基于机器视觉的施药机器人设计与研究

摘 要：喷施农药是农作物防治病虫害的重要方法，传统的人工施药方式，作业时防护不当会对施药人产生身体危害，同时，由于人工施药无法使农药喷施达到均匀，一定程度上会降低农药的利用率，且容易造成环境污染。针对此问题，设计了一种基于机器视觉的施药机器人。以马铃薯作物为试验对象，施药机器人可以进行路径规划避障并通过图像识别算法，自动识别检测农作物的病害，从而实现精准施药，减少药物浪费，降低人工施药风险。

关键词：机器视觉；路径规划；自动识别；病虫害防治

中图分类号：S224.3；S237 文献标志码：B 文章编号：1674-7909（2024）17-142-6

DOI：10.19345/j.cnki.1674-7909.2024.17.031

0 引言

在小农经济的背景下，农药喷施方式多以人工操作的背负式或手持式设备为主［1］。这种传统的喷药方式需投入大量的劳动力，且人工喷药的随意性较大，喷施过程中难以保证药剂的均匀分布。目前，大力发展智能化农业植保装备，即将植保技术、自动化机械技术和机器视觉技术进行有机结合，力求在保证防治效果的基础上，尽可能的减少农药的使用量，减少对环境的污染和人体的伤害［2］。为此马伟等［3］等研制出一种风送变量喷药机器人，该机器运用风力扩大喷雾机的作业范围，提高喷施均匀性，尤其适用于设施环境下的喷药作业。中国科技大学刘路［4］研制了一种自走喷雾机器人，实现了基于视觉的惯性导航，使得机器人能自走作业。为解决农药喷施过程中的雾滴漂移问题，江苏大学学生蔡彦伦［5］运用静电喷施技术研制了一种低空静电喷施植保无人机，喷头雾化后经过静电发生装置使雾滴带静电，漂移中的雾滴在静电的作用下飘向靶标，很大程度上减少了雾滴的漂移，节省了农药。

为了更加有效应对马铃薯病害植株的防治需求，设计了一款基于机器视觉的智能施药机器人。该施药机器人集成了路径规划、精准喷药等多项智能技术，能够在田间自动导航，对病害植株进行定点施药。能够在不同行进速度下进行对靶喷洒，达到提高施药效率和节省药剂的效果。这一研究不仅减少了投入人力成本的需求，而且显著提升了病害防治的精准度和资源利用效率，为智能农业提供了一种高效的解决方案。

1 施药机器人的工作原理

施药机器人系统主要包括雷达系统、路径规划移动系统、识别病害装置及施药装置。施药机器人通过搭载的雷达系统对农田环境进行扫描，获取实时地形和环境数据，并生成二维地图，基于构建的地图，机器人运用全局规划算法来确定最优移动路径。在按照规划的路径行走过程中，机器人前端和侧方安装有摄像头，通过视觉传感器采集马铃薯植株病害，并通过后侧方安装的喷药装置进行对靶喷雾。

2 施药装置的设计

施药装置主要包括喷头、水泵、水管、继电器及储药箱等部分组成。工作时，水泵启动储药箱中的药剂通过水管输送到喷头，将药剂按设定的压力和流量喷洒到农作物表面。继电器根据传感器信号和设定的程序，控制喷头的开启与关闭，精确控制喷药量。

2.1 喷头

喷头需要以适当的雾化程度进行喷射，确保雾滴大小一致，并使流体喷洒的方向合适。喷头的喷嘴主要有扇形喷嘴和锥形喷嘴两种类型。扇形喷嘴是一种能产生多种角度扇形喷雾的喷嘴。锥形喷嘴则能产生实心锥形喷雾形状，其喷射区域呈圆形。扇形喷嘴的优点是扇形的喷雾模式形成了直线型的打击面，使得在单位面积上能提供更大的打击力，同等压力，流量下扇形喷嘴是更适合用于强冲击的清洗应用。该喷嘴不仅提升了喷射强度，还有效增强了喷洒的精确性，使得喷雾覆盖面平整，同时边界清晰明确，有利于达到较好的喷洒效果。

为保证施药效果，施药机器人共配置了3个120°扇形喷头，单个喷头流量为0.12 L/min，能够满足要求。

2.2 水泵

水泵是施药系统的核心部件，其为智能施药机器人的喷头提供合适的压力。在工作中，水泵单位流量不仅与喷头参数相匹配，还需确保回流药液能够有效搅拌水箱内的药液，使其在喷洒过程中不断循环，避免药液沉积，维持药液浓度的均匀性。因此，水泵型号的选择尤为重要，根据水泵的压力、电压、电流以及转速等方面进行综合考虑。经计算分析，水泵选用型号为370的微型直流水泵。

3 施药机器人雷达系统

雷达系统是施药机器人的机器视觉，有控制器、雷达等组成，在雷达探测到环境信息后以数据形式快速的传递给控制器，并做出快速的智能反应。

3.1 控制器

施药机器人的控制器为树莓派，具有多方面优势。深度学习领域其广泛使用Python进行开发，树莓派的Python环境兼容性使其在运行神经网络模型、路径规划算法和传感器数据处理方面非常灵活。

3.2 雷达

在智能喷药机器人自动导航系统中，激光雷达是一种关键的传感器。施药机器人采用了具备12米半径测量范围、360°扫描测距以及8 000次/S测量频率的高性能激光雷达，能够提供精确的环境感知信息，为路径规划和自主导航提供数据支撑。工作时能够结合机器人操作系统（Robot Operating SystemROS，ROS）进行建图和路径规划。

4 机器人路径规划系统设计

4.1 路径规划算法

采用人工智能（Artificial Intelligence，AI）算法作为机器人的路径规划算法。AI算法的优点是结合了戴克斯特拉算法（Dijkstra's algorithm，Dijkstra）算法的最短路径搜索和贪心算法的启发式搜索，减少了不必要的节点扩展，提高了搜索效率。

4.2 田间作业方式

在常规场景中，在确立起点和终点基础上，路径规划的主要目的是为智能施药机器人寻找到一条无碰撞的路径，属于“点到点”的规划方式。而农业机器人在进行生产作业时（如播种、施肥和喷药等），则需要实现对整个作业区域的全面覆盖，以确保生产效率最大化，因此其路径规划更偏向“点到线”或“线到面”的全覆盖规划。

一般来说，农业机器人的作业方式分为直行法、绕行法和斜行法三类，直行法是较为常用的方式，具体详见图1所示。根据不同的操作需求，直行法又可以细分为绕行法、开垄行走法、闭垄行走法、套行法和梭形法（又称牛耕法）［5］。

智能施药机器人的田间作业路径大多数情况下由直线和转弯两部分构成。常见的几种转弯路径包括U形、弓形、Ω形和鱼尾形，具体详见图2。其中：W代表机器人作业的幅宽，r表示其最小转弯半径。

在转弯路径示意图中，由图2（a）和2（b）可知，U形和弓形的转弯方式较为相似，转弯整个过程不需要太大区域，施药机器人只需单向转动即可，操作简单、效率较高。图2（c）鱼尾形与U形和弓形的转弯方式相比，鱼尾形的转弯方式明显复杂，人需要在转弯过程中两次自动调整速度，并随之改变运动状态，系统需花费更多时间处理指令的接收与发送，增大了各系统间的通信延迟，从而增加了非作业时间，可能导致移动路线发生偏移，转弯失败。图2（d）Ω形的转弯角度超过了180°，需要的转弯区域会显著增大，所占用的空间也会增加，并且由于转弯幅度较大，整体的控制难度也会相应提升，不利于智能施药机器人的路径规划。

一般来说，路径长短会影响施药机器人的所需工作时间。施药机器人在进入相邻直线路径时，需要根据最小转弯半径与作业幅宽的关系来选择转弯路径。当W≥2r时，采用U形或弓形转弯路径；当r<W<2r时，采用Ω形或鱼尾形转弯路径。在实际情况下，Ω形和U形会增加路径长度，会延长智能施药机器人工作时间，所以可以通过跨行实现弓形转弯，弓形转弯路径详见图3所示。

4.3 构建马铃薯田间模型

针对马铃薯田地施药进行仿真试验，研究以10行植株为例，设置田地宽度为7 m，机器人作业幅宽为0.7 m。每一作业行两端中点处各设置一个节点，代表坐标点，田间作业行所有的坐标点用V=｛1，2，…，n｝来表示，其中n表示坐标点的总数。经过处理之后，作业行可简化为两端坐标点的连线，马铃薯田地模拟情况采用1、2…10为地头坐标，20、19…为相对应的地头坐标，即1↔20、2↔19、3↔18、…、10↔11。坐标点集合V组织为集合 [H=a1，b1，a2，b1，…an/2，bn/2]，在模型中其[ai+bi=n+1]，且[ai]和[bi]是位于不同地头的坐标点；集合[H]可根据所属地头进一步分为集合[H1]和集合[H2]，其中集合[H1=a1，a2，…an/2]表示位于地头1的坐标点，集合[H2=b1，b1，…bn/2]表示位于地头２的坐标点。

4.4 试验结果分析

在Python环境下，设定马铃薯田地大小为20 m×7 m，机器人的最小转弯半径为r=0.6 m，初始作业速度为0.3 m/s，作业幅宽为W=0.7 m，根据作业幅宽算得作业条带数量n=10。用AI算法结合套行法和梭形法两种作业方式，进行对比试验。试验中假设马铃薯田地中障碍物可以避开，施药机器人将在无干扰以及不受外部因素的影响情况下完成作业。

两种作业方式对比如下：第一种采用梭形法（牛耕法），第二种则采用套行法。通过对比试验，观察两种方式在障碍物环境中的作业表现和效率。由于r<W<2r，在梭形法作业方式下，机器人需要使用Ω形转弯路径；而在套行法中，采用弓形转弯路径。该试验从作业路径轨迹、转弯路径类型及转弯路径总长度三个方面进行对比分析，实验结果如表1所示。

分析可知，梭形法和套行法分别采用了Ω形转弯路径和弓形转弯路径，其转弯路径长度各为61.45 m和34.26 m。套行法相比梭形法节省了44.2%的转弯路径长度。套行法的转弯路径总共长度较短，这是因为相比于梭形法所使用的Ω形路径，套行法的转弯角度较小。由于套行法转弯时占用的区域较小，转弯长度相对较短。说明套行法在狭小空间内操作时更为灵活，适用性更广。

在两种不同作业方式下，机器人路径轨迹有着明显的不同，作业路径轨迹如图4所示。可以看出，在地头无障碍物的情况下，套行法工作方式下，地头转弯面积较小。与Ω形转弯路径的梭形法相比，弓形转弯路径的套行法的机器人在转弯时无需进行过多的停止和启动操作，有助于减少能源消耗和机器磨损，并且不需要较大的转弯空间，提高马铃薯种植面积，提升经济效益。

5 马铃薯病害检测识别系统设计

5.1 构建数据集

该识别系统主要识别马铃薯病害，这些病害包括炭疽病、早疫病、晚疫病及其他病害。马铃薯不同情况下的叶片特征如图5所示。

收集大量的病害图片后，需对图片进行预处理，以便构建马铃薯叶片病害识别模型的数据集，具体构建数据流程如图6所示。

5.2 Mobilenet-V2轻量级卷积神经网络的优化训练

在构建了马铃薯病害识别的数据集之后，选择合适的模型进行训练是关键的一步。在偏远农村地区，没有互联网连接或互联网速度较慢的地区，由于传统的大型CNN不适合离线部署，需要模型更小的CNN进行离线部署。识别模型中需选择MobileNet-V2作为骨干网络来执行马铃薯作物病害鉴定。

为了提高此模型的学习能力识别微小病变特征，对经典的MobileNet-V2进行了改进迁移学习方法，空间注意和通道注意模块被整合到预训练的模型中，是一个八度卷积（OctConv）块用于高维特征的提取的关注模块可以充分利用通道注意和空间注意来学习通道之间的相互依存关系以及空间点对中间的意义特征图。此外，利用八度卷积块可以提高提取效率高频特征，并减少低频信息的冗余，从而提高作物病害识别的准确性。基于OctConv思想，实现了包含的OctConv结构包括初始层、过渡层和输出层。初始层为单输入双输出，并负责接收输入特征映射图像处理时。原始图像通过卷积层一个卷积核大小为3×3的输出高频特征图，并经过执行平均池化和相同的卷积运算，得到低频特征图的输出。双输入双输出在过渡层，高频特征和低频特征再经过卷积层后通过下采样和上采样输出。双输入和单输出在输出层。在卷积层和向上采样后得到的特征图中加入卷积运算得到的高频特征八度卷积块的输出特征图。通过移除Boottleneck模块、缩减和增加通道数。这样，利用生成的MobileNet V2-B0网络对马铃薯进行鉴定作物的疾病。其中底部卷积层采用来自ImageNet的预先训练的MobileNet-V2和OctConv块嵌入到网络中进行高维特征提取。此外，一个注意模块由通道注意和空间注意组成了每个空间位置的意义，实现最大限度的再利用渠道间关系，从而重新校准空间和通道特征。