一種基于計算機視覺的農(nóng)機導(dǎo)航方法及系統(tǒng) 技術(shù)領(lǐng)域 [0001] 本發(fā)明屬于導(dǎo)航技術(shù)領(lǐng)域，具體是指一種基于計算機視覺的農(nóng)機導(dǎo)航方法及系 統(tǒng)。 背景技術(shù) [0002] 農(nóng)機導(dǎo)航方法是利用先進的計算機視覺算法進行分析和處理，為農(nóng)機提供導(dǎo)航指 引，使農(nóng)機能夠按照預(yù)設(shè)路線高效、準(zhǔn)確地進行作業(yè)，提高農(nóng)機作業(yè)的自動化程度和精度。 但是現(xiàn)有的農(nóng)機導(dǎo)航方法中存在農(nóng)田圖像在不同光照下質(zhì)量差異大，農(nóng)田圖像細節(jié)不清晰 和邊緣模糊，導(dǎo)致對農(nóng)田邊界和障礙物識別不準(zhǔn)確的問題；現(xiàn)有的農(nóng)機導(dǎo)航方法中存在農(nóng) 田環(huán)境復(fù)雜多樣，無法有效避開場地內(nèi)的障礙物，路徑規(guī)劃適應(yīng)性不足和速度慢，導(dǎo)致農(nóng)機導(dǎo)航不準(zhǔn)確和工作效率低的問題。 發(fā)明內(nèi)容 [0003] 針對上述情況，為克服現(xiàn)有技術(shù)的缺陷，本發(fā)明提供了一種基于計算機視覺的農(nóng) 機導(dǎo)航方法及系統(tǒng)，針對現(xiàn)有的農(nóng)機導(dǎo)航方法中存在農(nóng)田圖像在不同光照下質(zhì)量差異大， 農(nóng)田圖像細節(jié)不清晰和邊緣模糊，導(dǎo)致對農(nóng)田邊界和障礙物識別不準(zhǔn)確的問題，本方案引 入增強系數(shù)和伽瑪校正計算細節(jié)增強圖像，有助于更準(zhǔn)確地識別農(nóng)田中的細微特征；基于 高斯濾波進行邊緣強化，并基于亮度調(diào)整量和亮度增強系數(shù)計算反射分量，計算邊緣增強 圖像，使圖像在不同光照下能呈現(xiàn)更合適的狀態(tài)，同時更好地突出邊緣信息；使用NSST進行圖像分解，基于顯著度完成低頻融合，基于PA?PCNN完成高頻融合，再進行逆NSST處理，得到農(nóng)田增強圖像，并構(gòu)建農(nóng)田地圖，更好地為農(nóng)田邊界和障礙物識別提供準(zhǔn)確清晰的圖像基 礎(chǔ)，從而保障農(nóng)機導(dǎo)航的可靠性和精確性；針對現(xiàn)有的農(nóng)機導(dǎo)航方法中存在農(nóng)田環(huán)境復(fù)雜 多樣，無法有效避開場地內(nèi)的障礙物，路徑規(guī)劃適應(yīng)性不足和速度慢，導(dǎo)致農(nóng)機導(dǎo)航不準(zhǔn)確和工作效率低的問題，本方案用種群代表路徑規(guī)劃方案，基于路徑長度和路徑平滑度計算 適應(yīng)度值，設(shè)計路徑規(guī)劃熵和自適應(yīng)閾值，有利于平衡探索和利用，增強了在復(fù)雜環(huán)境下的適應(yīng)能力；并引入膨脹系數(shù)和加速因子對個體位置進行分段更新，提高了收斂速度和規(guī)劃 效率；基于障礙物和農(nóng)田邊界進行位置檢測，確定最優(yōu)路徑規(guī)劃方案，及時發(fā)現(xiàn)并修正因環(huán)境干擾而偏離的導(dǎo)航路徑，提高了農(nóng)機導(dǎo)航的準(zhǔn)確性和工作效率。 [0004] 本發(fā)明采取的技術(shù)方案如下：本發(fā)明提供的一種基于計算機視覺的農(nóng)機導(dǎo)航方 法，該方法包括以下步驟： [0005] 步驟S1：圖像采集； [0006] 步驟S2：農(nóng)田圖像處理； [0007] 步驟S3：農(nóng)機路徑規(guī)劃； [0008] 步驟S4：農(nóng)機導(dǎo)航。 [0009] 進一步地，在步驟S1中，所述圖像采集是采集RGB模式的歷史農(nóng)田圖像和實時農(nóng)田 圖像，對歷史農(nóng)田圖像進行標(biāo)注，標(biāo)注類型為農(nóng)田邊界和障礙物。 [0010] 進一步地，在步驟S2中，所述農(nóng)田圖像處理具體包括以下步驟： [0011] 步驟S21：增強圖像細節(jié)，從農(nóng)田圖像中分解出細節(jié)圖像，引入增強系數(shù)進行初步 增強，再進行伽瑪校正，得到細節(jié)增強圖像，所用公式如下： [0012] ； [0013] 式中，A是細節(jié)增強圖像，I是農(nóng)田圖像，是增強系數(shù)， 是卷積運算，P是大小為 50×50的平均濾波，γ是伽瑪值，c是常數(shù)； [0014] 步驟S22：增強圖像邊緣，包括以下步驟： [0015] 步驟S221：基于高斯濾波進行邊緣強化，所用公式如下： [0016] ； [0017] 式中，是邊緣強化后的農(nóng)田圖像，ψ{·}是歸一化運算符，G是高斯濾波； [0018] 步驟S222：計算亮度值并歸一化，所用公式如下： [0019] ； [0020] ； [0021] 式中， 是在坐標(biāo)點（x，y）處的亮度值， 、 和 分別是在坐 標(biāo)點（x，y）處紅色通道、綠色通道和藍色通道的像素值，x和y分別是農(nóng)田圖像中像素的橫坐標(biāo)和縱坐標(biāo)， 是在坐標(biāo)點（x，y）處歸一化后的亮度值， 是亮度值的最大值， 是對數(shù)平均亮度值， ，N是像素總數(shù)，是平滑項； [0022] 步驟S223：濾波，所用公式如下： [0023] ； [0024] 式中， 是 濾波后的值，Guide是引導(dǎo)濾波， 是所有 中的最大值； [0025] 步驟S224：設(shè)計亮度調(diào)整量和亮度增強系數(shù)，所用公式如下： [0026] ； [0027] ； [0028] 式中，δ是亮度調(diào)整量，λ是非線性控制參數(shù)， 是歸一化對數(shù)平均亮度值， ， 是在坐標(biāo)點（x，y）處的亮度增強系數(shù)， 是歸一 化后亮度值的最大值，β是調(diào)節(jié)參數(shù)； [0029] 步驟S225：基于亮度調(diào)整量和亮度增強系數(shù)計算反射分量，所用公式如下： [0030] ； [0031] 式中， 是在坐標(biāo)點（x，y）處的反射分量； [0032] 步驟S226：計算邊緣增強圖像B，所用公式如下： [0033] ； [0034] 式中， 是邊緣增強圖像在坐標(biāo)點（x，y）處的像素值； [0035] 步驟S23：圖像分解，基于非下采樣剪切波變換NSST將細節(jié)增強圖像A和邊緣增強

1.一種基于計算機視覺的農(nóng)機導(dǎo)航方法，其特征在于：該方法包括以下步驟： 步驟S1：圖像采集，采集歷史農(nóng)田圖像和實時農(nóng)田圖像； 步驟S2：農(nóng)田圖像處理，引入增強系數(shù)和伽瑪校正計算細節(jié)增強圖像，基于高斯濾波進行邊緣強化，并基于亮度調(diào)整量和亮度增強系數(shù)計算反射分量，計算邊緣增強圖像，使用NSST進行圖像分解，基于顯著度完成低頻融合，基于PA?PCNN完成高頻融合，再進行逆NSST處理，得到農(nóng)田增強圖像，并構(gòu)建農(nóng)田地圖； 步驟S3：農(nóng)機路徑規(guī)劃，基于路徑長度和路徑平滑度計算適應(yīng)度值，設(shè)計路徑規(guī)劃熵和自適應(yīng)閾值，并引入膨脹系數(shù)和加速因子對個體位置進行分段更新，基于障礙物和農(nóng)田邊界進行位置檢測，確定最優(yōu)路徑規(guī)劃方案； 步驟S4：農(nóng)機導(dǎo)航，將最優(yōu)路徑發(fā)送至農(nóng)機控制系統(tǒng)，實現(xiàn)農(nóng)機自動導(dǎo)航； 在步驟S3中包括步驟S33：設(shè)計路徑規(guī)劃熵，所用公式如下： ； ； 式中， 和 分別是第t次和第t?1次迭代時的路徑規(guī)劃熵，t是迭代索引，是第t次迭代時的路徑規(guī)劃熵差， 和 分別是第t次和第t?1次迭代時第h個種群的適應(yīng)度值， 和 分別是第t次和第t?1次迭代時第m個種群的適應(yīng)度值，α是調(diào)整因子，H是種群數(shù)量，h和m是種群索引； 在步驟S3中，所述農(nóng)機路徑規(guī)劃具體包括以下步驟： 步驟S31：初始化，基于農(nóng)田地圖設(shè)定路徑的起點和終點，在起點和終點之間進行路徑規(guī)劃，每個路徑規(guī)劃方案包含D個導(dǎo)航點，用個體位置作為導(dǎo)航點的代表，D個個體位置組成一個種群，用種群作為路徑規(guī)劃方案的代表，在農(nóng)田邊界內(nèi)，避開障礙物隨機生成H個種群； 步驟S32：計算適應(yīng)度值，基于路徑長度和路徑平滑度計算種群的適應(yīng)度值，所用公式如下： ； 式中，Lh是第h個種群的適應(yīng)度值，h是種群索引，ω1和ω2分別是路徑長度權(quán)重和路徑平滑度權(quán)重， 和 分別是第h個種群對應(yīng)的路徑長度和路徑平滑度； 步驟S33：設(shè)計路徑規(guī)劃熵； 步驟S34：計算自適應(yīng)閾值，所用公式如下： ； 式中，μ（t）是第t次迭代時的自適應(yīng)閾值， 是第t次迭代時所有種群的平均適應(yīng)度值； 步驟S35：種群更新；