技术领域
[0001] 本
发明涉及的是检测技术领域，具体涉及一种农田障碍物的在线检测方法，更具体地，涉及一种基于激光位移传感器、用于植保无人机作业过程中对农田障碍物的在线检测方法。
背景技术
[0002] 随着我国人口老年化以及城镇化的不断发展，农村劳动
力人口将面临长期短缺的局面，用机器替代人力是不可避免的发展趋势。目前，用于
农药喷洒的植保无人机近年来得到快速的发展，在一些植保作业区域，会存在树木、电线杆等常见障碍物，障碍物的存在会影响植保无人机作业的安全，因此障碍物的检测和自动避障是保障植保无人机作业安全的关键技术之一，而障碍物的检测又是实现自动避障的前提。目前农田障碍物的主要检测方法有以下三类。
[0003] (1)人工判断方法。即飞手在作业过程中通过视觉判断飞机与障碍物之间的距离，并人工控制植保无人机避开障碍物，这是目前普遍采用的方法，其特点是无人机只能在人眼可视范围内作业，且随着距离增加，人工判断的偏差也增加，难以避免漏喷；并且要求作业人员必须高度集中注意力。
[0004] (2)人工测绘方法。即在植保作业前，提前对作业区域的障碍物进行测绘，标识出障碍物的坐标和避障区域；在植保作业过程中，当无人机到达设定避障区域时，按照提前测绘的结果控制无人机实现避障，其特点是需要额外增加测绘的投入和工作量，对障碍物的测绘、无人机的
定位精度都有较高的要求。
[0005] (3)在线检测方法。即在植保无人机上加装障碍物检测模
块，在植保作业过程中，自动检测障碍物，根据障碍物实时检测结果控制无人机实现自主避障。无人机障碍物在线检测方法主要有：①基于
超声波的障碍物检测方法。
超声波信号容易受
风速、气流、
水雾等影响，在植保无人机作业环境下障碍物的检测精度难以保证。②基于
机器视觉的障碍物检测方法。通过作业场景的自然光
图像采集和分析，得到障碍物的
位置信息实现避障，自然光成像易受环境光影响，图像数据量大，影响实时在线检测的识别率；光照不足时难以检测，无法夜间作业。
[0006] 为了解决上述问题，设计一种新型的基于激光位移传感器、用于植保无人机作业过程中对农田障碍物的在线检测方法。
发明内容
[0007] 针对
现有技术上存在的不足，本发明目的是在于提供一种基于激光位移传感器的植保无人机障碍物检测方法，不受环境光影响、实时性好、检测准确率高，并可以适应夜间作业需求，实现植保无人机作业过程中对农田障碍物的在线检测，实用可靠，易于推广使用。
[0008] 为了实现上述目的，本发明是通过如下的技术方案来实现：基于激光位移传感器的植保无人机障碍物检测方法，包括以下步骤：植保无人机到达作业区域开始作业时，启动障碍物检测功能，作业过程中实时进行障碍物
数据采集，针对每次采集的数据进行障碍物数据块提取，根据提取的数据块分析计算障碍物参数，最后对障碍物类型进行
模式识别；各步骤的具体内容如下：
[0009] (1)启动障碍物检测：植保无人机到达作业区域开始作业时，启动障碍物检测功能；
[0010] (2)障碍物数据采集：
[0011] 激光位移传感器以时间间隔t连续发射激光脉冲，由传感器内置的旋转光学机构将激光脉冲按一定
角度间隔ε发射至传感器角度探测范围θ内的各个方向ξi，i∈[0，N)，形成一个扫描线序列；当某条激光脉冲碰到障碍物时，激光位移传感器的接收器接收到反馈回来的激光脉冲信号，通过发射与接收激光脉冲信号的时间差，计算出该条脉冲方向传感器与障碍物的距离值；当某条激光脉冲没有碰到障碍物时，将检测不到反馈激光脉冲信号，该条脉冲方向对应的检测值设为0；设一次扫描得到包含N个数据的数据序列Xi，i∈[0，N)，Xi与ξi一一对应，该数据序列含有障碍物距离、方位信息；
[0012] (3)数据块提取：
[0013] 数据块提取即从数据序列Xi，i∈[0，N)中将存在障碍物的数据块提取出来，Xi是距离值，N为每次扫描得到的数据总个数，假设这N个数据中X0…Xn-1全部取0，Xn取非0值，Xm取非0值，Xm+1…XN-1全部取0，则称Xn…Xm之间这m-n+1个距离值为一个数据块，记为数据块Xn～Xm，α、β是这个数据块的起始角度和结束角度，即在数据块Xn～Xm对应的角度α～β范围内存在障碍物；
[0014] (4)障碍物参数计算：
[0015] 障碍物参数以平均角度Ф、平均距离L和宽度B表示，将数据块Xn～Xm的中心所在的角度α+(β-α)/2作为该数据块所对应障碍物的平均角度，即有
[0016] Ф=α+(β-α)/2
[0017] 将Xn…Xm之间所有非0的Xi求一个算术平均值，作为这个数据块所对应的障碍物的平均距离，即有
[0018] L=(∑Xi)/ψ
[0019] 其中ψ为数据块Xn～Xm中非0数据的个数，即有效数据个数；
[0020] 根据障碍物角度、距离和宽度的三角关系，计算出数据块所对应的障碍物的宽度[0021] B=2×L×tan((m－n)×ε/2×π/180)
[0022] (5)障碍物类型模式识别：障碍物类型模式识别包括特征选择、判别函数的建立与训练、障碍物类型识别三个步骤。
[0023] ①特征选择。
[0024] 不同类型的障碍物对应的数据块将具有不同的特征，根据特征的不同，可以判断与该数据块所对应障碍物的类型。对于数据块Xn～Xm来说，数据块的特征由Xn…Xm之间的这m-n+1个距离值的不同取值情况所决定。
[0025] 定义以下4个数据块特征：数据块所对应障碍物的宽度B、数据块内部的最大间隙Ū、数据块内部非0距离值的跳变次数Ř、数据块内部非0距离值方差S2。
[0026] 对于特征Ū，如果数据块Xn～Xm内部存在一个或连续多个Xi取值为0，则称该数据块有一个数据间隙，此时数据块是离散的，Ūi是这个数据间隙中取值为0的Xi的个数，特征Ū是数据块内部所有Ūi中的最大值；当数据块内部所有的Xi都取非0值，则数据块是连续的，此时Ū=Ūi=0。Ū的计算方法
[0027]
[0028] 特征Ř是数据块Xn～Xm内部所有相邻的非0 值Xi之间，发生取值相差过大的总次数R，即数据块内部发生(Xi+1-Xi)＞Ű的次数，计算方法为
[0029]
[0031] 特征S2是数据块Xn～Xm中所有非0 Xi的方差，计算方法
[0032]
[0033] ②判别函数的建立与训练。
[0034] 设判别函数为g(x)=wTx＋ω0。其中，样本向量x={B，Ū，Ř，S2}T，权向量w={ω1，Tω2，ω3，ω4}，ω0是阈值权。
[0035] 针对农田中典型的树木、柱状物2类障碍物，引入2个判别函数g i (x) =wiTx +ωi0，i=1，2。利用训练集来求wi和ωi0。令g(x)= g1(x) - g2(x) = 0，定义了一个
超平面，当x1与x2都在这个超平面上时，有wT(x1-x2)=0，xi={ Bi1，Ū i2，Ř i3，S2i4}T为4维向量，柱状样本乘以-1。设训练集{x1，x2，… xM}中有M组数据，其中每一个的类别都是已知的，它们分属于树木、柱状物两种类别。
[0036] 通过对训练集M组数据的训练，得到权向量w={a1，a2，a3，a4}和阈值权a5 ，则与其对应的判别函数为
[0037] g(x)=a1×B＋a2×Ū＋a3×Ř＋a4×S2 ＋a5
[0038] ③障碍物类型识别。
[0039] 对于任意一组来自作业过程中树木或者电线杆的实际障碍物检测数据，计算该组数据的4个特征值，带入判别函数g(x)中。如果判别函数的取值大于0，则认为这组数据来自于树木，若判别函数的取值小于0，则认为该组数据来自于电线杆。
[0040] 检测的结果以障碍物参数和类型表示，检测结果用于控制植保无人机实现自主避障。
[0041] 本发明的有益效果：该方法实现植保无人机作业过程中对农田障碍物的在线检测，且不受环境光影响，实时性好，检测准确率高，并可以适应夜间作业需求。
附图说明
[0042] 下面结合附图和具体实施方式来详细说明本发明；
[0044] 图2为本发明激光位移传感器障碍物检测示意图；
[0045] 图3为本发明激光位移传感器距离数据序列示意图
[0046] 图4为本发明障碍物角度、距离和宽度之间的关系示意图。
具体实施方式
[0047] 为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。
[0048] 参照图1-4，本具体实施方式采用以下技术方案：基于激光位移传感器的植保无人机障碍物检测方法，包括以下步骤：植保无人机到达作业区域开始作业时，启动障碍物检测功能，作业过程中实时进行障碍物数据采集，针对每次采集的数据进行障碍物数据块提取，根据提取的数据块分析计算障碍物参数，最后对障碍物类型进行模式识别。
[0049] 各步骤的具体检测方法如下：
[0050] (1)启动障碍物检测：
[0051] 植保无人机到达作业区域开始作业时，启动障碍物检测功能。
[0052] (2)障碍物数据采集：
[0053] 作业过程中，激光位移传感器以时间间隔t连续发射激光脉冲，由传感器内置的旋转光学机构激光脉冲按一定角度间隔ε发射至传感器角度探测范围θ内的各个方向ξi，i∈[0，N)，形成一个扫描线序列。当某条激光脉冲碰到障碍物时，激光位移传感器的接收器接收到反馈回来的激光脉冲信号，通过发射与接收激光脉冲信号的时间差，计算出该条脉冲方向传感器与障碍物的距离值。当某条激光脉冲没有碰到障碍物时，将检测不到反馈激光脉冲信号，该条脉冲方向对应的检测值设为0；如图2所示，其中f、g、h三条扫描线检测到障碍物，其它扫描线检测不到障碍物，设一次扫描得到包含N个数据的数据序列Xi，i∈[0，N)，Xi与ξi一一对应，该数据序列含有障碍物距离、方位信息。
[0054] (3)数据块提取：
[0055] 数据块提取即从数据序列Xi，i∈[0，N)中将存在障碍物的数据块提取出来。数据序列如图3所示，Xi是距离值，N为每次扫描得到的数据总个数，假设图3的这N个数据中X0…Xn-1全部取0，Xn取非0值，Xm取非0值，Xm+1…XN-1全部取0，则称Xn…Xm之间这m－n＋1个距离值为一个数据块，记为数据块Xn～Xm，α、β是这个数据块的起始角度和结束角度，即在传感器的α到β角度方向存在一个障碍物，并且
[0056] N=θ/ε＋1
[0057] β－α=(m－n)×ε
[0058] (4)障碍物参数计算：
[0059] 障碍物参数以平均角度Ф、平均距离L和宽度B表示，将数据块Xn～Xm的中心所在的角度α+(β-α)/2作为该数据块所对应障碍物的平均角度，即有
[0060] Ф=α+(β-α)/2
[0061] 将Xn…Xm之间所有非0的Xi求一个算术平均值，作为这个数据块所对应的障碍物的平均距离，即有
[0062] L=(∑Xi)/ψ
[0063] 其中ψ为数据块Xn～Xm中非0数据的个数，即有效数据个数。
[0064] 根据图4中障碍物角度、距离和宽度的三角关系，计算出数据块所对应的障碍物的宽度
[0065] B=2×L×tan((m－n)×ε/2×π/180)
[0066] (5)障碍物类型模式识别：障碍物类型模式识别包括特征选择、判别函数的建立与训练、障碍物类型识别三个步骤。
[0067] ①特征选择。
[0068] 不同类型的障碍物对应的数据块将具有不同的特征，根据特征的不同，可以判断与该数据块所对应障碍物的类型。对于图3中的数据块Xn～Xm来说，数据块的特征由Xn…Xm之间的这m-n+1个距离值的不同取值情况所决定。
[0069] 定义以下4个数据块特征：数据块所对应障碍物的宽度B、数据块内部的最大间隙Ū、数据块内部非0距离值的跳变次数Ř、数据块内部非0距离值方差S2。
[0070] 对于特征Ū，如果数据块Xn～Xm内部存在一个或连续多个Xi取值为0，则称该数据块有一个数据间隙，此时数据块是离散的，Ūi是这个数据间隙中取值为0的Xi的个数，特征Ū是数据块内部所有Ūi中的最大值；当数据块内部所有的Xi都取非0值，则数据块是连续的，此时Ū=Ūi=0。Ū的计算方法
[0071]
[0072] 特征Ř是数据块Xn～Xm内部所有相邻的非0 值Xi之间，发生取值相差过大的总次数R，即数据块内部发生(Xi+1-Xi)＞Ű的次数，计算方法为
[0073]
[0074] 其中Ű是跳变阈值；
[0075] 特征S2是数据块Xn～Xm中所有非0 Xi的方差，计算方法
[0076]
[0077] ②判别函数的建立与训练。
[0078] 设判别函数为g(x)=wTx＋ω0。其中，样本向量x={B，Ū，Ř，S2}T，权向量w={ω1，ω2，ω3，ω4}T，ω0是阈值权。
[0079] 针对农田中典型的树木、柱状物(如电线杆)2类障碍物，引入2个判别函数g i (x) =wiTx +ωi0，i=1，2。利用训练集来求wi和ωi0。令g(x)= g1(x)-g2(x) =0，定义了一个超平面，当x1与x2都在这个超平面上时，有wT(x1-x2)=0，xi={ Bi1，Ū i2，Ř i3，S2i4}T为4维向量，柱状样本乘以-1。设训练集{x1，x2，… xM}中有M组数据，其中每一个的类别都是已知的，它们分属于树木、柱状物两种类别。
[0080] 第一步，置步数k=1，令增量C为常量，且C＞0，分别赋予初始增广权向量w1各分量较小的任意值。第二步，输入训练样本xk，计算判别函数(wk)Txk。第三步，调整增广权向量，如果(wk)Txk＜0，则w(k+1)=wk+Cxk，其中Cxk是训练样本xk的增量；如果(wk)Txk＞0，则w(k+1)=wk。第四步，如果k＜M，令k=k+1，返回第二步。如果k=M，则检查判别函数wTx是否对训练集{x1，x2，… xM}中所有的xk都成立，若是，则结束训练。若不是，令k=1，返回第一步重新进行训练。
[0081] 通过对训练集200组数据(M=200)训练，得到权向量w={1/300，1/6， 1/3，12}和阈值权 -3.75，则与其对应的判别函数为
[0082] g(x)= wTx＋ω0=1/300×B＋1/6×Ū＋1/3×Ř＋12×S2 -3.75
[0083] 训练集数据来源于不同场景实际采集的障碍物数据，且障碍物类型是已知的。受限于训练集组数、以及实际采集的障碍物无法
覆盖所有类型，训练得到的权向量w仅对应该训练集。若训练集变化，则权向量w也对应变化，但规律不变。训练结果可以进一步通过测试集的模式识别准确率来评估。
[0084] ③障碍物类型识别。
[0085] 经训练，树木和柱状物这两个类别是线性可分的。对于任意一组来自作业过程中树木或者电线杆的实际障碍物检测数据，计算该组数据的4个特征值，带入判别函数g(x)中。如果判别函数的取值大于0，则认为这组数据来自于树木，若判别函数的取值小于0，则认为该组数据来自于电线杆。
[0086] 检测的结果以障碍物参数和类型表示，检测结果用于控制植保无人机实现自主避障。
[0087] 本具体实施方式针对现有技术的不足，基于激光位移传感器，在植保无人机低空飞行作业状态下，动态采集障碍物信息，在线计算障碍物距离和角度参数，识别障碍物类型，实现了植保无人机作业过程中对树木、电线杆等典型农田障碍物的在线自动检测。该方法具有不受环境光影响、实时性好、检测准确率高等优点，并可以适应夜间作业需求，具有广阔的市场应用前景。
[0088] 以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述
实施例的限制，上述实施例和
说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的
权利要求书及其等效物界定。
