自动导航技术是实现农业机械智能化的重要保障,它的应用能有效的提高整体作业过程中的精度和效率。针对水田农机自动导航问题,本研究以插秧机为研究对象,采用GPS/北斗-RTK系统、惯性导航传感器融合定位技术,设计了路径跟踪组合控制算法、分段地头转弯策略,研发了一套多种技术融合的自动导航系统,并通过Simulink和实地实验分析了系统的导航精度;然后提出了基于无人机遥感、卫星遥感、地理信息系统、图像处理技术相结合的导航用地图建立及固定障碍物标识的方法,并在全面分析对比了多种常用的算法后,分别确定了适用于云端和移动端农田障碍物检测平台的深度学习模型,为导航系统路径规划功能和避障功能的开发奠定了基础。主要研究结论详述如下:(1)本研究搭建了一套多种技术融合的自动导航系统。系统采用GPS/北斗-RTK系统与惯性导航传感器融合的定位技术,基于路径跟踪组合控制算法和分段地头转弯策略,由方向盘、显示器、控制器、RTK卫星定位系统、前轮转角角度传感器、惯性导航传感器及视觉传感器组成,各子系统间通过CAN总线技术进行数据传输。其中显示器主要实现数据显示与人机交互功能;嵌入式导航控制器作为导航系统的控制中枢;RTK卫星定位系统选用C94-M8P模块,利用GPS/北斗卫星数据完成插秧机行驶过程中实时位置信息的获取;惯性导航传感器完成插秧机实时姿态信息的获取;电动方向盘实现前轮转动的控制;视觉传感器由相机和镜头组成,实现农机前进路线上作物行或障碍物图片的获取。(2)本研究通过计算机模拟确定了路径跟踪控制器的参数,并通过实地实验分析了自动导航系统的导航精度。首先针对C94-M8P模块利用GPS/北斗-RTK系统卫星信息定位的静态和动态精度问题,进行了移动站的测距实验、直线运动实验和圆周运动实验,结果显示,其移动站定位精度在2cm左右;其次通过Matlab/Simulink完成了用于路径跟踪的PID-模糊控制器的设计与参数整定,其中PID控制器的输入合成误差的横向偏差与航向偏差的折算因子分别为10和1,比例系数、积分系数和微分系数分别取0.8、16、0.4,模糊控制器根据专家经验定义了模糊规则并生成了模糊控制表,组合控制器的模糊量化参数为0.25、PID量化参数为0.75,用组合控制器对路径跟踪过程进行模拟的结果显示,最大误差为5.26cm,平均跟踪误差为1.36cm,直线度精度为2.34cm;然后针对插秧机转弯半径大于作物行间距时的地头转弯问题,设计了分段转弯方式;最后在沥青路面和水田环境下进行实地实验,结果显示,平均跟踪误差分别为2.85cm和6.11cm,直线度精度分别为3.51cm和9.32cm,基本满足插秧机实地工作的精度要求。(3)本研究利用无人机与卫星遥感技术获取实验地块信息,并确定了可用于障碍物检测的无人机遥感图像最低分辨率。首先以障碍物的边界为研究对象将WV3卫星提供的31cm全色分辨率、1.24m多光谱分辨率图像与无人机遥感图像进行比较分析,结果显示,通过高分辨率的卫星遥感图像提取的障碍物边界长度与通过实际测量得到的结果偏差平均值为17.3cm,远大于无人机遥感的3.4cm;接着,通过八旋翼无人机搭载索尼A7RII相机获取校区内西区农田的RGB图像,并利用ArcGIS软件完成坐标配准和障碍物边界提取,其中八个标志点配准图上换算得到的地理坐标与实际经纬度转换的地理坐标在X方向和Y方向上的平均偏差分别为4.6cm和5.7cm;然后,设计算法实现了坐标的自动配准和障碍物边界的自动提取过程,其中八个标志点配准图上换算得到的地理坐标与实际经纬度转换的地理坐标在在X方向和Y方向上的平均偏差分别为9.2cm和12.0cm,自动提取和ArcGIS提取的七个障碍物角点坐标在X和Y方向上的平均偏差分别为2.9cm和5.4cm,上述的自动化算法可以用于后续研究中导航用基础信息采集系统的建立;最后对图像压缩后再进行基于相关系数模板匹配的障碍物边界提取,当像素压缩到735×2174(图像分辨率达到6cm)时,六个障碍物的边界点I在X、Y方向上的平均偏差分别为0.87与0.95cm,整个检测过程仅需3s,该结果可以为无人机遥感图像分辨率的选择提供理论依据。(4)本研究利用深度学习算法完成对农田中不同姿态的人的判断和识别,并分别确定了一种适用于移动端和云端障碍物检测平台的模型。为移动端和云端障碍物检测系统各选择了三种基于卷积神经网络的目标检测模型,通过Tensorflow在云平台上完成上述模型的训练后在手机app上完成对测试集样本中农田环境下人的检测;首先,得到每个模型的总体检测精度、平均检测时间和最大检测时间;其次,通过计算每个模型检测结果的归一化指数并通过公式转换为最终得分并进行比较,选择MobilenetSSD、Mobilenet-PPN移动端模型和Mask R-CNN+Inception云端平台模型进行进一步分析;然后,再将模型的检测距离作为标准分析上述三种模型的性能,在距离梯度样本集上进行检测,结果显示,对于应用于移动平台的模型Mobilenet-SSD与模型Mobilenet-PPN,随着离拍摄设备的距离增加,模型Mobilenet-SSD的检测精度下降的较慢,而对于云端平台选择的模型Mask R-CNN+Inceptio一直到9m的距离梯度时仍保持在93.1%的检测精度;最后得出结论,选择模型Mobilenet-SSD和Mask RCNN+Inception分别作为移动端和云端障碍物检测平台的深度学习卷积神经网络模型。