融合相机俯仰角信息的靶向喷施系统设计与实验验证：提升卷心菜定位精度的创新方法

本文提出了一种融合实时相机俯仰角信息的卷心菜定位误差校正方法，通过优化YOLO v8n模型与图割（Graph Cut）算法实现目标检测与分割，结合RGB-D（D455）相机构建了动态条件下的高精度实时定位模型。实验表明，该方法在喷施机以1 m/s速度作业时，前端误差（YB）与后端误差（YF）分别降低6.0 cm和4.2 cm，显著提升了靶向喷施（target-oriented spraying）的精准度，为叶类蔬菜（leafy cabbage）的精准农业技术提供了算法基础。

　　

Highlight

• •
  1. 1.
     揭示了喷施机作业过程中相机俯仰角的变化特性。
• •
  1. 2.
     构建了融合相机俯仰角信息的目标定位模型，显著提高了卷心菜的定位精度。
• •
  1. 3.
     设计并实现了一套靶向喷施控制系统，能够在不平坦田间条件下对卷心菜进行高精度靶向喷施。

Cabbage recognition model test results

本研究使用的卷心菜识别模型在不同生长阶段、光照强度和图像模糊条件下均展现出其识别性能，如图10所示。从苗期到结球期的卷心菜，如图10(a), 10(b)所示，均能被良好识别。在不同光照条件下，如图10(c)-10(g)所示，尽管卷心菜叶片反射光强度存在差异且图像存在一定程度的模糊，该模型仍能稳定识别卷心菜目标。

Comparative analysis of positioning accuracy

本研究提出了一种基于实时相机俯仰角信息的卷心菜定位误差校正方法，旨在解决传统靶向喷施系统中因相机姿态变化导致的定位精度不足的问题。通过使用优化的YOLO v8n模型结合图割（Graph Cut）算法，实现了卷心菜目标的实时检测与分割。该识别算法部署在Jetson Orin AGX上，运行时间为35.4毫秒，满足了实时性要求。定位精度对比分析表明，融合实时相机俯仰角校正后，定位精度显著提高，尤其是在较大的视角下。田间测试显示，平均前端误差Y_B为2.8厘米，平均后端误差Y_F为3.4厘米。与未融合相机俯仰角信息的靶向喷施系统相比，误差分别减少了6.0厘米和4.2厘米。

Conclusion

提出了一种用于动态条件下露地卷心菜的实时高精度定位方法，旨在实现靶向喷施过程中卷心菜的精确识别与定位。优化的YOLO v8n模型在卷心菜识别方面表现出优异的性能。通过分析D455相机在不同光照条件下采集的卷心菜三维坐标数据，发现相机中心定位误差较小，而边缘区域误差受俯仰角变化影响显著。构建的实时相机姿态误差校正模型有效补偿了因喷施机行进颠簸引起的定位偏差。该系统为叶类卷心菜的靶向喷施提供了可靠的算法基础。