本發(fā)明涉及農機定位，尤其涉及的是一種基于田間信息約束的農機定位方法。

背景技術：

1、農機自主精準導航和田間信息智能感知是發(fā)展智慧農業(yè)的重要組成部分，丘陵地區(qū)地形復雜，土地狹小零散，gnss信號會受到建筑物和高大樹木等物體的遮擋而引起位置漂移，以rtk-gnss定位技術為主導的大型農機應用困難，需要開發(fā)適合散戶使用的小型化、輕便化的農機設備，以適應丘陵地區(qū)不同作物的種植作業(yè)和收獲作業(yè)等。因此，顧及田間信息約束的農機丘陵地區(qū)定位精度保持是重大需求。

2、立體視覺技術一般采用雙目相機進行拍攝測量，雙目相機類似于人類的雙眼，可以實現(xiàn)距離和角度的測量，構成偽激光雷達測量感知系統(tǒng)。而動態(tài)立體視覺技術則是側重于對運動物體三維信息的測量感知與模型重構，搭載在自動駕駛汽車上的動態(tài)立體視覺系統(tǒng)可以實現(xiàn)對移動物體的高效測量感知和自適應建模重構。因此，采用立體視覺定位導航技術進行丘陵地區(qū)的農機導航定位，無需增加昂貴的硬件設備即可進行動態(tài)測量感知，準確度較高，具有較好的環(huán)境適應性。

3、目前，國內外采用多傳感器組合定位導航技術對農機進行定位。多傳感器組合定位導航技術測量精度高、可靠性好。然而，在丘陵、山地等gnss定位受限場景下，田間農機的定位難以實現(xiàn)連續(xù)高精度定位，且定位效率低。現(xiàn)有定位方法在丘陵、山地等gnss定位受限場景下田間的農機定位難度極大，亟待在丘陵、山地等gnss定位受限場景下探索一種連續(xù)、快速的田間農機定位精度保持技術，彌補當前在丘陵、山地等gnss定位受限場景下農機定位精度的不足。

4、現(xiàn)有技術對于基于圖像的農機自動導航技術的重點主要分為田間圖像處理、導航路徑規(guī)劃和障礙物識別等領域。而顧及多源數(shù)據(jù)優(yōu)化選取的農機丘陵地區(qū)定位精度保持方面的實際應用相對較少，是目前農機自動化導航的難點。

技術實現(xiàn)思路

1、本發(fā)明要解決的技術問題在于，針對現(xiàn)有技術的上述缺陷，提供一種基于田間信息約束的農機定位方法，本發(fā)明針對丘陵、山地等地區(qū)的農機定位精度保持問題，通過深度學習方法識別田間固定目標，并通過立體視覺方法進行田間固定目標的動態(tài)定位；進而基于田間固定目標組成的田間位置識別控制網進行農機的自主導航定位，使得農機在gnss定位受限情況下的定位保持高精度。為農機在丘陵、山地等地區(qū)gnss定位部分受限場景下的定位精度保持提供保障。

2、本發(fā)明解決問題所采用的技術方案如下：

3、一種基于田間信息約束的農機定位方法，包括：

4、采用深度學習方法對田間位置識別物的圖像進行識別和分類，得到田間固定目標對應的位置識別控制點；

5、基于立體視覺的田間目標動態(tài)冗余定位方法，將gnss定位系統(tǒng)精度大于精度閾值的農機作為基站，進行田間目標的動態(tài)冗余定位，構建田間位置識別控制網；

6、在gnss定位受限情況下，基于田間位置識別控制網進行農機的定位。

7、優(yōu)選地，所述采用深度學習方法對田間位置識別物的圖像進行識別和分類，得到田間固定目標對應的位置識別控制點的步驟包括：

8、進行田間位置識別物的初步調查與篩選；

9、獲得每種田間位置識別物的視覺特征，提取田間位置識別物的共性視覺特征；

10、對田間位置識別物的圖片進行標注，制作數(shù)據(jù)集；

11、采用所述數(shù)據(jù)集對深度卷積網絡進行訓練，得到對應的權重文件，所述深度卷積網絡的骨干網絡為殘差網絡；

12、根據(jù)所述權重文件，對田間位置識別物進行識別和分類。

13、優(yōu)選地，所述基于立體視覺的田間目標動態(tài)冗余定位方法，將gnss定位系統(tǒng)精度大于精度閾值的農機作為基站，進行田間目標的動態(tài)冗余定位，構建田間位置識別控制網的步驟包括：

14、構建以農機為基站的動態(tài)立體視覺測量模型；

15、根據(jù)雙目相機的動態(tài)重復圖像計算田間控制點位置；

16、根據(jù)所述田間控制點位置，構建田間位置識別控制網。

17、優(yōu)選地，所述在gnss定位受限情況下，基于田間位置識別控制網進行農機的定位的步驟包括：

18、獲取田間控制點的坐標，基于測量原理計算出農機行駛瞬間的位置坐標。

19、優(yōu)選地，所述采用所述數(shù)據(jù)集對深度卷積網絡進行訓練，得到對應的權重文件，所述深度卷積網絡的骨干網絡為殘差網絡的步驟包括：

20、選擇殘差網絡結構，構建相應的網絡模型；

21、將數(shù)據(jù)集劃分為訓練集和驗證集，所述訓練集用于訓練所述網絡模型，所述驗證集用于驗證所述網絡模型的性能；

22、將訓練集的圖像樣本輸入到殘差網絡中，采用如下公式計算均方誤差損失函數(shù)：

23、

24、其中，是所述網絡模型預測的農機的位置，是所述圖像樣本中農機的實際位置， n是圖像樣本數(shù)量， mse為均方誤差損失函數(shù)；

25、通過反向傳播法更新網絡參數(shù)，以最小化所述均方誤差損失函數(shù)；

26、將驗證集輸入已訓練網絡模型進行評估，根據(jù)以下公式計算準確率：

27、準確率?=?預測正確的圖像樣本數(shù)/總圖像樣本數(shù)

28、根據(jù)所述準確率，對所述已訓練網絡模型的結構進行優(yōu)化。

29、當所述已訓練網絡模型的性能符合要求時，保存所述網絡模型的權重文件。

30、優(yōu)選地，所述構建以農機為基站的動態(tài)立體視覺測量模型的步驟包括：

31、d211、在gnss定位系統(tǒng)精度大于精度閾值時使用gnss接收機獲取農機的位置信息，將接收到的衛(wèi)星信號進行處理，計算出農機的位置參數(shù)；利用imu傳感器獲取農機的姿態(tài)信息，所述姿態(tài)信息包括加速度計和陀螺儀的測量數(shù)據(jù)；

32、d212、使用卡爾曼濾波將所述位置參數(shù)和所述姿態(tài)信息進行融合，得到濾波結果，利用rts反向平滑算法對濾波結果進行平滑處理，得到導航結果；

33、d213、使用雙目相機獲取農機周圍的場景圖像；

34、d214、將所述位置參數(shù)和所述姿態(tài)信息與場景圖像中的像素坐標結合，將所述場景圖像中的像素坐標轉換為實際物理坐標，建立動態(tài)立體視覺測量模型。

35、優(yōu)選地，所述根據(jù)雙目相機的動態(tài)重復圖像計算田間控制點位置的步驟包括：

36、d221、首先對雙目相機的參數(shù)進行標定，使用安裝在農機上的雙目相機進行圖像采集，得到重復的圖像序列；

37、d222、對所述重復的圖像序列進行特征提取，并進行特征匹配，得到特征匹配結果；

38、d223、根據(jù)所述特征匹配結果，計算相鄰圖像之間的視差值；

39、d224、根據(jù)視差值，篩選出具有視差范圍的特征點作為田間控制點；

40、d225、對于田間控制點，通過三角測量的方法，將視差值轉換為相對于田間控制點在雙目相機下的三維坐標，計算方法如下：

41、使用如下公式計算田間控制點在雙目相機下的三維坐標：

42、

43、其中，是一個參考視差值，用于防止出現(xiàn)分母為0的情況； b為雙目相機的基線長度， d為視差值， f為焦距，為田間控制點在雙目相機下的x軸坐標，為田間控制點在雙目相機下的y軸坐標，為田間控制點在雙目相機下的z軸坐標；

44、d226、根據(jù)田間控制點在雙目相機下的三維坐標，結合雙目相機參數(shù)，將田間控制點在雙目相機下的三維坐標轉換為田間控制點的實際物理坐標，計算公式如下：

45、；

46、其中，為田間控制點在雙目相機下的x軸坐標，為田間控制點在雙目相機下的y軸坐標,為田間控制點在雙目相機下的z軸坐標，為田間控制點的實際物理x軸坐標,為田間控制點的實際物理y軸坐標,為田間控制點的實際物理z軸坐標，為坐標系的旋轉矩陣的逆矩陣， t?為坐標系的平移矩陣。

47、優(yōu)選地，所述基于測量原理計算出農機行駛瞬間的位置坐標的步驟包括：

48、d311、根據(jù)田間控制點的坐標，計算a點和b點之間的距離、p點和a點之間的距離以及p點和b點之間的距離：

49、；

50、；

51、；

52、d312、根據(jù)、和通過余弦定理求出夾角：

53、；

54、；

55、；

56、其中，為反余弦函數(shù)，為第一夾角，為第二夾角為第三夾角；

57、d313、計算三角網閉合差：

58、180°；

59、；

60、；

61、；

62、其中，為調整后第一夾角，為調整后第二夾角，為調整后第三夾角， w為三角網閉合差；

63、d314、計算農機坐標：

64、；

65、；

66、其中， a為田間第一控制點， b為田間第二控制點， p為農機坐標點，為農機坐標點的橫坐標，為農機坐標點的縱坐標。

67、優(yōu)選地，所述獲取田間控制點的坐標之前，還包括：

68、將立體視覺雙目相機架設在農機上；

69、在農機行駛過程中進行自由設站；

70、對田間控制點進行拍攝，得到所述田間控制點的坐標。

71、本發(fā)明的有益效果：本發(fā)明提供了一種基于田間信息約束的農機定位方法。本發(fā)明所述的基于田間信息約束的農機定位方法，針對丘陵、山地等地區(qū)的農機定位精度保持問題，通過深度學習方法識別田間固定目標，并通過立體視覺方法進行田間固定目標的動態(tài)定位；進而基于田間固定目標組成的田間位置識別控制網進行農機的自主導航定位，使得農機在gnss定位受限情況下的定位保持高精度。為農機在丘陵、山地等地區(qū)gnss定位部分受限場景下的定位精度保持提供保障。采用gnss定位技術、深度學習、慣性姿態(tài)推算、立體視覺等技術，提出一種基于田間信息約束的農機定位方法。開發(fā)基于田間信息約束的田間農機動態(tài)定位系統(tǒng)，以高精度慣導為核心，使用雙目相機聯(lián)測田間控制點進行約束，對丘陵、山地等gnss定位部分受限地區(qū)的農機進行自主定位，提高定位精度和經濟效益。

72、與現(xiàn)有的技術方案相比，本發(fā)明的方案具有以下幾個優(yōu)點。

73、第一、與現(xiàn)有圖像分類方法相比，本發(fā)明采用深度學習方法，快速、準確地對圖像進行分類，提高了分類效率，大大節(jié)約了時間成本。

74、第二、丘陵地區(qū)，農機田間作業(yè)時往往遇到gnss信號受到遮擋而無法實現(xiàn)固定解，需要農機手進行人工操作才能繼續(xù)正常作業(yè)。本發(fā)明提出的方案根據(jù)田間位置識別物自然控制網對農機進行動態(tài)定位，大大減少了人工操作，提高了工作效率。

75、第三、采用立體視覺定位導航技術進行丘陵地區(qū)的農機導航定位，無需增加昂貴的硬件設備即可進行動態(tài)測量感知，準確度較高，具有較好的環(huán)境適應性。提高了定位效率和經濟效益，大大節(jié)約檢測設備成本。

76、第四、本發(fā)明技術方案注重多學科交叉，充分利用立體視覺定位、深度學習和慣性姿態(tài)推算等技術，可廣泛應用于導航定位、圖像處理等領域。