机器人|除草机器人机器视觉关键技术综述与基准（1）( 三 ) 机器视觉|算法|摄像机|重器

图4 数据集拆分。（a）训练集、验证集和测试集之间的关系。（b）坚持验证方法。（c） k-折叠交叉验证方法。
2.3 无人机在杂草管理中的应用
无人机（UAV）是最有潜力的杂草管理技术之一。基于无人机的特定场地杂草管理（SSWM）是另一种正在发展的杂草管理方法，能够精确、连续地监测和绘制杂草侵扰情况。无人机的飞行高度通常为10-200米，线束宽度为20-400米。用于杂草管理的无人机通常配备RGB摄像机、多光谱摄像机、超光谱摄像机或其他传感器，以检测和绘制杂草地图。结合测绘和喷洒的无人机集成系统可以携带除草剂进行现场特定喷洒。因此，与地面除草机器人相比，用于除草管理的无人机不受地面条件的限制，并且易于操作以进行大面积除草测绘或喷洒除草剂。然而，大多数国家对无人机的严格监管在无人机的有效载荷和射程方面存在限制，因此大多数商用无人机在每次飞行中都有较短的飞行时间。同时，用于杂草管理的基于UVA的监测和杂草测绘受到复杂的室外因素的影响，如风速、光照和飞行高度。尤其是风，在喷洒除草剂时，会导致偏离目标漂移和作物伤害。虽然无人机和地面机器人在杂草控制方面存在一些差异，但无人机和陆地杂草机器人的集成在杂草控制上具有巨大潜力。
3 基于机器视觉的除草机器人关键技术
【机器人|除草机器人机器视觉关键技术综述与基准（1）】农业环境是动态、非结构化和嘈杂的，这给除草机器人的设计带来了巨大挑战。目前，通用自动除草机器人应具有以下特征：自主导航、杂草检测和识别，以及精确的杂草控制和绘图。
3.1 基于机器视觉的自主导航技术领域
除草机器人的视觉导航主要根据摄像机采集的图像数据进行。从图像中提取场路径信息以控制机器人的移动。在现代农业中，绝大多数作物以固定模式种植，每行的间距相对固定。因此，视觉除草机器人通常提取作物行之间的中心线作为其准则。然而，由于作物类型、不同生长阶段、光照条件、土壤颜色等因素的影响，不容易快速准确地确定作物行的位置。
基于图像处理的导航线提取已经得到了广泛的研究和应用。如图5所示，通过图像处理获得导航线通常需要图像预处理、图像分割、定位点选择、线拟合等步骤。图像预处理的目的是提高导航线提取的精度。预处理不仅可以减少彩色图像的信息冗余，而且可以增强植物与土壤背景的对比度。例如，颜色特征非常适合于植被分割。这不仅是因为植物的颜色通常是绿色的，还因为在恒定的光照条件下，物体的颜色几乎不会随着其图像大小、方向或部分遮挡而变化。然而，图像的颜色对光照非常敏感。在复杂的照明条件下，图像很难在RGB颜色空间中分割。因此，它们通常在图像预处理阶段从RGB空间转换到另一个空间。

图5 农田导航线提取过程。
尽管近年来在机器视觉制导系统的研究方面做出了许多努力，但其通用性和技术可靠性的鲁棒性仍处于较低水平。造成这一困境的最重要原因是除草机器人处于非结构化和动态变化的环境中，基于机器视觉的导航系统面临着大量噪声，例如崎岖的地形、不同形状、大小和颜色的植物。因此，开发具有高可靠性的导航系统并不简单，而是极具挑战性的。同时，应该指出，高精度全球定位系统（GPS）和日益流行的激光雷达技术为野外除草机器人导航系统提供了新的选择。机器视觉与GPS或激光雷达相结合，为除草机器人设计高效的导航系统，可能是未来发展的一个重要趋势。