عنوان پایان‌نامه
تهیه نقشه مسیر حرکت در محیط گلخانه به کمک مکان یابی سکوی کشت مبتنی بر ماشین بینایی استریو
- رشته تحصیلی
- مهندسی کشاورزی - مکانیک ماشین های کشاورزی
- مقطع تحصیلی
- دکتری تخصصی PhD
- محل دفاع
- کتابخانه مرکزی پردیس کشاورزی و منابع طبیعی شماره ثبت: 7253;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 79641;کتابخانه مرکزی پردیس کشاورزی و منابع طبیعی شماره ثبت: 7253;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 79641
- تاریخ دفاع
- ۲۴ بهمن ۱۳۹۵
- دانشجو
- امین نصیری
- استاد راهنما
- حسین مبلی
- چکیده
- از نیازهای اساسی در هدایت خودکار، مساله مسیریابی می باشد. این مسئله مشخص می کند که وسیله خودکار برای رسیدن به هدف باید چه مسیری را بدون برخورد با موانع طی نماید. در ناوبری از بینایی استریو برای تعیین موقعیت موانع حرکت استفاده می شود. اصلی ترین مانع حرکت در محیط گلخانه سکوهای کشت می باشند، از طرفی برای انجام هر عمل خود مختار، لازم است که وسیله یک نمایش از محیط اطراف در اختیار داشته باشد. ساخت نقشه دوبعدی محیط گلخانه با هدف کنترل خودکار به‌منظور انجام عملیاتی مانند آبیاری و سم پاشی، از طریق مکان یابی سکوهای کشت به‌عنوان اصلی ترین مانع حرکت و گلدان ها به‌عنوان محل کشت گیاه امکان پذیر می باشد. هدف از این تحقیق طراحی مسیر حرکت در محیط گلخانه است. برای این منظور ابتدا یک دوربین استریو به‌کمک دو وبکم توسعه داده شد. اولین قدم در طراحی مسیر حرکت ساخت نقشه محیط پیرامون می باشد. با استخراج تصویر ناهمخوانی از جفت‌تصویر برگرفته از دوربین استریو و انتقال نقاط به فضای سه¬بعدی، مدل ابر نقطه ای محیط ساخته شد. سپس، با تصویر نمودن این نقاط بر صفحه XZ و از کنار هم قرار دادن نقشه های محلی به‌کمک تخمین موقعیت دوربین بر مبنای مکان یابی دیداری، نقشه دوبعدی محیط گلخانه تهیه گردید. همچنین برای یافتن مسیر بهینه، مسیری که بدون برخورد با موانع کوتاه ترین طول را داشته باشد، از الگوریتم ازدحام ذرات استفاده شد. تهیه تصاویر در راهروهای گلخانه با فواصل 50 و 20 سانتی‌متری و در مسیرهای منحنی شکل انتهای راهروها در هر 11 سانتی‌متر جابجایی دوربین انجام گرفت. از دو روش برای مکان یابی سکوهای کشت استفاده شد. در روش اول ویژگی عدم پیوستگی عمق در محل لبه ی سکوها به‌کار گرفته شد. در روش دوم برای مکان یابی سکوهای کشت و همچنین برای تعیین موقعیت گلدان ها، مختصات سه¬بعدی اجزاء محیط مورد استفاده قرار گرفت. برای ارزیابی دقت نتایج الگوریتم در تخمین موقعیت و محاسبه خطا، فاصله اقلیدسی مختصات محل قرارگیری گلدان ها و گوشه های به‌دست آمده از حسگر مرجع و نقشه های محلی محاسبه شد. با اجرای الگوریتم تشخیص سکوهای کشت به‌کمک سطح بیرونی آن ها در هر دو گام تصویربرداری، موقعیت 33/83 درصد از گوشه سکوهای کشت تعیین شد. میانگین خطا برای گام های 50 و 20 سانتی متری به ترتیب 089/0 و 094/0 متر به دست آمد. همچنین، در هر دو گام تصویربرداری 50 و 20 سانتی متری، با به کارگیری الگوریتم شناسایی سکوهای کشت به‌کمک ویژگی عدم پیوستگی در ناحیه لبه ها، 33/83 درصد از گوشه های سکوهای کشت با میانگین خطای به ترتیب 071/0 و 099/0 متر موقعیت یابی شدند. الگوریتم تشخیص و مکان یابی گلدان ها توانایی تشخیص و تعیین موقعیت 10/92 درصد از گلدان ها را با میانگین خطای 069/0 متر برای تصاویر تهیه شده در گام های 50 سانتی متری داشت. از طرفی الگوریتم ارائه شده توانست با استفاده از تصاویر تهیه شده در گام های 20 سانتی متری، موقعیت 45/91 درصد از گلدان ها را با میانگین خطای 082/0 متر تعیین نماید. همچنین، طراحی مسیر حرکت به‌کمک الگوریتم ازدحام ذرات بر روی نقشه های دوبعدی حاصل از هر دو گام تصویربرداری نشان داد که این الگوریتم قادر است مسیر حرکت با کوتاه ترین طول را با قابلیت اجتناب از برخورد با سکوهای کشت به عنوان مانع ایجاد نماید.
- Abstract
- Regarding the point that big data is saved in an image depth, which is not used in two-dimensional processing method, a three-dimensional vision can provide us an improved understanding of the environment. Stereo vision is considered as one of the most important ways to achieve the three-dimensional vision. In navigation, stereo vision is used for obstacle localization. Path planning is the first step in automatic steering in order to avoid obstacles and to steer the vehicle toward the destination. In greenhouses, the main obstacles are cultivation platforms. For every tasks by an autonomous vehicle, a perception of the environment is necessary. By localizing the cultivation platforms as the main movement obstacles and the pots as the plant cropping tools, it is possible to generate a greenhouse two-dimensional map in order to automatically control some operations like irrigation and spraying. In this study, a path planning algorithm for greenhouse environment was addressed. For this purpose, a stereo camera was developed by using two webcams. The first step in path planning is to develop the environment map. By getting disparity image from rectified stereo images and transferring its data to 3D-space, point cloud model of the environment was generated. Then by projecting points to XZ plane and putting local maps together based on the visual odometry, two-dimensional greenhouse environment map was created. Furthermore, in order to find the optimum path, which has the shortest length due to obstacle avoidance, a particle swarm optimization was employed. Image capturing was performed in a greenhouse corridors in 50 and 20-centimeter intervals. In curved paths at the end of corridors, every 4 degrees of camera movements was imaged. Cultivation platforms were localized by two methods. The first is based on the depth discontinuity feature at the edges of platforms. In the second method, in order to detect cultivation platforms and pots and localize the platforms and position the pots in form of two-dimensional point, three-dimensional coordinates of environment components were used. To evaluate the accuracy of the algorithm in the estimation of positions and the calculation of the errors, the Euclidean distance of the coordinates of the pots locations and the corners extracted by the reference sensor and local maps were calculated. The results of applying the platform detection algorithm based on external surface revealed that the proposed algorithm is able to detect 83.33% of the corners of cultivation platforms with the average error of 0.089 meters and the RMSE of 0.095 meters for 50-centimeter interval. By the proposed algorithm, 83.33% of the cultivation platform corners were distinguished with an average error of 0.094 meters and the RMSE of 0.105 meters for 20-centimeter interval. Also, the results of employing the platform detection algorithm by the aid of the depth discontinuous features in edges positions revealed that for 50-centimeter interval, this method recognized 83.33% of the corners of cultivation platform with the average error of 0.071 meters and the RMSE of 0.087 meters. For 20-centimeter interval, this algorithm could detect 83.33% of the corners of cultivation platform with the average error of 0.099 meters and the RMSE of 0.114 meters. According to the extracted greenhouse two-dimensional map from images captured at 50- centimeter intervals, it was concluded that the proposed algorithm is able to identify and position 92.10% of the pots with an average error of 0.069 meters. On the other hand, for images captured at 20-centimeter intervals, the proposed algorithm could detect and position 91.45% of pots with an average error of 0.082 meters. The accuracy of the application of PSO-based path planning on the two-dimensional map obtained from the both imaging intervals was satisfactory. Thus, the planned path can avoid obstacles and have the shortest length. Keywords: Path Planning, Stereo Vision, Visual Odometry, Cultivation Platform, Pot, Three-Dimensional Coordinates, Depth Discontinuity, Edge, Obstacle, Particle Swarm Optimization (PSO)
