农田视觉导航技术是农业机械智能化的重要组成部分。我国南方水田中的浮萍、蓝藻、水面反射、大风、光照不均、秧苗的生长变化等因素的干扰,严重影响水田机器人自主导航的准确度和效率。为了解决这个问题,本文提出了基于YOLOv3的水田除草机器人视觉导航方法,主要研究内容如下:(1)秧苗的检测识别研究:针对复杂的水田环境下难以识别秧苗特征的问题,提出了一种基于YOLOv3深度神经网络的秧苗检测识别方法。在构建图像训练集前,为了提取对导航具有指导意义的秧苗列以及减少后续图像处理数据量,本文基于透视投影计算构建了秧苗图像的感兴趣区域(ROI)。在构建图像训练集时,提出一种秧苗列分段标注的方式提高秧苗真实标注框的准确性。在模型训练过程中,通过图像数据增强以及基于K-means的模型先验框尺寸计算,提高模型的表现能力。在结束模型训练后,进行最佳模型以及模型置信度阈值的选取。实验结果表明该检测算法的平均识别准确率为93%,平均检测速度为40.56ms,证明该方法可以满足视觉导航识别的实时性和精度要求。(2)秧苗特征提取方法研究:为了减少图像背景噪声对导航线提取的影响,提出了一种基于同列秧苗检测框区域的秧苗特征提取方法。首先对模型检测秧苗后输出的检测框进行自适应聚类。然后在秧苗特征提取的过程中,对比分析了5种常用的农田图像灰度化方法:2G-R-B、Ex G-Ex R、MEx G、NGRDI以及S分量;接着对比分析了Fast、Harris、SUSAN3种角点特征提取算法在秧苗检测框区域内的角点提取效果和计算耗时,得到SUSAN角点更适用于提取水田秧苗特征。最后运用基于已知点的Hough变换和最小二乘法进行导航直线拟合,并通过所建立的坐标系之间的空间几何关系求取导航参数。(3)实验研究:对所开发的视觉导航系统进行了实验。测量了视觉导航算法的定位误差,进行了不同行走速度下的机器人导航实验,得到其位置偏差和角度偏差的平均值与最大值。将本文算法与本课题组开发的水田视觉导航算法进行了性能对比,对比结果表明本文视觉导航算法的精度、实时性更高,对我国南方复杂水田环境的适应性和鲁棒性更好。研究和实验表明,与现有的算法相比,本文提出的算法对于复杂的水田环境下鲁棒性更好、检测速度更快、精度更高,很好地满足机器人视觉导航的实时性和精度要求。