拖拉机自动导航单因子控制系统设计

针对当前拖拉机自动导航转向控制系统结构复杂、算法繁琐及对上位所检测机位置姿态信息要求较高等特点,设计了一种基于51单片机为中央控制载体的拖拉机自动导航执行系统。本系统在不改变原车的液压转向控制系统的前提下,通过加装以步进电机为动力的驱动装置带动方向盘转动实现前轮转向;同时利用角度传感器不断检测前轮转角,为系统在进行转向决策时提供反馈,并且在执行过程中采用涡轮电机控制齿轮啮合与分离。控制系统采用单因子补偿控制算法,通过判断当前车辆的横向偏差走势判断当前的车身偏角。为验证程序算法以及结构设计的可行性,以TN954为实验对象,构建了转向系统和车身偏角的数学模型,运用Matlab/Simulink进行仿真。结果表明:拖拉机以3 km/h作业速度行驶时,在初始横向轨迹偏差设定在5 cm的调整过程中,稳态误差达到2%,单因子补偿控制算法所需的平均调整时间为1. 4 s,满足当今拖拉机自动驾驶控制实时性的要求。     

红枣收获机视觉导航路径检测

针对新疆地区骏枣与灰枣枣园的收获作业,该研究提出一种红枣收获机枣树行视觉导航路径检测算法。通过枣园图像固定区域中B分量垂直累计直方图的标准差d与最小值f的关系对枣园种类进行自动判断。针对灰枣枣园,首先采用色差法与OTSU法对图像进行灰度化与二值化处理,然后进行面积去噪与补洞处理,在处理区域内从上向下逐行扫描,将每行像素上像素值为0的像素点坐标平均值作为该行候补点的坐标,并将所有候补点坐标的平均值作为Hough变换的已知点坐标,最后基于过已知点的Hough变换拟合导航路径;针对骏枣枣园,在处理区域内通过垂直累计R分量的方法确定扫描区间,然后在扫描区间内从上到下逐行扫描,将每行像素上R分量值最小的像素点作为该行的候补点,并将所有候补点的坐标平均值作为Hough变换的已知点,最后使用过已知点的Hough变换拟合导航路径。试验结果表明:对于灰枣枣园与骏枣枣园,该算法的路径检测准确率平均值分别为94%和93%,处理1帧图像平均耗时分别为0.042和0.046s,检测准确性与实时性满足红枣收获机作业要求,能够自动判别枣园种类进行作业,可为实现红枣收获机自动驾驶提供理论依据。     

棉花铺膜播种作业拖拉机的视觉导航路径检测

针对棉花铺膜播种作业环境复杂,视觉导航路径检测易受光照强度、噪声及划线深度的影响,设计了一种抗干扰能力强、适应性广的视觉导航路径检测算法。构建图像采集系统,实时采集铺膜播种作业图像,基于Y=0.299R+0.587G+0.114B颜色模型对图像进行灰度化处理。针对第1帧图像,首先在浮动扫描区间[M_1-k,M_2-k](M_1取560,M_2取639;k=0,k≤560,k++)从第0行开始逐行扫描像素点,提取每行灰度值最小的像素点(或灰度值最小的像素点的列坐标的平均值)作为各行路径提取的候补点,并计算每个扫描区间内的候补点列值的方差F_k;寻求F_k值最小的区间作为第1帧图像的目标区间;在目标区间内使用最小二乘法拟合候补点集群提取初始导航路径;然后,以初始导航路径为中心,左右各扩展U个像素作为扫描区间,提取每行灰度值最小的像素点(或灰度值最小的像素点的列坐标的平均值)作为各行路径提取的候补点;最后,使用最小二乘法拟合导航路径,完成第1帧图像导航路径的提取。从第2帧图像开始,首先确定以前1帧图像导航路径作为当前帧图像扫描区间的中心,左右各扩展U个像素作为扫描区间;然后,从第0行像素开始逐行扫描,并提取灰度值最小的像素点(或灰度值最小的像素点的列坐标的平均值)作为路径提取的候补点,并使用"差异权重法"平滑候补点群;最后,基于最小二乘法拟合导航路径。采集6种工况下铺膜作业视频进行验证试验,结果表明:导航路径检测准确率为100%,平均处理速度为7.020ms/帧,能够稳定、快速地检测导航路径,准确率高,适应性广,抗干扰能力较强,满足棉花铺膜播种作业的实际要求。该检测算法丰富了基于视觉的拖拉机行走路径检测的方法,为实现拖拉机自动驾驶奠定了理论基础。