜色空间

颜色空间对于机器视觉来说，分为RGB、HSI、CMY三类。

RGB（红、蓝、绿）颜色空间表示颜色、明暗度，因此很多颜色相近的在RGB颜色空间中差别可能非常大，反而颜色不同的在RGB颜色空间中差别不是很大。采集自然条件下的图像容易受到阳关太强、农作物互相遮挡出现相对较暗面积等不确定因素影响，故物体光暗程度对RGB是至关重要的，所以不适合用本次研究。

CMY（青、黄、品红）颜色空间就是用白色中和RGB颜色空间中的颜色就会得到CMY颜色空间里对应的颜色，因此也不适用本次研究。

HSI（色调H、饱和度S、亮度I）颜色空间；其中物体光暗程度和亮度I有关，与色调H、饱和度S无关，HSI颜色空间的算法相对来说要简便一点，在进行图像收集与处理时非常具有针对性，故运用HSI进行本次研究会非常适合。

对机器人采集回来的图像处理后得到的HSI空间进行观察，可以发现途中有噪声的地方比较多，要对图像进一步优化。

2 阈值分割与导航路线选取

（1）阈值确定是阈值分割的关键，而阈值是可以通过分析灰度图像来确定，当双峰情况出现在直方图中的时候，就可以选其峰值两点中间为最佳阈值。这种方法的要求很高，物体和背景很难用一个阈值将其完全分开，受到太阳光照程度的影响，之前的阈值就不能使用。必须要重新确定阈值。

（2）为了把效果进行对比，本次研究把色调效果图与原始灰度效果图进行了图像分割。其结果表明色调效果图存在3个波谷，2个波峰；进行阈值分割后的效果图中2种信息相互混杂，信息不清楚，存在很多噪声点，对后面的图像信息提取造成了影响。为了解决信息不清楚、存在很多噪声点，对后面的图像信息提取造成了影响的问题，本次研究将对图像进行K-means算法分割。

（3）K-means算法具有对大数据处理速度快、简便、效率高等特点，如果密集度约大，其特点就会越明显。为了结果的准确性及对路径识别的精确性，故本次研究选取K-means算法作为分割算法。

3 结果

（1）在同一条件下分别对3种光源强度采集20幅效果图像信息，用RGB颜色空间与本次研究提出的处理方法进行信息收集，然后对2种方法获取回来的信息进行比较、分析，得出本次提出的方法对导航路径识别与降低光源影响程度信息的有效信息。再对得到的数据进行转换，证明该算法对导航路径识别是有效的。

（2）通过上述方法进行试验，得出结果采用本文提出的方法，对温室机器人自动作业的需求是可以满足的。本次研究的结果在光照强度不同的位置上获得了显著的成果，所以本次试验对温室机器人自主作业具有重大意义。

4 结论

为解决单目视觉导航移动机器人在不同光照下影响的严重性，研究出了用HSI颜色空间作为图像处理的方法，使其对光照作用的影响降低到最小。针对温室机器人路径识别问题，采用图像进行分割时插入K-means算法对其进行分割，得到使道路与背景完全分离的信息，再经转换后，获得单目视觉导航移动机器人控制的数据参数。在研究后，数据参数表现为：在光照强度大的情况下，抽取色调分量作为图像研究对象，可以提升路径识别对光照强度不定情况下的稳定性。在道路与背景比较混杂的环境进行作业时，用更为精确的K-means算法对图像进行阈值分割，可以更有效的提取道路信息，道路信息提取率高达94.5%。在图像进行转换时，采用Hough变换会节省很多计算时间与内存。在整个过程中，平均每幅图像处理时间降低了52.98%，对路径识别的速度提升了很多，对系统的实用性、时效性得到更多地满足。

参考文献

[1]高国琴，李明.基于K-means算法的温室移动机器人导航路径识别[J].农业工程学报，2014，30（07）：25-33.

[2]谢守勇，鲍安红，管在林等.温室移动机器人导航和避障模糊控制[J].农业机械学报，2002，33（02）：74-76.

[3]庭锴，杨明，杨汝清.基于单目视觉的移动机器人导航算法研究进展[J].控制与决策，2010，25（01）：1-7.

[4]杨为民，李天石，贾鸿社.农业机械机器视觉导航研究[J].拖拉机与农用运输车，2004，20（01）：13-18.

[5]姜国权，何晓兰，杜尚丰等.机器视觉在农业机器人自主导航系统中的研究进展[J].农机化研究，2008（03）：9-11.

作者单位

吉林化工学院 吉林省吉林市 132102endprint