一种基于面阵型点云K-Means聚类的精准对靶喷雾方法及装置与流程

一种基于面阵型点云k-means聚类的精准对靶喷雾方法及装置
技术领域
1.本发明涉及目标检测与定位技术领域，具体涉及一种基于面阵型点云k-means聚类的精准对靶喷雾方法及装置。


背景技术：

2.目前，果园病虫害的防治方法主要有生物防治、农业生态防治以及化学防治。其中，化学防治是使用最多且见效最快的方式。国内主流果园施药机械大多采用定量施药方式，该喷药方式往往是连续喷雾，造成农药在地面上大量沉积，甚至多于在靶标上的沉积量。此种方式造成了农药的大量浪费，一方面污染环境，另一方面造成农药残留量超标，带来十分严重的安全隐患。
3.为了解决上述问题以及针对果园植株种植不连续的情况，精准对靶喷雾技术可以达到更好的施药效果。在化学防治中，精准施药技术是果园生产中化学防治的发展方向，其基本原理是根据农作物或果树对象的不同特征信息实时地改变喷药量，实现按需施药。与传统大范围喷施技术相比，精准施药技术通过变量喷药可以有效地减少农药的过量使用，降低喷药过程中雾滴的漂移，提高农药对果树病虫害的防治效果，节省作业成本的同时减轻农药对环境的污染。
4.精准对靶喷雾技术中，最关键的工作便是果树检测技术，目前主要的农用机械采用的方法是基于机器视觉的果树探测技术。但是，通过视觉探测，由于响应时间长、受光照影响大以及受水雾折射影响大等实际问题，其在实际果园场景下的应用受到了很大的条件制约；而且探测精度低，不能够精确探测树冠的冠层位置。


技术实现要素：

5.本发明的目的在于克服上述存在的问题，提供一种基于面阵型点云k-means聚类的精准对靶喷雾方法，该方法能够对果树进行定位检测，计算冠层喷雾距离，以实现精准对靶喷雾作业，而且响应时间短，受环境影响小，探测精度高。
6.本发明的另一个目的在于提供一种基于面阵型点云k-means聚类的精准对靶喷雾装置。
7.本发明的目的通过以下技术方案实现：
8.一种基于面阵型点云k-means聚类的精准对靶喷雾方法，其特征在于，包括以下步骤：
9.(1)通过雷达对果树进行探测，获得面阵型点云数据；
10.(2)面阵型点云数据读入雷达之后，通过俯仰角阈值滤除地面点云数据，清除地面点云数据后的面阵型点云数据为果树点云数据；
11.(3)通过投影法处理果树点云数据；
12.(4)以目标集合的聚类误差平方和最小作为优化目标，结合最小最大距离法，通过
k-means聚类将处理后的果树点云数据划分为k个簇，则每个簇代表着不同的果树；
13.(5)通过各个簇的样本，对每棵果树进行定位，并计算出果树冠层边缘离喷头平面的相对距离和果树冠层喷雾距离；
14.(6)喷雾机根据果树冠层边缘离喷头平面的相对距离和果树冠层喷雾距离对果树进行精准对靶喷施。
15.上述基于面阵型点云k-means聚类的精准对靶喷雾方法的工作原理是：
16.先通过俯仰角阈值滤除地面点云数据，再通过投影法处理果树点云数据，以目标集合的聚类误差平方和最小作为优化目标，结合最小最大距离法，通过k-means聚类将处理后的果树点云数据划分为k个簇，则每个簇代表着不同的果树，通过各个簇的样本，即可对每棵果树进行定位，并计算出果树冠层喷雾距离；投影法处理减少了传统k-means聚类算法的计算复杂度，将三维点云数据降维处理，节省处理器计算资源，有利于对靶算法落地应用。通过雷达内参和外参设定俯仰角阈值，以最小的时间消耗滤除地面点云数据(地面点云噪声)，提高算法执行效率；在进行聚类算法前，利用果树种植特点，将三维点云数据降维处理，投影到对靶俯视图上，以简单的相对距离作为聚类标准，简化运算量，有助于算法实际应用；进行k-means聚类时，采用人为干预的方法设置初始聚类中心，避免聚类结果陷入局部最优化；以聚类误差平方和最小作为优化目标，使聚类往着更优的效果进行迭代，具有自适应迭代的效果。
17.本发明的一个优选方案，其中，步骤(2)的具体操作为：
18.(2.1)假设面阵型点云数据的探测范围偏向角为θ0，俯仰角为ω0；
19.(2.2)面阵型点云数据中每个点信息包括雷达到扫面点的距离ρ、点的偏向角θ和点的俯仰角ω，并用p＝(ρ，θ，ω)表示；
20.(2.3)测量出果树树干距离d、雷达安装高度h与喷雾机宽度w，计算出需要滤除地面点云数据的俯仰角阈值为若面阵型点云数据中俯仰角小于判断其为地面点云数据，并清除该地面点云数据，定义清除地面点云数据后的面阵型点云数据为果树点云数据，该果树点云数据集为t＝(p0，p1，p2，...，pc)。
21.优选地，步骤(3)的具体操作为：用投影法将果树点云数据集t投影到对靶俯视图上，以雷达中心点作为原点建立直角坐标系，计算果树点云数据中各个点在喷雾机前进方向的投影分量l＝ρcosωsinθ，并定义投影数据集l＝(l1，...，lc)。
22.优选地，步骤(4)中，定义存放聚类的目标集合c为空集，以投影数据集l作为k-means聚类的标准，以目标集合c的聚类误差平方和最小作为优化目标，用最小最大法找出投影数据集l中的k个簇。
23.优选地，步骤(4)中，定义存放聚类的目标集合c为空集，以投影数据集l作为k-means聚类的标准，以目标集合c的聚类误差平方和最小作为优化目标，用最小最大法找出投影数据集l中的k个簇的具体步骤为：
24.(4.1)计算投影数据集l中两点间的距离|l
a-lb|，(a，b∈{1，2，...，c})，从中找出距离最大的两个点lm和ln，作为初始聚类中心；
25.(4.2)分别计算投影数据集l各点到lm，ln的距离d(l，lm)，d(l，ln)，并将每个点归类到距离值小的点所在类别中，并重新计算聚类中心μ1，μ2；
26.(4.3)计算投影数据集l中各点到聚类中心(μ1，μ2，...，μk)的距离d(l，μ1)，d(l，μ2)，...，d(l，μk)，遍历每个点并归类到距离值小的点所在类别中，记录距离值小的点并组成最小距离集合m；
27.(4.4)更新目标集合c＝{c1，c2，...，ck}，基于当前目标集合c计算聚类误差平方和(μi为类别ci的质心)；
28.(4.5)选择最小距离集合m中距离值最大的点μ
x
，作为新的聚类中心，执行步骤(4.3)、步骤(4.4)后，转步骤(4.6)；
29.(4.6)对比前后两次迭代所得的sse，若sse
old
＞sse
new
，则证明所选择新的聚类中心具有较好的聚类效果，转到步骤(4.7)，否则聚类结束，输出目标集合c＝{c1，c2，...，ck}作为最终聚类结果；
30.(4.7)根据当前目标集合c的划分，分别重新计算ci(i＝1，2，...，k)的聚类中心(ni表示类别ci的样本个数)，转步骤(4.3)。
31.优选地，步骤(5)中，步骤(4)所得目标数据集c＝{c1，c2，...，ck}中k个簇即为k棵果树在喷雾机前进方向上相对距离的点云聚类结果，k棵果树的质心与喷雾机的喷头平面的相对距离等价于聚类中心的值
32.计算ci(i＝1，2，...，k)中各个簇内样本点最小值min{li}，(l∈ci)，得到k棵果树冠层边缘离喷头平面的相对距离；
33.计算ci(i＝1，2，...，k)中各个簇内样本点距离最大值max{|l
m-ln|}，(lm，ln∈{ci})，得到k棵果树的冠层喷雾距离。
34.优选地，步骤(6)中，喷雾机在到达相对距离min{l}，(l∈ci)后，喷雾机控制系统开启喷头电磁阀，喷雾机开始喷雾作业，冠层喷雾距离为max{|l
m-ln|}，(lm，ln∈{ci})，当喷雾机行程超出冠层喷雾距离后，喷雾机控制系统关闭喷头电磁阀，喷雾结束，直到到达下一棵果树的冠层边缘。
35.一种基于面阵型点云k-means聚类的精准对靶喷雾装置，包括喷雾机、设置在喷雾机上的雷达以及喷雾机控制系统，所述喷雾机、所述雷达均与喷雾机控制系统连接。
36.优选地，所述雷达为面阵型雷达。
37.优选地，所述喷雾机包括喷头以及控制所述喷头开关的喷头电磁阀，所述喷雾机底部设有移动机构；所述喷雾机控制系统为处理器。
38.本发明与现有技术相比具有以下有益效果：
39.1、本发明中的基于面阵型点云k-means聚类的精准对靶喷雾方法，先通过俯仰角阈值滤除地面点云数据，再通过投影法处理果树点云数据，以目标集合的聚类误差平方和最小作为优化目标，结合最小最大距离法，通过k-means聚类将处理后的果树点云数据划分为k个簇，则每个簇代表着不同的果树，通过各个簇的样本，即可对每棵果树进行定位，并计算出果树冠层喷雾距离，从而实现对每棵果树的精准定位，探测精度高，最终实现精准对靶
喷雾作业。
40.2、本发明中的基于面阵型点云k-means聚类的精准对靶喷雾方法，通过雷达对果树进行探测，受光照以及受水雾折射影响小，进一步提高了探测精度。
41.3、本发明中的基于面阵型点云k-means聚类的精准对靶喷雾方法，投影法处理减少了传统k-means聚类算法的计算复杂度，将三维点云数据降维处理，节省处理器计算资源，有利于对靶算法落地应用。
附图说明
42.图1为本发明中的一种基于面阵型点云k-means聚类的精准对靶喷雾方法的一种具体实施方式中雷达探测范围及坐标建系的示意图。
43.图2为本发明中的一种基于面阵型点云k-means聚类的精准对靶喷雾方法中对靶作业的截面示意图。
44.图3为本发明中的一种基于面阵型点云k-means聚类的精准对靶喷雾方法中对靶作业的俯视图。
具体实施方式
45.为了使本领域的技术人员很好地理解本发明的技术方案，下面结合实施例和附图对本发明作进一步描述，但本发明的实施方式不仅限于此。
46.参见图1-图3，本实施例公开了一种基于面阵型点云k-means聚类的精准对靶喷雾方法，包括以下步骤：
47.(1)通过雷达1对果树4进行探测，获得面阵型点云数据；不失一般性，假设面阵型点云数据的探测范围偏向角为θ0，俯仰角为ω0；面阵型点云数据中每个点信息包括雷达1到扫面点的距离ρ、点的偏向角θ和点的俯仰角ω，并用p＝(ρ，θ，ω)表示。
48.(2)面阵型点云数据读入雷达1之后，通过俯仰角阈值滤除地面点云数据，清除地面点云数据后的面阵型点云数据为果树点云数据：
49.在测量出果树树干距离d、雷达1安装高度h与喷雾机2宽度w的情况下，计算出需要滤除地面点云数据的俯仰角阈值为若面阵型点云数据中俯仰角小于判断其为地面点云数据(冠层以下的点云数据，即图2中雷达水平以下的点云数据)，并清除该地面点云数据，定义清除地面点云数据后的面阵型点云数据为果树点云数据，该果树点云数据集为t＝(p0，p1，p2，...，pc)。通过雷达1内参和外参设定俯仰角阈值，以最小的时间消耗滤除地面点云数据(地面点云噪声)，提高算法执行效率。
50.(3)用投影法将果树点云数据集t投影到对靶俯视图上，以雷达1中心点作为原点建立直角坐标系，计算果树点云数据中各个点在喷雾机2前进方向的投影分量l＝ρcosωsinθ，并定义投影数据集l＝(l1，...，lc)。在进行聚类算法前，利用果树4种植特点，将三维点云数据降维处理，投影到对靶俯视图上，以简单的相对距离作为聚类标准，简化运算量，有助于算法实际应用
51.(4)定义存放聚类的目标集合c为空集，以投影数据集l作为k-means聚类的标准，以目标集合c的聚类误差平方和最小作为优化目标，用最小最大法找出投影数据集l中的k
个簇：
52.(4.1)为了减少因初始聚类中心随机选择而陷入局部最优解的影响，计算投影数据集l中两点间的距离|l
a-lb|，(a，b∈{1，2，...，c})，从中找出距离最大的两个点lm和ln，作为初始聚类中心；
53.(4.2)分别计算投影数据集l各点到lm，ln的距离d(l，lm)，d(l，ln)，并将每个点归类到距离值小的点所在类别中，并重新计算聚类中心μ1，μ2；
54.(4.3)计算投影数据集l中各点到聚类中心(μ1，μ2，...，μk)的距离d(l，μ1)，d(l，μ2)，...，d(l，μk)，遍历每个点并归类到距离值小的点所在类别中，记录距离值小的点并组成最小距离集合m；
55.(4.4)更新目标集合c＝{c1，c2，...，ck}，基于当前目标集合c计算聚类误差平方和(μi为类别ci的质心)；
56.(4.5)选择最小距离集合m中距离值最大的点μ
x
，作为新的聚类中心，执行步骤(4.3)、步骤(4.4)后，转步骤(4.6)；
57.(4.6)对比前后两次迭代所得的sse，若sse
old
＞sse
new
，则证明所选择新的聚类中心具有较好的聚类效果，转到步骤(4.7)，否则聚类结束，输出目标集合c＝{c1，c2，...，ck}作为最终聚类结果；其中，sse
old
表示前面迭代所的sse；sse
new
表示后面迭代所的sse；
58.(4.7)根据当前目标集合c的划分，分别重新计算ci(i＝1，2，...，k)的聚类中心(ni表示类别ci的样本个数)，转步骤(4.3)。
59.进行k-means聚类时，采用人为干预的方法设置初始聚类中心，避免聚类结果陷入局部最优化；以聚类误差平方和最小作为优化目标，使聚类往着更优的效果进行迭代，具有自适应迭代的效果。
60.(5)步骤(4)所得目标数据集c＝{c1，c2，...，ck}中k个簇即为k棵果树4在喷雾机2前进方向上相对距离的点云聚类结果，k棵果树4的质心与喷雾机2的喷头平面的相对距离等价于聚类中心的值
61.计算ci(i＝1，2，...，k)中各个簇内样本点最小值min{li}，(l∈ci)，得到k棵果树冠层边缘离喷头平面的相对距离；
62.计算ci(i＝1，2，...，k)中各个簇内样本点距离最大值max{|l
m-ln|}，(lm，ln∈{ci})，得到k棵果树4的冠层喷雾距离。
63.(6)喷雾机精准对靶作业过程：
64.喷雾机2在到达相对距离min{l}，(l∈ci)后，喷雾机控制系统开启喷头电磁阀，喷雾机2开始喷雾作业，冠层喷雾距离为max{|l
m-ln|}，(lm，ln∈{ci})，当喷雾机2行程超出冠层喷雾距离后，喷雾机控制系统关闭喷头电磁阀，喷雾结束，直到到达下一棵果树4的冠层边缘。
65.参见图3，箭头4所指的方向为喷雾机的前进方向。
66.参见图1-图3，上述基于面阵型点云k-means聚类的精准对靶喷雾方法的工作原理
是：
67.先通过俯仰角阈值滤除地面点云数据，再通过投影法处理果树点云数据，以目标集合的聚类误差平方和最小作为优化目标，结合最小最大距离法，通过k-means聚类将处理后的果树点云数据划分为k个簇，则每个簇代表着不同的果树4，通过各个簇的样本，即可对每棵果树4进行定位，并计算出果树冠层喷雾距离；投影法处理减少了传统k-means聚类算法的计算复杂度，将三维点云数据降维处理，节省处理器计算资源，有利于对靶算法落地应用。
68.参见图2，本实施例还公开了一种基于面阵型点云k-means聚类的精准对靶喷雾装置，包括喷雾机2、设置在喷雾机2上的雷达1以及喷雾机控制系统，所述喷雾机2、所述雷达1均与喷雾机控制系统连接。
69.参见图2，所述雷达1为面阵型雷达，具体地，该面阵型雷达为毫米波雷达，测量时，该雷达1在一个位置不动，可以测到一个范围的点云，在俯仰角和航向角范围内有的果树4都测量。
70.参见图2，所述喷雾机2包括喷头以及控制所述喷头开关的喷头电磁阀，所述喷雾机2底部设有移动机构；所述喷雾机控制系统为处理器，该处理器为stm32微控制器。
71.上述为本发明较佳的实施方式，但本发明的实施方式并不受上述内容的限制，其他的任何未背离本发明的精神实质与原理下所做的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。