前言

农业科技：浅析除草机器人在我国研究现状。

在农业生产活动中，杂草问题不可避免，直接或间接影响着农业生产[1]。我国有田园杂草种（变种），分布广、发生量大。每年由于杂草危害造成作物产量损失约10%，粮食减产达万t，经济损失达亿元。

由此可见，解决杂草问题刻不容缓。随着我国农业技术的发展和对国外除草技术的引进改良，新的除草方法陆续出现，主要包括化学除草和非化学除草2大类。目前以化学除草为主，然而弊端已逐渐显现。其一，农田长期过量使用除草剂造成土壤农药残留和积累；其二，过度使用化学除草剂造成了全球环境污染，进而危害人体、动物健康；其三，加快了有抗性杂草的群落更替，杂草抗药性增强。

化学除草方法难以满足我国现代农业的需求，不利于我国农业可持续发展。为避免化学除草剂带来的危害，非化学除草方法中的机械除草得到研究和应用推广。近年来，人工智能、智能感知、机器人技术不断融入农业生产，智能除草机器人应运而生，推动着机械除草技术（主要涉及智能感知、作物与杂草识别、运动平台以及除草装置控制等技术）向自动化、智能化方向转型升级。智能除草机器人能够有效地减少劳动成本，提高生产效率，减少环境污染。

随着智慧农业发展，无人农场开始建设实践，农业机器人将会是无人农场必不可少的智能装备。本文从智能感知技术、除草机器人平台和机械除草装置3个方面介绍了智能除草机器人关键技术的研究现状，并对智能除草机器人的未来发展趋势进行了展望，以期为智能除草机器人的研究提供借鉴。

智能感知技术基于多源信息融合的智能感知是机器人支撑技术之一，可综合分析环境和作业对象的类别与属性，达到智能感知的目的。机械除草作业要求是不损伤作物的同时去除杂草，因此，感知技术主要包括作物行识别技术和杂草识别技术。

作物行识别技术精准农业的除草、施肥、施药作业离不开作物行准确识别定位技术。图像处理技术具有识别准确性高、成本较低、处理速度快、鲁棒性较强等优点，已逐渐成为精准农业中作物行提取的重要技术。根据农田环境特征，作物行识别主要可分为旱地作物行识别和水田作物行识别。旱地作物行识别20世纪70年代中期，国外已提出了一整套视觉计算的理论。

随后，Reid等使用阈值分割和贝叶斯分类器成功实现棉花与土壤的图像分割。Fontaine等采用Hough变换算法成功提取农田图像里的直线信息。Gée等将图像利用双Hough变换算法提取作物行的消失点，并以消失点在hough空间中的表示来标识各作物行对应的直线。

李茗萱等提出了一种SF算法，用2G-R-B算法分割原始小麦图片的目标，最大类间方差法提取目标，经过膨胀、腐蚀、滤波提取作物行信息。翟志强等采用基于Census变换算法检测双目视觉图像中棉苗行特征角点，提取绿色棉苗行特征，拟合作物行中心线，结果表明，在非地头区域，棉苗行中心线的正确识别率大于92%。

陈子文等针对生菜和绿甘菜提出利用自动Hough变换累加阈值的方法提取蔬菜作物行中心线，结果表明，在田间和温室中作物行的识别准确率分别为86。7%和93。3%。孟笑天通过改变RGB结构模型中绿色分量的比重，提出了改进的超绿法灰度化图像处理算法，改进K均值聚类算法与最小二乘法，使拟合苗期玉米苗带识别精度达93%。罗晨晖改进了双信息融合的植株作物行识别方法，利用Kinect获取目标植株信息，转换为HSI颜色模型，利用采样一致性（SAC-IA）配准方法找到变换关系进行粗配准，再使用迭代就近点算法（ICP）算法与S分量图精确配准，通过粒子群算法（PSO）循环优化得到聚类中心，最后使用最小二乘法拟合路径，实现作物行识别。

水田作物行识别水田主要种植水稻及其他水生作物，水田农作物尤以水稻为主，展开的相关研究多围绕于水稻。Choi等通过K-means聚类分析算法、线性回归的方法识别出作物行，结果表明机器人可跟随水稻识别导线行进。还有人提出一种基于特征点邻域Hough变换的水稻秧苗行检测方法，结果表明，测试集秧苗行平均识别准确率达到92%。黄小刚教授提出一种水田除草机器人秧苗识别算法，根据秧苗的S分量较背景明显的特性，在HSI颜色空间中分离出目标区域。采用K-means算法、聚类分析和Hough变换法拟合水稻秧苗特征点，得到导航中心线。

贺静团队提出了一种基于贝叶斯决策理论和鲁棒回归最小二乘法的水稻行视觉检测方法，基于多传感器融合准确识别出水稻行，实现农机跟踪水稻行导航，减少了田间管理机械对水稻碾压。可见，旱地和水田作物行识别算法相似，但水田环境更加复杂。一是水田中倒像和镜像效应严重，稻草、浮萍、蓝藻等的颜色特征难以分辨，而自然风又导致相邻稻行重叠，水稻行信息不明显；二是水田硬底层不平，水田作业机具位姿变化频繁，导致水稻行信息易断行、倾斜和重叠。因此，水田作物行识别算法应具有更强的适应性和鲁棒性，甚至需要采用多传感器融合方法以提高识别精度。

杂草识别技术传统图像处理技术，快速准确识别出不同种类杂草和农作物是实现自动化精准除草作业的必要条件，是解决杂草防治问题的关键[28-29]。随着计算机技术、网络技术以及视觉技术的发展，快速精准的机器视觉技术在杂草识别上的应用越来越广泛，显著提高了除草机械的作业能力，为精准除草方式的自动化、智能化发展提供了技术保证。

传统图像处理技术对杂草检测时，通过提取图像颜色、形状、纹理等特征进行杂草识别，需要手动设计特征，且高度依赖图像采集方法、预处理方法和特征提取的质量[。Arroyo等用实时学习的方法对苗草图像进行特征提取，将直方图数据作为K-NN算法的输入，从而达到对图像分割时阈值的自适应性。

王佳玉等]通过MATLAB图像处理技术分割判定杂草，无人机田间杂草取样，利用绿色植物与周边环境的不同分离植物与环境，通过分割与降噪得到只剩杂草的图像，为除草机器智能化奠定基础。吴兰兰等提出了基于视觉注意模型的苗期油菜杂草图像检测方法，在不同检测背景下提高了杂草识别的准确率。

图像处理多算法融合的田间杂草检测等方法，通过设置颜色空间阈值分割土壤背景，采用面积阈值、模板匹配和饱和度阈值3种方法对作物和杂草进行分类，大豆田间试验结果，杂草识别精度达98.21%。王璨等以2~5叶苗期玉米及杂草为对象，建立融合高度特征与单目图像特征的SVM识别模型，测试结果表明，杂草识别准确率为98.33%。