非结构化农业场景的条件随机场感知模型研究

The Perception of unstructured agricultural scenes is the chief scientific problem the agricultural robots must confront. However, the existing scene perception systems of robots analyze and recognize the scene content only based on external features. As a result, they are not adapted for the requirement of dynamic perception of unstructured agricultural scenes. This project is going to search a new model and corresponding technique: the perception model of agricultural scene based on conditional random fields. First, We plan to deeply study the external features and various contexts of agricultural scenes, which reveals the statistical regularity and prior knowledge of scene images; Second, we continue to integrate both the external features and the contexts in the conditonal random fields; Third, we plan to offer both the theory and solution for the robust perception of agricultural scenes.

非结构化农业场景的感知问题是农业机器人走向应用迫切需要解决的首要科学问题，而现有的农业机器人场景感知系统普遍仅依据颜色等外在特征识别场景对象，难以适应非结构化农业场景的动态识别要求。本项目将探索一种新的理论模型和技术手段：基于条件随机场的农业场景感知模型。通过对农业场景外在特征信息和多种上下文信息的深入研究，揭示农业场景图像内蕴的统计规律和人类先验知识，并在模型中进行整合，为农业机器人实现农业场景的鲁棒感知提供理论基础和工程化方案。

非结构化农业场景的感知问题是农业机器人走向应用迫切需要解决的首要科学问题，而现有的农业机器人场景感知系统普遍仅依据颜色等外在特征识别场景对象，难以适应非结构化农业场景的动态识别要求。.本项目探索一种新的理论模型和技术手段：基于条件随机场的农业场景感知模型。该模型通过对农业场景外在特征信息和多种上下文信息的深入研究，揭示农业场景图像内蕴的统计规律和人类先验知识，并在模型中进行整合，从而提升感知模型的精度。.不同环境下的多组离线分类实验证明：与其他仅基于场景特征的方法相比，CRF方法的分类精度（地形推理精度平均提升6%左右）、鲁棒性和对环境条件的自适应能力均有大幅提升。同时我们设计的野外自主导航试验表明：整合CRF感知模型的机器人系统相对于只基于传统局部感知模型的系统，在我们设定的导航试验过程中能节省平均9.16%的运行时间。.项目结果为农业机器人实现大尺度农业场景的鲁棒感知提供了理论基础和工程化方案，同时这个结果也是模式识别理论在农业工程领域的应用拓展。