(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211334834.7 (22)申请日 2022.10.28 (71)申请人 浙江科技学院 地址 310023 浙江省杭州市西湖区留和路 318号 (72)发明人 金鑫俊　丁祎　张勇　刘薇　 孙勇智　李津蓉　程莉莉　 (74)专利代理 机构 哈尔滨市文 洋专利代理事务 所(普通合伙) 23210 专利代理师 解莹明 (51)Int.Cl. G06V 20/56(2022.01) G06V 10/26(2022.01) G06V 10/30(2022.01) G06V 10/36(2022.01)G06V 10/44(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) G06T 5/00(2006.01) G06N 3/00(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种苗圃巡检智能车的路径识别与规划方 法 (57)摘要 本发明提供一种苗圃巡检智能车的路径识 别与规划方法， 包括： 采用摄像头采集智能车巡 检范围内的苗圃图像数据信息； 计算所述苗圃图 像信息的灰度值， 优化进行灰度处理后的苗圃图 像数据信息； 采用Sobel算子对优化边缘后的苗 圃图像进行图像边缘增强； 识别出苗圃道路环 境， 识别背景、 行驶道路、 苗木和杂物， 得到苗圃 苗木所在位置的二维平面图像坐标， 将其转化为 巡检智能车所在三维坐标系下的三维坐标后， 采 用蒙特卡洛粒子优化算法， 规划巡检智能车的行 走路径。 本发明通过传感器采集数据、 Deep   Learning深度学习进行图像处理实时识别相 关 路径， 并进行路径规划， 并通过云端进行智 能决 策， 实现苗圃的智慧管理， 有利于苗木更好地生 长。 权利要求书4页 说明书12页 附图4页 CN 115497067 A 2022.12.20 CN 115497067 A 1.一种苗圃巡检智能车的路径 识别与规划方法， 其特 征在于， 包括以下步骤： S1： 采用摄 像头采集智能车巡检范围内的苗圃图像数据信息； S2： 对采集到的所述苗圃图像信息进行预处理， 计算所述苗圃图像信息的灰度值， 并采 用边缘保持最优化滤波算法， 优化进行 灰度处理后的苗圃图像数据信息； S3： 采用Sobel 算子对所述S2步骤 优化边缘后的苗圃图像进行图像边 缘增强； S4： 对所述S3步骤图像边缘增强后的苗圃图像数据信息， 采用深度卷积神经网络的 yolov3算法识别出苗圃道路环 境的背景、 行驶道路、 苗木和杂物， 得到苗圃苗木所在位置的 二维平面图像坐标， 将其转化为所述巡检智能车所在三维坐标系 下的三维坐标后， 采用蒙 特卡洛粒子优化 算法， 规划所述巡检智能车的行 走路径。 2.根据权利要求1所述的一种苗圃巡检智能车的路径识别与规划方法， 其特征在于， 所 述S2步骤中计算所述 苗圃图像信息的灰度值的计算公式如下： 其中， GARY(i， j)表示所述苗圃 图像信息中像素(i， j)的灰度值， R(i， j)表示像素(i， j) 在RGB颜色通道中红基色的值， B(i， j)表示像素在 RGB颜色通道中蓝基色的值， G(i， j)表示 像素在RGB颜色通道中绿基色的值。 3.根据权利要求1所述的一种苗圃巡检智能车的路径识别与规划方法， 其特征在于， 所 述S2步骤中采用边缘保持最优化滤波算法， 优化进行灰度 处理后的苗圃图像数据信息， 包 括以下步骤： S21： 采用所述S2步骤计算所述苗圃图像信息灰度 值GARY(i， j)统一替换所述S1步骤采 集到的苗圃图像数据信 息中RGB颜色通道RGB(R(i， j)， G(i， j)， B(i， j))中红基色的值R(i， j)、 绿基色的值G(i， j)和蓝基色的值B(i， j)， 得到新的灰度图图像数据RGB(GARY(i， j)， GARY(i， j)， GARY(i， j) )； S22： 构建所述S21步骤中的所述灰度图图像中第i个图像 数据向量xi的高斯噪声向量观 测模型： i＝0， 1， 2， ...， N； 其中， vi表示第i个图像的无噪声小波系 数， 并且ni代表 第i个图像得独立且均匀分布的i.i.d高斯噪声； S23： 构建小波域中的无噪声数据向量V， 并计算对应于小波域中的无噪声数据的有噪 声输出向量 与输入的灰度图 图像中的图像数据向量X之间的最小均方误差fMSE： V＝[v0， v1， ...， vN‑1]T， X＝[x0， x1， ...， xN‑1]T， 其中， N是子带的大小， vi是无噪声图像的小 波系数， 是有噪声图像的阈值小 波系数； S24： 构建绝对偏差的噪声标准偏差σ 计算模型， 根据计算得到的绝对偏差的噪声标准 偏差构建所述灰度图 图像中的图像数据去噪阈值thr( σ )的计算模型： S25： 判断所述S23步骤中计算得到的所述最小均方误差fMSE与所述S24步骤构 建的所述 灰度图图像中的图像数据去噪阈值thr(σ )之间的关系， 进而输出所述灰度图图像中的第i 个图像数据向量xi的滤波去噪值 权　利　要　求　书 1/4 页 2 CN 115497067 A 2S26： 由N‑1个输出的所述灰度图图像中的图像数据xi的滤波去噪值 构成优化后的灰 度处理后的苗圃图像数据信息 。 4.根据权利要求3所述的一种苗圃巡检智能车的路径识别与规划方法， 其特征在于， 所 述S24步骤构建的绝对偏差的噪声标准偏差σ 计算模型如下： 其中， 为计算所述有噪声输出向量 的中值。 5.根据权利要求1所述的一种苗圃巡检智能车的路径识别与规划方法， 其特征在于， 所 述S3步骤中采用Sob el算子对所述S2步骤优化边缘后的苗圃图像进行图像边缘增强， 包括 以下步骤： S31： 构建所述灰度图 图像像素邻域像素计算水平卷积核模型Gx和垂直卷积核Gy模型： Gx＝[f(i+1， j ‑1)+2f(i+1， j)+f(i+1， j+1)] ‑[f(i‑1， j‑1)+2f(i‑1， j)+f(i+1， j+1)]； Gy＝[f(i‑1， j‑1)+2f(i， j+1)+f(i+1， j+1)] ‑[f(i‑1， j‑1)+2f(i‑1， j)+f(i+1， j ‑1)]； S32： 将所述S31步骤构建的所述水平卷积核模型Gx和所述垂直卷积核Gy模型均转换为 与所述S2 步骤优化后的灰度处理后的苗圃图像数据信息形成的矩阵A进 行卷积计算的水平 梯度矩阵形式和垂 直梯度矩阵形式， 得到所述S2 步骤优化后的灰度处理后的苗圃图像数据 在像素(i， j)处的水平梯度Gx和垂直梯度Gy： S33： 根据所述S32步骤计算得到的优化后的灰度处理后的苗圃图像数据在像素(i， j) 处的水平梯度Gx和垂直梯度Gy， 计算所述S32步骤 计算得到的优化后的灰度处理后的苗圃图 像数据在像素(i， j)处的实际梯度Gg： S34： 判断所述S33步骤计算得到的所述实际梯度Gg是否大于边缘点认定阈值Gthr， 若大 于， 则判定所述像素(i， j)为边缘点； 否则剔除该像素， 并重复所述S31 ‑S33步骤， 以完成对 所述S2步骤 优化后的灰度处 理后的苗圃图像数据的图像边 缘增强。 6.根据权利要求5所述的一种苗圃巡检智能车的路径识别与规划方法， 其特征在于， 所 述S34步骤中的边 缘点认定阈值Gthr的计算公式如下： Gthr＝0.65∑i∑jGg。 7.根据权利要求1所述的一种苗圃巡检智能车的路径识别与规划方法， 其特征在于， 所 述S4步骤中采用蒙特卡洛粒子优化 算法， 规划巡检智能车的行 走路线， 包括以下步骤：权　利　要　求　书 2/4 页 3 CN 115497067 A 3