本發明涉及一種基于隨機森林和二維碼識別的農業移動機器人，尤其涉及一種可以基于隨機森林模型進行作業決策和基于二維碼進行模式識別和定位的移動機器人。

背景技術：

當下移動機器人的應用越來越廣泛,幾乎滲透到了所有領域，也慢慢的應用于了農業領域，越來越多地夠取代人們完成一些重復的工作。其中農業移動機器人的主要技術問題還是定位問題，當下的主流技術有gps定位，但是其成本高，對處理模塊的通訊要求高。又考慮到，在農業領域，路徑規劃比較簡單，如人在農田中的作業路徑一般都是在田壟上的，是既定的、相似的、小范圍的，其定位可以是離散的，離散程度可以根據情況而定。此外移動機器人需要工作的區域有多種地方，除了識別出不同的坐標以外，還需要一個模式識別方法，在不同的地方做不同的事，也就是說坐標信息中還需要包含模式信息。針對這些問題，本文提出了一個基于二維碼的農業移動機器人，解決定位成本高和模式識別復雜問題，將坐標信息和模式信息都包含在二維碼中。

當下農業作業也越來越大規?；蛥^域化，對人工工作量要求比較大，在這樣的現狀下，我們很希望可以使用移動機器人進行人工替代，提高生產力和農業自動化程度。但是農業領域中移動機器人又不能死板地進行統一作業，因為不同情況下的作物種植、培育過程不一樣，有的需要除蟲，有的又不需要。且大部分的工作的完成都是基于經驗性的工作，有很多重復、麻煩但基于經驗的工作，一般的移動機器人無法進行作業，故此對于一些經驗性的問題，本發明提出了基于隨機森林的決策模型，進行決策，解決常規移動機器人的不“靈活”、低效的特點。

技術實現要素：

本發明的目的在于針對市場的需求和現有技術的不足，公開了一種基于隨機森林和二維碼識別的農業移動機器人。本發明應用于農業領域，基于隨機森林和二維碼識別的農業移動機器人包括攝像頭、二維碼識別模塊、通訊模塊、溫度傳感器、濕度傳感器、控制器、電機驅動模塊、運動電機和工作電機。攝像頭、二維碼識別模塊、通訊模塊、溫度傳感器、濕度傳感器、電機驅動模塊均與控制器相連，電機驅動模塊與運動電機、工作電機相連。

二維碼以離散形式分布在農業工作區域的田壟中，以某一直線田壟所在方向為x軸，與其垂直的田壟方向為y軸，所述的二維碼包含二維碼所在位置的坐標信息和模式信息，所述的模式信息是指以二維碼所處位置為中心、以上述x軸與y軸構成的直角坐標系四個象限內的作物種類信息。二維碼識別模塊用于識別所述的二維碼，二維碼信息包含六個元素(x0,y0,m0,n0,z0,p0)，其中(x0，y0)代表著當前二維碼在農田中的坐標，而m0表示第一象限的作物編號，n0表示第二象限作物編號，z0表示第三象限作物編號，p0表示第四象限作物編號。

相應的路徑規劃：

由于田壟的結構特殊性，移動機器人只能直線運動和轉向。本發明的機器人設定如下路徑規則：機器人優先向x坐標靠近再向y坐標靠近，在路徑不需要轉彎時，移動機器人保持慣性向前。其路徑規劃算法思路如下：設本移動機器人所在的位置坐標為(x0,y0,m0,n0,z0,p0)，通過通訊模塊得知自己的作業目的地坐標為(xd,yd,md,nd,zd,pd)。其地理坐標變化過程如下：移動機器人由(x0,y0)->(xd,y0)->(xd,yd)，這樣，可使轉向數量最小，路徑簡單且符合實際。

所述的通訊模塊用于接收用戶的設定指令，如用于設定農業移動機器人目標位置、作業植物編號或作業行為操作。

移動機器人工作模式可以為全局遍歷監視農作物即讓移動機器人按期行進路徑每株植物監視過去，也可以指向區域農業作業。其中遍歷指令則是讓移動機器人進行全局巡視，使得移動機器人直接從一個坐標，遍歷所有坐標進行決策判斷，是否作業行為，在需要的地方進行農業操作。

其中指向區域農業作業可以通過通訊模塊輸入的特例單一編碼形式為：(xd,yd,md,d)，其中(xd,yd)表示目的地坐標，md表示對象作物編碼。d表示作業行為操作，則移動機器人根據指令去其坐標處，然后根據讀取的坐標確定四周作物方向，控制攝像頭面向的作物為md,判斷是否需要d操作，如果需要則進行，不需要則停止工作等待下一個指令。且移動機器人的所有農業過程，可以通過通訊模塊將相關信息發送到云端，用于其他用途，如專家進行分析等。

控制器內含有決策模型，所述的決策模型是基于隨機森林的，且對于不同的植物的不同作業行為，訓練出不同的模型，整個方法利用隨機森林模型。本模型結構為四輸入，單輸出。輸入為：溫度(溫度傳感器獲得)、濕度(濕度傳感器獲得)、蟲斑級別(攝像頭圖像處理得到)、植物干濕級別(攝像頭圖像處理得到)，輸出為當下植物屬于的作業類別(一共四類中的某一類)。

其中圖像處理方法：對于蟲斑情況，先進行邊緣提取、再進行二值化處理(用蟲斑和植物顏色區別來區分開蟲斑和植物葉子)，最后進行膨脹運算和腐蝕運算(即進行一次閉運算，將一些斷斷續續的蟲斑連接起來)。最終得到蟲斑占葉子的面積比例，其對應為蟲斑情況，作為模型輸入。對于植物干濕情況，則由圖片中植物的顏色分類，經過灰度值處理后，也將干濕情況對應輸入。最終本模型根據輸入：植物的蟲斑情況和植物的干濕情況、當天溫度、濕度，得到輸出：植物所屬的四類作業類別(需要澆水和除蟲、需要澆水不需要除蟲、不需要澆水需要除蟲，不需要澆水不需要除蟲)中的一類，并根據結果進行農業行為。如果需要澆水則澆水，需要除蟲則除蟲。

模型的訓練過程：

本模型先選取n個樣本，由專家鑒定在當時的輸入情況下(當時的溫度，濕度，干枯級別，蟲斑級別)，鑒定結果為四類作業中的哪一類。

隨機選取80％的樣本進行隨機森林模型的訓練，參考指標為gini系數，(gini系數是表征數據集純度的一個參數)，先選擇一個指標作為特征a將這些植物劃分為兩類(如蟲斑級別為5，將植物分為超過5一類，小于5一類)，并看下最終的gini系數是否足夠下小，如果不滿足要求則修改特征a，直到gini系數滿足要求。然后重復選取其他各個指標繼續進行劃分重復上述行為，最終劃分完所有植物，進入4個類型中。

完成訓練后，再選取20％帶入訓練出的模型進行檢驗，如果正確率大于95％，則說明模型建立成功，否則重新對模型進行訓練，調整gini參數或者進行剪紙處理。最后我們利用最終模型，對其輸入溫度、濕度、蟲斑級別、植物干濕級別，得到其是否需要澆水或者除蟲。并根據此結果進行農業作業：澆水、除蟲。

本發明通過通訊模塊得到目的地和需要進行的工作內容編碼，然后讀取二維碼和圖像，經過其中的二維碼讀取，得知移動機器人在農業場所(如農田)中的模式識別和定位，進行運動電機控制向目的地靠近；圖像則是用于監測農作物情況，并將其作為輸入，經過圖像處理和隨機森林模型進農業行為工作內容決策控制，如：是否要去蟲、澆水等農業行為。本發明的目的是：提高農業自動化程度，減少人工參與，具有成本低、運動精準，效率高的特點。

附圖說明

圖1移動機器人結構示意圖；

圖2整個農田的坐標系布局；

圖3移動機器人工作過程示意圖；

圖4隨機森林決策模型；

圖5隨機森林模型訓練過程示意圖。

具體實施方式

本發明應用于農業領域，且移動機器人包括攝像頭、二維碼識別模塊、通訊模塊、控制器、電機驅動模塊、運動電機和工作電機。其中二維碼識別模塊可以使用honeywelln56xx、攝像頭可以使用攝像頭串口通訊、控制器用stm32，通訊模塊可以使用gprs模塊，電機則可用直流電機配上驅動器模塊即可完成本移動機器人的功能。

整個移動機器人結構如圖1所示，通過通訊模塊得到目的地和需要進行的工作內容編碼，然后讀取二維碼和圖像，經過其中的二維碼讀取，得知移動機器人的模式識別和定位，進行運動電機控制向目的地靠近；圖像則是用于監測農作物情況，并將其作為輸入，經過圖像處理和隨機森林模型進農業行為工作內容決策控制，如：是否要去蟲、澆水等農業行為。本發明的目的是：提高農業自動化程度，減少人工參與，具有成本低、運動精準，效率高的特點。整個機器人設計思路主要分為兩點，定位系統和模式識別的設計和隨機森林模型設立。

1.上述農業移動機器人在農田中的定位和模式識別結構設計：

其中整個農田的坐標系布局如圖2所示：

我們將移動機器人的軌跡設立在田壟上，以某一直線田壟所在方向為x軸，與其垂直的田壟方向為y軸，所述的二維碼包含二維碼所在位置的坐標信息和模式信息，所述的模式信息是指以二維碼所處位置為中心、以上述x軸與y軸方向構成的直角坐標系四個象限內的作物種類信息。二維碼識別模塊用于識別所述的二維碼，二維碼信息包含六個元素(x0,y0,m0,n0,z0,p0)，其中(x0，y0)代表著當前二維碼在農田中的坐標，而m0表示第一象限的作物編號，n0表示第二象限作物編號，z0表示第三象限作物編號，p0表示第四象限作物編號。其中當移動機器人在整個坐標系的邊角時，則默認作物編號為0代表無作物。以圖2為例，結合圖2中位于左側的直角坐標系和位于右側的東南西北四個方向標識可知，圖2所在直角坐標系構成的第一象限即為東方、第二象限為北方，第三象限為西方，第四象限位南方。假設青菜為編碼1，韭菜為編碼2。假設移動機器人獲取的當前二維碼坐標為(1,1,0,0,1,2)，則表示移動機器人的位置在(1，1),監測的作業區的東、北方向沒有作物，西方作物為青菜，南方作物為韭菜。

然后將坐標信息離散的分布在田壟上，在移動機器人運動過程中讀取田壟上的二維碼進行坐標獲取，然后解碼坐標得到相應的信息。移動機器人經過讀取的信息結合選擇本身攝像頭的朝向，得到需監測的作物種類，然后根據作物類別選擇相應的隨機森林模型。

整個機器人系統控制流程圖如圖3所示，先得到控制指令，然后根據二維碼獲得坐標和模式信息，帶入不同的模型，進行農業行為決策。

相應的路徑規劃：

由于田壟的結構特殊性，移動機器人只能直線運動且轉向只可以九十度轉向。所以我們設定規則：機器人優先向x坐標靠近再向y坐標靠近，且當轉向時，只能選擇左轉九十度或者右轉九十度，在路徑不需要轉彎時，移動機器人保持慣性向前。其路徑規劃算法思路如下：設本移動機器人所在的位置坐標為(x0,y0,m0,n0,z0,p0)，通過通訊模塊得知自己的作業目的地坐標為(xd,yd,md,nd,zd,pd)。其地理坐標變化過程如下：移動機器人由(x0,y0)->(xd,y0)->(xd,yd)，這樣，可使轉向數量最小，路徑簡單且符合實際。

控制指令(目的地和工作內容)解碼：

移動機器人工作模式可以為全局遍歷監視農作物即讓移動機器人每株植物監視過去，也可以指向區域農業作業。其中遍歷指令則是讓移動機器人進行全局巡視，使得移動機器人直接從一個坐標，遍歷所有坐標進行決策判斷，是否作業行為，在需要的地方進行農業操作。

其中指向區域農業作業可以通過通訊模塊輸入的特例單一編碼形式為：(xd,yd,md,d)，其中(xd,yd)表示目的地坐標，md表示對象作物編碼，如目標對象編碼為1指的是青菜。d表示作業行為操作，如：0為澆水，1為除蟲，2為默認值即澆水和除蟲都需要監視并考慮是否進行。則(1，1，1，0)表示去坐標為(1，1)的青菜處(根據地標確定青菜方位，由攝像頭去尋找)，判斷是否需要澆水，如果需要則進行，不需要則停止工作等待下一個指令。

移動機器人的所有農業過程，可以通過通訊模塊將相關信息發送到云端，用于其他用途，如專家進行分析等。

2.其中控制器中，隨機森林模型的建立：

本決策模型是基于隨機森林的，且對于不同的植物不同作業行為，訓練出不同的模型，整個方法利用隨機森林模型。本模型為四輸入，兩輸出。輸入為：溫度(溫度傳感器獲得)、濕度(濕度傳感器獲得)、蟲斑級別(攝像頭圖像處理得到)、植物干濕級別(攝像頭圖像處理得到)。

將輸入進來的圖像處理結果：植物的蟲斑情況和植物的干濕情況，結合當天溫度、濕度將植物進行分類，得到如需要澆水和除蟲、需要澆水不需要除蟲、不需要澆水需要除蟲，不需要澆水不需要除蟲四類，并根據結果進行農業行為。

其中圖像處理方法：

對于蟲斑情況，先進行邊緣提取、再進行二值化處理(用蟲斑和植物顏色區別來區分開蟲斑和植物葉子)，最后進行膨脹運算和腐蝕運算(即進行一次閉運算，將一些斷斷續續的蟲斑連接起來)。最終得到蟲斑占葉子的面積比例，我們將其分為0-10級(5％為1級，8％為2級…)分別對應為模型輸入0-10。對于植物干濕情況，則由圖片中植物的顏色分類，經過灰度值處理后，也將干濕情況分為10級，分別對應輸入0-10。

整個模型輸入還有當天的溫度和濕度，輸出則為植物的四個狀態類別。模型結構如圖4。

模型的訓練過程：

整個訓練過程如圖5所示，本模型先選取1000個樣本，由專家鑒定在當時的輸入情況下(當時的溫度，濕度，干枯級別，蟲斑級別)，鑒定結果為四類中的哪一類。

我們隨機選取80％的樣本進行隨機森林模型的訓練，參考指標為gini系數，(gini系數是表征數據集純度的一個參數)，先選擇一個指標作為特征a將這些植物劃分為兩類(如蟲斑級別為5，將植物分為超過5一類，小于5一類)，并看下最終的gini系數是否足夠下小，如果不滿足要求則修改特征a，直到gini系數滿足要求。然后重復選取其他各個指標繼續進行劃分重復上述行為，最終劃分完所有植物，進入4個類型中。

完成訓練后，再選取20％帶入訓練出的模型進行檢驗，如果正確率大于95％，則說明模型建立成功，否則重新對模型進行訓練，調整gini參數或者進行剪紙處理。最后我們利用最終模型，對其輸入溫度、濕度、蟲斑級別、植物干濕級別，得到其是否需要澆水或者除蟲。并根據此結果進行農業作業：澆水、除蟲。最終提升移動機器人的智能化、自動化。