基于卷积神经网络智能除草机器人的研究

摘  要：国内大规模农业生产主要依赖化学农药除草，但存在药物浪费和作物伤害等问题。本文介绍了一种基于卷积神经网络结合Zhang-Suen细化算法识别杂草，并利用语义SLAM规划路径及PID控制策略实时控制机械臂除草的技术。该技术可精准高效地去除杂草，降低人力物力成本，减少环境污染，助力乡村全面振兴。

关键词：卷积神经网络；图像处理；Zhang-Suen细化算法；语义SLAM；PID控制；农业服务机器人；农田除草

中图分类号：TP242 文献标志码：A

引言

农田杂草危害农作物，传统化学除草有药物残留、环境污染等问题，无法满足现代农业安全环保要求。我国正处传统农业向现代农业转型关键期，在人工智能与物联网技术推动下，农业自动化、智能化是大势所趋[1]，自动化精准除草成为必然，除草机器人应运而生。本文聚焦将深度学习与机械除草结合，通过图像特征识别应用于农业智能控制系统以解决现有除草问题，研究的智能除草机器人总体框架如图一。

1.卷积神经网络（CNN）识别杂草

首先，收集大量杂草与非杂草图片并标注类别。用标注图片训练CNN，让计算机学习依据形状、颜色等图片特征判断杂草。除草时，机器人通过摄像头拍摄图像，经预处理和特征提取后，由网络进行判断。具体实现过程如下。

1.1.数据收集

收集涵盖不同农作物类型、生长阶段和光照条件的代表性图像，并进行准确标记，是构建基于深度学习的杂草识别模型的基础，可确保模型具备良好的泛化能力。

1.2.数据预处理

在训练CNN模型前，需用数据增强技术对图像数据集进行预处理。图像增强则通过一系列技术手段对图像进行改善，以突出图像中的关键信息[2]。通过旋转、平移、翻转等对图像进行预处理。然后，对图像进行大小调整和像素值标准化，适配CNN模型输入格式，确保图像尺寸一致，提高训练效率。

1.3.模型构架设计

在前期研究中发现，CNN会随着网络深度的增加出现梯度爆炸、梯度消失等问题，导致学习效率逐步下降，使其愈发难以训练[3] 。而残差网络（ResNet），其在增加网络深度同时提升性能，从而提取低级特征和空间细节特征[4]。基于此，本研究设计了一个结合ResNet和U-Net（DEUNet）[5]构架的复合模型，利用ResNet的深层特征提取能力和U-Net在图像分割中的优势，实现高精度和鲁棒性的杂草识别。

2.Zhang-Suen算法得到杂草骨架

为精准除草，需在杂草识别基础上获取其中心位置，这要求先对作物进行细化以得到骨架。骨架提取算法能有效对骨架进行提取[6]。 本研究采用Zhang-Suen细化算法提取杂草骨架，简化其形态并突出主要结构，便于机械臂精确操作。相机采集的玉米幼苗图像如图二。

2.1.图像预处理

在应用Zhang-Suen细化算法之前，首先需要对图像进行预处理。这一步骤主要包括利用已经训练好的CNN模型对输入图像进行分类处理，得到一个二值图像（如图三）。在这个二值图像中，白色像素表示杂草区域，而黑色像素则表示背景。

2.2.Zhang-Suen细化算法

Zhang-Suen细化算法是一种经典图像细化算法，可在保持图像拓扑结构不变的情况下，逐步去除边缘像素，最终得到图像骨架。算法通过迭代标记符合特定条件的像素，遍历完成后统一删除标记点，直至无像素被标记，迭代结束，得到骨架图。

Zhang-Suen骨架提取算法流程如图４所示。[7]

2.3.骨架提取

在算法的最后一轮迭代完成后，得到的图像中会保留下物体的骨架部分，即杂草的主干结构。采用 Zhang-Suen 细化算法后的作物骨架如图五所示。

3.语义SLAM（Simultaneous Localization and MaPPing）规划路径

提取杂草骨架后，智能除草机器人要高效精准规划移动路径至杂草处除草。本研究引入语义SLAM技术，它结合机器人实时定位与地图构建能力，融入语义信息，可让机器人在未知环境中同步完成自身定位与环境地图构建[8]。

3.1.地图构建

机器人通过搭载的传感器（如摄像头、激光雷达等）感知环境，利用SLAM算法估计自身位置和姿态。同时，深度学习模型识别图像中的杂草、作物和障碍物等语义信息并添加到地图中，构建出包含几何和语义信息的地图，实现对环境的全面理解。

3.2.建立语义地图

语义SLAM技术将采集数据处理成包含丰富语义信息的地图，展示农田物理结构，区分作物和杂草，识别植被和土壤类型。

3.3.精准定位与路径规划

机器人利用语义地图进行精准定位，根据环境特征规划最优除草路径。语义信息帮助机器人避开作物，专注于杂草区域，降低误伤风险。

3.4.回环检测（LooP Closure Detection）

运行过程中，传感器误差累积可能导致定位偏差。回环检测可识别机器人曾访问过的位置，系统据此调整地图，纠正误差，确保地图准确性和连贯性[9]。

3.5.实时更新地图

路径执行中，机器人实时更新地图信息，包括障碍物位置和杂草分布，结合传感器数据和语义分割算法动态调整地图内容。

4.比例积分微分（proportional integral derivative， PID）控制机械臂除草

智能除草系统中，机械臂执行精确除草动作，其运动控制影响除草效果与效率。本研究采用PID控制算法实现稳定、准确控制，该算法是经典反馈控制策略，通过计算当前与目标状态误差调整控制输入，保障系统稳定运行。

4.1.获取杂草位置

通过卷积神经网络和Zhang-Suen细化算法获取杂草的精确位置，并将其转换为机械臂的目标坐标，包括三维坐标和姿态信息。

4.2.PID控制循环

系统利用PID算法对机械臂进行循环控制，根据当前位置与目标位置的误差调整控制输入，驱动机械臂向目标位置移动。系统实时更新杂草位置，监测机械臂状态，确保其准确到达目标位置并执行除草操作。

4.3.机械臂运动控制

基于PID算法，系统通过驱动电机等执行机构实现机械臂的精确运动控制，这是完成除草任务的核心环节。

4.4.执行除草操作

机械臂到达目标位置后，启动除草工具（如切割器、除草刀等）进行除草。系统根据杂草种类、生长情况和农田环境调整工具参数（如切割速度、深度和角度），确保除草效果。

4.5.反馈与调整

为满足运行工艺需求，系统需对机械臂制动时的精确控制进行调控，避免因控制不当导致震动或效率降低[10]。运行过程中，系统实时接收传感器和执行机构的反馈信息，动态调整PID参数、机械臂运动参数和除草操作参数，以适应农田环境变化。

结论

本研究通过综合应用卷积神经网络、Zhang-Suen细化算法、语义SLAM和PID控制策略，提出了一种智能化除草机器人开发思路。该机器人可高效精准识别并去除杂草，显著提高除草效率与精确度。其应用不仅减轻了农业劳动强度，减少了化学除草剂的使用和环境污染，还为农业现代化与智能化提供了有力支持，有望在未来为乡村振兴和可持续农业发展做出重要贡献。

参考文献

[1]毛文华，张银桥，王辉，等.杂草信息实时获取技术与设备研究进展[J].农业机械学报，2013，44（01）：190-195.

[2]丁超群.基于曲波变换的弱光照包装图像对比度设计增强方法[J].激光杂

志，2024，45（04）：223-227.DOI：10.14016/j.cnki.jgzz.2024.04.223.

[3]]Zewen L ，Fan L ，Wenjie Y ， et al.A Survey of Convolutional Neural Networks： Analysis， APPlications， and ProsPects.[J].IEEE transactions on neural networks and learning systems，2021，PP

[4]杨朝乾，樊永生，余红英.一种改进的U-Net网络的图像语义分割算法[J].中北大学学报（自然科学版），2023，44（04）：397-402+415.

[5]Ronneberger O ，Fischer P ，Brox T .U-Net： Convolutional Networks for Biomedical Image Segmentation.[J].CoRR，2015，abs/1505.04597

[6]鲁斌，范晓明.基于改进自适应k均值聚类的三维点云骨架提取的研究[J].自动化学报，2022，48（08）：1994-2006.DOI：10.16383/j.aas.c200284.

[7]吴艳娟，王健，王云亮.基于骨架提取算法的作物茎秆识别与定位方法[J].农业机械学报，2022，53（11）：334-340.刘铭哲，徐光辉，唐堂，等.激光雷达SLAM算法综述[J].计算机工程与应用，2024，60（01）：1-14.

[8]刘铭哲，徐光辉，唐堂，等.激光雷达SLAM算法综述[J].计算机工程与应用，2024，60（01）：1-14.

[9]丁佳惠.基于RGBD-SLAM的移动机器人路径规划与导航[D].上海工程技术大

学，2020.DOI：10.27715/d.cnki.gshgj.2020.000168.

[10]伞红军，陈浩，陈明方，等.基于自适应模糊PID的风速控制系统设计[J].中山大学学报（自然科学版），2019，58（04）：153-158.DOI：10.13471/j.cnki.acta.snus.2019.04.017.

附件