一种环境感知驱动的青稞收获机自动导航系统的制作方法

本发明涉及农业机械化，尤其涉及一种环境感知驱动的青稞收获机自动导航系统。

背景技术：

1、在现代农业生产中，青稞作为一种重要的粮食作物，其收获过程的自动化和智能化水平直接影响到农业效率和作物产量，尽管已有多种收获机械被广泛使用，它们主要依赖于基本的gps导航系统进行作业，这些系统在夜间或低光照条件下的导航精度和环境适应性通常较差，此外，现有的自动导航系统往往忽略了复杂地形和突发气象条件对收获作业的影响，如地形的坡度变化、土壤湿度、障碍物位置等因素，这些因素均可能导致收获效率下降或作业中断。

2、本发明旨在解决现有技术中存在的问题，特别是提高青稞收获机在复杂环境条件下的作业精度和效率，具体而言，现有技术在夜间或低光照条件下缺乏有效的导航和环境感知能力，难以实时应对突发的地形和气象变化，此外，现有系统在处理多源环境数据，如地形、障碍物及作物生长状况信息的整合方面存在不足，导致无法精确地进行作业路径规划和调整。

技术实现思路

1、基于上述目的，本发明提供了一种环境感知驱动的青稞收获机自动导航系统。

2、一种环境感知驱动的青稞收获机自动导航系统，包括增强环境感知模块、数据处理分析模块、夜间智能导航模块、最优路径规划模块、动态环境适应模块以及执行控制模块；其中：

3、增强环境感知模块：集成激光雷达、红外传感器、超声波传感器和多光谱相机，用于在各种光照条件下实时采集作业环境中的地形、气象和作物生长状况信息；

4、数据处理分析模块：接收来自增强环境感知模块的多源数据，利用点云网络算法对点云数据进行处理和分析，识别出作业区域内的障碍物、地形特征和作物成熟度，生成环境特征数据；

5、夜间智能导航模块：利用数据处理分析模块提供的环境特征数据，生成高精度的夜间作业地图；

6、最优路径规划模块：基于动态环境适应模块和夜间智能导航模块生成的环境特征数据和夜间作业地图，计算并生成最优导航路径；

7、动态环境适应模块：从最优路径规划模块获取生成的导航路径，实时评估环境特征数据，并基于导航路径和青稞收获机的作业速度，生成实时调整指令，用于应对突发气象变化和动态地形变化；

8、执行控制模块：接收最优路径规划模块生成的导航路径，控制收获机的行驶速度、方向，同时利用动态环境适应模块的实时调整指令，确保收获机在遇到突发障碍物时及时响应。

9、可选的，所述增强环境感知模块包括激光雷达单元、红外传感器单元、超声波传感器单元和多光谱相机单元；其中：

10、激光雷达单元：用于在各种光照条件下发射激光束并接收反射信号，通过计算激光束的飞行时间测量地形的高度和坡度，得到地形数据；

11、红外传感器单元：用于在夜间和低光照条件下检测作业环境中的热辐射信号，通过红外传感器实时采集热成像数据，识别作物和障碍物，以补充白天和夜间的环境信息；

12、超声波传感器单元：用于在各种光照条件下发射超声波信号并接收反射回波，通过计算回波的传播时间测量近距离障碍物的位置和距离，实时生成障碍物检测数据；

13、多光谱相机单元：用于在各种光照条件下捕捉不同波段的光谱图像，通过分析多光谱图像中的反射光信息，实时检测作物的生长状况和健康状况，生成作物生长和健康状况的数据。

14、可选的，所述数据处理分析模块包括数据接收单元、点云处理单元、特征提取单元和特征分析单元；其中：

15、数据接收单元：用于接收来自增强环境感知模块的多源数据，包括激光雷达数据、红外数据、超声波数据和多光谱图像数据，并进行数据预处理，确保数据格式统一；

16、点云处理单元：利用点云网络算法对激光雷达生成的点云数据进行处理，通过对点云数据中的每个点进行特征提取和分类，识别出作业区域内的障碍物位置和形状，生成初步的地形特征数据；

17、特征提取单元：从点云处理单元生成的地形特征数据中提取地形高度、坡度信息，并结合红外数据和多光谱图像数据，提取作物的健康状况和生长特征，包括叶片颜色、植株密度的参数；

18、特征分析单元：对提取的地形特征和作物特征进行综合分析，利用深度学习算法识别作物的成熟度，并结合实时气象数据，生成全面的环境特征数据，包括地形模型、障碍物位置、作物健康状况和成熟度评估。

19、可选的，所述点云处理单元包括：

20、数据输入与预处理：接收激光雷达生成的点云数据，每个点云数据点表示为：，其中，，，分别表示点的空间坐标；并对点云数据进行归一化处理，使所有点的坐标范围在之间；

21、特征提取：利用点云网络算法对每个点进行特征提取，先通过多层感知机对每个点的坐标进行非线性变换；

22、全局特征聚合：将所有点的局部特征通过最大池化操作聚合为全局特征向量；

23、特征分类：将全局特征向量连接到每个点的局部特征向量，构成新的特征表示；并通过分类器对每个点进行分类，识别出每个点具体是属于地形特征点或障碍物点；

24、障碍物位置与形状识别：根据分类结果，将所有被分类为障碍物的点聚类，计算每个障碍物的中心位置和形状特征，障碍物的中心位置通过计算障碍物点的平均坐标得到，公式为：，其中，表示障碍物的中心位置，m为障碍物点的数量，，，分别表示第j个障碍物点的空间坐标；

25、生成地形特征数据：对地形特征点进行三角剖分或网格化处理，生成地形模型，并结合障碍物的位置和形状数据，生成初步的地形特征数据。

26、可选的，所述特征提取单元具体包括：

27、地形高度提取：从点云数据中提取每个点的高度信息，计算作业区域内的地形高度分布，通过对每个点进行高度采样，生成高度矩阵h，表示为：，其中，h为地形高度矩阵，n为点云数据的总点数；

28、坡度信息提取：利用高度矩阵h计算地形的坡度信息，对于每个点，其坡度能通过邻近点的高度差计算得到，公式为：，其中，和分别表示在x和y方向上的高度变化率；

29、红外数据处理：从红外传感器单元接收热成像数据，每个点的红外辐射值表示为，通过分析热成像数据，提取作物的热辐射特征，生成热辐射矩阵t，表示为：，其中，t为热辐射矩阵，n为点的总数；

30、多光谱图像数据处理：从多光谱相机单元接收多光谱图像数据，并提取各波段的反射率信息，生成多光谱特征矩阵m，表示为：，其中，表示点的多光谱特征向量，包括不同波段的反射率值；

31、作物健康状况提取：结合热辐射矩阵t和多光谱特征矩阵m，利用归一化差异植被指数计算作物健康状况，对于每个点，其差异植被指数值通过以下公式计算：，其中，和分别表示点在近红外波段和红光波段的反射率值；

32、作物生长特征提取：通过分析多光谱图像数据中的各波段反射率信息，结合热辐射特征和差异植被指数值，提取作物的生长特征，包括叶片颜色、植株密度和生长状态。

33、可选的，所述特征分析单元具体包括：

34、特征输入与预处理：接收从点云处理单元提取的地形特征数据和作物特征数据，并对输入数据进行归一化处理；

35、深度学习模型构建：利用基于卷积神经网络的深度学习算法构建特征分析模型，先将地形特征数据和作物特征数据合并为综合特征向量；

36、特征提取与分类：通过深度学习模型对综合特征向量进行多层卷积操作，提取高层次特征表示；

37、成熟度识别：在特征提取层之后，添加全连接层对提取的高层次特征进行分类，识别作物的成熟度；

38、气象数据整合：接收实时气象数据，对气象数据进行归一化处理，并与提取的特征数据结合，形成综合环境特征向量；

39、生成全面环境特征数据：将综合环境特征向量输入到特征分析模型中，通过多层感知机对环境特征进行分析，生成全面的环境特征数据，包括地形模型、作物健康状况、成熟度评估以及实时气象信息。

40、可选的，所述夜间智能导航模块包括数据接收单元、图像处理单元、特征融合单元和地图生成单元；其中：

41、数据接收单元：用于接收来自数据处理分析模块提供的环境特征数据，包括地形特征数据、障碍物检测数据和作物生长状况数据；

42、图像处理单元：接收来自增强环境感知模块的红外传感器数据和多光谱图像数据，并进行预处理，包括去噪、增强对比度和图像校正；

43、特征融合单元：将图像处理单元提供的红外图像和多光谱图像数据与数据接收单元提供的地形特征数据和障碍物检测数据进行融合，融合方法包括特征拼接和多模态融合技术，生成综合特征向量，公式为：，其中，为红外图像数据，为多光谱图像数据，为地形特征数据，为障碍物检测数据；

44、地图生成单元：利用融合后的综合特征向量，通过卷积神经网络构建高精度夜间作业地图，卷积神经网络通过多层卷积和池化操作提取高层次特征，生成高精度的作业地图，具体步骤包括：

45、步骤1：对综合特征向量进行初始卷积操作，提取低层次特征，公式为：，其中，为初始卷积核权重，为初始卷积层的偏置；

46、步骤2：对低层次特征进行多层卷积和池化操作，提取高层次特征，公式为:，其中，为第层的卷积核权重，为第层的偏置；

47、步骤3：在最后一层卷积操作后，生成高精度的夜间作业地图，公式为：，其中，为全连接层的权重，为全连接层的偏置，为归一化指数函数，l为卷积层的最后一层。

48、可选的，所述最优路径规划模块包括数据接收单元、路径计算单元、路径优化单元和路径生成单元；其中：

49、数据接收单元：用于接收来自动态环境适应模块和夜间智能导航模块生成的环境特征数据和夜间作业地图；

50、路径计算单元：接收环境特征数据和夜间作业地图后，利用dijkstra算法或a*算法对作业区域进行初步路径计算，生成多条候选路径，路径计算基于以下公式：，其中，表示起点s到终点t的路径距离，为路径上第i条边的权重，n为路径上的边数；

51、路径优化单元：对路径计算单元生成的候选路径进行优化，考虑路径的平滑度、作物的密度和健康状况以及地形的坡度的因素，路径优化通过基于遗传算法的优化方法实现，具体优化目标函数为：

52、，其中，为路径p的优化目标值，为路径上的距离，为作物密度和健康状况，为地形的坡度，，，为权重系数，n，m，p分别为路径上的距离、作物和坡度的数量；

53、路径生成单元：对优化后的路径进行处理，生成最优导航路径，路径生成单元利用贝塞尔曲线平滑路径，贝塞尔曲线通过以下公式生成：，其中，表示贝塞尔曲线，t为参数，为控制点，为二项式系数。

54、可选的，所述动态环境适应模块包括数据接收单元、环境评估单元、速度计算单元、路径调整单元和指令生成单元；其中：

55、数据接收单元：用于接收来自最优路径规划模块的导航路径数据以及实时的环境特征数据，包括气象数据、地形特征和障碍物位置；

56、环境评估单元：实时评估接收到的环境特征数据，具体利用以下公式评估气象变化对作业的影响：，其中，表示气象影响评估值，t为温度，h为湿度，p为气压，f为气象影响评估函数；

57、速度计算单元：基于评估的环境特征数据和导航路径，计算青稞收获机的最佳作业速度，设作业速度为v，路径上的位置点为，则计算公式为：，其中，为路径上相邻位置点之间的距离，t为时间间隔；路径调整单元：结合环境评估结果和最佳作业速度，对导航路径进行实时调整，调整后的路径表示为，调整公式为：，其中，为根据环境特征数据计算的路径调整量；

58、指令生成单元：根据调整后的路径和最佳作业速度v，生成实时调整指令i，指令包括新的行驶方向和速度，指令表示为：，其中，i为实时调整指令，为调整后的行驶方向。

59、可选的，所述执行控制模块包括路径接收单元、速度控制单元、方向控制单元和响应单元；其中：

60、路径接收单元：用于接收最优路径规划模块生成的导航路径和动态环境适应模块生成的实时调整指令i；

61、速度控制单元：基于接收的导航路径计算青稞收获机的行驶速度，具体通过以下公式计算每个路径点的目标速度：，其中，为路径点和之间的距离，t为设定的时间间隔；

62、方向控制单元：基于接收的导航路径计算青稞收获机的行驶方向，具体通过以下公式计算每个路径点的目标方向：，其中，，分别为路径点的坐标，表示反正切函数；

63、响应单元：利用动态环境适应模块生成的实时调整指令i，及时调整青稞收获机的行驶速度和方向，设实时调整指令包括新的速度和方向，则最终行驶速度和方向通过以下公式确定：；；其中，为调整后的行驶速度，为调整后的行驶方向。

64、本发明的有益效果：

65、本发明，通过集成多种传感器和高级图像处理技术，本系统能够在夜间或低光照条件下准确识别和分析作业环境，包括地形、障碍物以及作物的生长状况，这不仅优化了导航路径的精确度，还实现了在各种气候和光照变化下的稳定作业，极大地减少了因环境因素引起的作业中断或效率下降。

66、本发明，通过动态环境适应模块和最优路径规划模块的高效协同工作，能够实时调整收获机的行驶速度和路径，以适应突发的地形和气象变化，这种实时的路径调整和速度控制确保了收获机在遇到不预期障碍物或复杂地形时的快速反应能力，从而保证了作业的连续性和高效率，此外，系统的综合环境感知和智能决策功能显著提升了作业的自动化水平。