基于改进Hough变换的农田作物行快速检测算法

选取苗期农田作为研究对象,采集了包含行栽作物和土壤背景的农田图像,针对现有作物行定位方法易受外界干扰和处理速度较慢的不足,提出将投影法和直接Hough变换法相结合检测作物行的算法.采用2G-R-B 法和OTSU法将图像二值化,通过快速中值滤波算法去除噪声,再利用垂直直方图投影将图像进行水平条划分获取作物垄平均定位点,最后通过Hough变换检测垄定位点,得到作物行中心线.试验结果表明:基于垂直直方图投影的Hough变换检测作物行中心线的算法在保证高定位精度的同时,算法处理速度比直接Hough变换检测法提高了3倍,得到的定位基准线能代表作物行走向.     

基于最小相切圆和形态学相结合的作物行检测算法

机器视觉的农业导航路径规划是精准施药的关键,而作物行提取是其准确识别作物行路径的基础。为此,以玉米为研究对象,提出了一种基于最小相切圆原理和形态学相结合的作物行检测算法。首先在室外田间环境下采集生长早中期的玉米作物行图像,选择作物行比较规整的图像进行处理;其次,利用改进的超绿灰度化(1.8R-G-B)算法对玉米作物行图像进行灰度化处理,大大减少了噪声的干扰,通过中值滤波基本消除了噪声;然后,运用Otsu阈值算法获取了玉米作物行的二值图像。由于作物行呈线型,在此基础上,采用5×1像素的线型结构元素和3×3像素的方形结构元素两者相结合的方法对二值图像进行腐蚀、膨胀运算,并采用提出的最小相切圆与形态学结合的方法提取中央玉米作物行的骨架并进行中央作物行直线的拟合。实验表明:该算法能提供准确的位置信息,且对作物行边缘噪声具有较强的抗干扰能力,对进一步研究精准施药提供了参考依据。     

基于Hough变换的农业机械视觉导航基准线识别

提出了一种基于机器视觉技术识别农业车辆导航基准线的方法。该方法从农田环境的特点出发,主要用超绿特征灰度化方法对彩色农田图像灰度化,分割作物行和土壤背景。对灰度图像进行闭运算操作,缩小或消除作物行和背景中的孔洞。对灰度图像做垂直投影直方图,根据波峰位置初步确定导航作物行的基准线位置。将灰度图像分成若干个水平条,对每个水平条用垂直投影法找出导航定位点,并根据定位点的位置设置感兴趣区域。在感兴趣区域内,采用Hough变换对导航定位点拟合出导航基准线。通过与最小二乘拟合方法的对比可知,该算法精度较高,能够满足农业机械农田作业的要求。     

果园视觉导航基准线生成算法

针对果园导航环境的复杂性,提出了一种基于图像处理的果园导航基准线生成算法。采用二维Otsu算法获取最优分割阈值,对色差R-B分量图进行二值化处理;根据水平投影曲线的一阶导数变化规律,提取树的主干区域(ROI);根据区域中邻近像素灰度值的变化规律,提取主干与地面的交点作为特征点;根据点的分布特性对其进行归类,并利用最小二乘法拟合左右边界线,提取边界线上各行中心点生成果园导航基准线。在不同场景中的实验结果表明,该算法对噪声的干扰有较强的鲁棒性,使导航基准线的生成准确率高于90.7%;处理一幅640×480像素的图像平均耗时小于119 ms,具有较好的实时性。     

利用最大圆盘提取作物行骨架的改进算法

作物行骨架线提取的精准度是农业机械自动导航的关键,针对传统作物行骨架线提取算法存在的连通性差、无法保持单一像素以及存在冗余像素等问题,提出一种利用最大圆盘提取作物行骨架的改进算法。首先采用预处理操作对作物行图像进行二值化处理,然后对二值作物行图像进行细化,在细化过程中通过引入欧氏距离寻找其中点的方法保持骨架的连通性,同时采用追踪扫描的方法有效地对冗余像素进行剔除,提高骨架的拓扑结构能力。实验结果表明,该方法对成行作物具有很好的适应性,且提取的骨架线更准确,与传统的算法相比,采用本文算法提取的骨架拟合后的导航线误差相对较小,能满足实际应用需求。     

基于机器视觉的玉米根茎导航基准线提取方法

提出一种在大田环境下快速、精确提取中晚期玉米行中心线作为农业机器人导航基准线的新方法。改进了传统的2G-R-B算法,实时地获取植株绿色特征。根据玉米垂直投影图生成根茎轮廓特点并采用峰值点检测算法生成玉米根茎候补定位点,再对候补定位点进行二次判别,提取玉米根茎定位点。利用最小二乘法对已知特征点进行拟合,得到作物行线。求取左右行斜率后,计算出实际需要的导航基准线。实验结果表明,与其它算法相比,处理一幅700像素×350像素的彩色图像平均耗时小于185 ms,实时性好。在多种环境下生成的导航基准线准确率在90%以上,有较强的鲁棒性,为农业自动导引车(Automated guided vehicle,AGV)在中后期玉米大田中的自主行走提供了一种可靠的导航方法。     

一种快速剔除伪分枝的作物行骨架提取算法

作物行骨架线的提取是机器视觉导航的基础,准确提取作物行骨架也是精准施药系统中一个至关重要的研究方向。为了克服传统骨架提取算法中的背景单一、存在较多的冗余分支及不连续等缺点,以农田作物行为研究对象,提出一种形态学细化和伪分支剔除相结合的实用型骨架提取算法。首先对采集到的作物行原图像通过灰度、滤波、阈值分割操作使其转化为二值图像;然后将二值化后的作物行图像先细化为单像素宽度的骨架线,再采用端点追踪法追踪伪分支骨架,而后剔除追踪的毛刺或无关枝杈,保证了骨架的单一性和圆滑性,提高了作物行检测的精度。通过与拓扑细化法和最大圆盘骨架提取算法比较,本文算法不但在去除冗余骨架的同时能保持自身良好的拓扑性和稳定性,而且能去除多余的毛刺状分支,同时表明该算法具有较强的稳定性和抗干扰能力。     

农田视觉导航基准线的识别与提取方法研究

提出了一种基于农田图像处理的视觉导航基准线的提取方法。该方法首先使用加权平均法(2G-RB)对原图像进行灰度化处理;采用改进最大化类间方差分割灰度图像;再用小面积法去噪;识别去噪后的图像的中心点,确定导航中心点位置。基于中心点的分布规律,将图像中识别出的中心点进行筛选,得到有效的导航基准中心点,使用改进霍夫变换与最小二乘法相结合的方法提取导航基准线。本文方法能够准确地识别和提取导航基准线,实验证明了该方法的有效性和实时性。     

基于改进K均值特征点聚类算法的作物行检测

精准施药是现代精准农业发展不可或缺的一部分,而准确地提取作物行是进行精准施药的关键环节。为此,以苗期的玉米为研究对象,提出一种基于改进K均值特征点聚类算法的作物行检测方法。该方法根据距离函数最值关系求出最佳聚类数目,再依据点密度大小和邻域半径确定初始聚类中心,减少了迭代次数,提高了算法的执行效率和划分效果。首先,采用改进的超绿法(1.27G-R-B)进行灰度化和Otsu方法进行二值化,得到作物行的二值图像;然后,利用左右边缘中间线算法提取作物行特征点;最后,采用改进K均值算法和最小二乘法对作物行中心线特征点进行聚类和直线拟合。试验数据表明:提出的改进K均值特征点聚类算法识别效果好,精确度高,可为精准施药提供理论依据。     

自然光照下基于粒子群算法的农业机械导航路径识别

针对农业机械视觉导航线提取易受光照变化影响及常规导航线识别算法实时性低、抗干扰能力差等问题,对自然光照条件下基于机器视觉的农业机械导航路径识别技术进行了研究。首先,在YCr Cb颜色模型的基础上构建与光照无关的Cg分量,选择2Cg-Cr-Cb特征因子对图像进行灰度化处理,以降低光照变化对图像分割的影响;然后,采用改进K-means聚类方法进行图像分割,将绿色作物信息从土壤背景中分离出来,并通过形态学滤波方法滤除二值图像中存在的杂草干扰信息;最后,根据图像中作物行的特点建立作物行直线方程约束模型,利用粒子群算法对作物行直线进行寻优求解,进而得到导航线。实验结果表明,不同光照条件下对2Cg-Cr-Cb灰度图像进行图像分割,可以清晰完整地将作物从土壤背景中分离出来,分割图像受光照变化影响较小并且不会引入背景噪声;基于粒子群算法的导航线检测方法可以快速准确地提取出导航路径,对于不同农田作物和作物不同生长阶段具有较高的适应性,相比于常规导航线识别算法具有实时性高、鲁棒性好等优点。     

基于DSP和MCU的农机具视觉导航终端设计

农机具导航可以提高作业的精度和适应性。针对当前导航终端多基于工控机开发,成本相对较高,不利于在农业生产中大规模推广等问题,设计了一种基于DSP和MCU的农机具视觉导航终端,用于玉米中耕锄草自动导航作业。其中,DSP作为核心处理器,负责农作物的图像采集、作物行检测和导航线提取;MCU负责作业流程的管理、GNSS位置信息的接收、存储和转发以及向执行单元发送控制指令等。针对导航终端中所涉及的串口、网络以及CAN总线之间的通信问题,制定了相应的协议规范;按照系统集成优化设计方法,构建了农机具视觉导航终端系统,保证了系统运行稳定性;对图像进行预处理后,采用基于边缘检测和扫描滤波的导航线检测算法提高了农机具导航线检测的精度和处理效率;针对农田玉米中耕锄草试验,设计了导航线算法适应性试验、偏移量测试试验和系统对比试验。结果表明：系统能够较好地适应有杂草和株数稀疏等农田环境下的测试工作;对偏移量检测的平均误差为1.29 cm,最大误差为4.1 cm;对比PC端和ARM端的导航算法运行速度,系统具有较好的实用性和经济可行性。     

基于相机与激光雷达融合的温室机器人行间导航方法

针对温室颠簸不平、枝叶遮挡道路的复杂环境,开展基于相机与激光雷达数据融合的机器人行间导航方法研究。首先,利用改进的U-Net模型实现图像道路区域的准确快速分割;其次,通过融合图像分割结果进行地面点云预分割,减少地面起伏造成的点云倾斜;然后,采用改进的KMeans算法实现作物行点云快速聚类,并将聚类中心作为作物行主干区域点,降低枝叶遮挡对作物行中线提取的影响;最后,采用RANSAC算法拟合两侧作物行方程并计算出导航线。通过实验评估导航线精度,在测试集中94%以上数据帧可以准确实现提取导航线,平均角度误差不高于1.45°,满足温室机器人沿作物行自主导航行驶要求。     

基于改进遗传算法的农机具视觉导航线检测

针对机器视觉导航系统现有导航线提取算法检测速度慢、抗干扰性差等不足,提出一种基于改进遗传算法(IGA)的导航线检测方法。图像中作物行走向近似为一条直线,从图像顶边和底边分别随机选一个点进行染色体编码,通过遗传进化选择适应度最高的个体作为作物行直线编码,进而得到导航线。改进遗传算法采用概率保留法和最优保存策略相结合的方法作为选择算子,提高了算法的搜索效率和精度;通过自适应调整交叉概率和变异概率,提高了算法的收敛速度和全局搜索能力。动态导航跟踪试验表明,改进的遗传算法与标准霍夫变换、标准遗传算法(GA)在导航线提取性能上相比,具有抗干扰性强、检测速度快等优点。当导航速度为0.6m/s时,横向偏差最大值不超过76 mm,平均值小于33.1 mm,较好地满足了导航作业要求。     

基于分区域特征点聚类的秧苗行中心线提取

为了准确检测水稻秧苗行中心线,提出了基于分区域特征点聚类的秧苗行中心线提取方法。采用2G-R-B特征因子和Otsu法分割秧苗和背景;通过分区域统计秧苗像素点分布提取秧苗行的候选特征点,利用特征点间近邻关系对特征点进行聚类,确定秧苗行数和各秧苗行的起始点;基于秧苗成行栽植特点引入“趋势线”,利用点到该直线的距离与距离阈值作比较,筛选出远离各行趋势线的点,并将其去除;对筛选后的每一行特征点用最小二乘法进行直线拟合,获取秧苗行中心线。实验结果表明,该算法具有较强的抗噪性能,提取秧苗行中心线的准确率达95.6%,与标准Hough变换和随机Hough变换算法相比,处理一幅分辨率为320像素×237像素的彩色图像平均耗时短,能够实现水田秧苗行中心线的准确提取,可为插秧机自主行走提供可靠的导航信息。     

棉花铺膜播种机导航路线图像检测方法

研究了棉花铺膜播种机田间作业时导航路线和田端的图像检测算法。针对自然环境下的棉花播种作业图像,采用Daubechies小波变换对处理区域进行平滑滤波;针对第1帧图像,寻找图像处理区域的垂直累计直方图的波谷,以此为基础,通过寻找局部窗口累计直方图波谷的方法,从图像底端逐行向上寻找各行候补点;对于非第1帧图像,采用当前帧与前帧导航路线相关联的方法分段寻找候补点群;最后基于过已知点Hough变换拟合出导航路线。实验证明,采用的算法可以快速、准确地检测出棉花铺膜播种作业时的导航路线及棉田田端,平均每帧图像处理时间为72.02 ms,满足铺膜播种机实际播种作业的需求。     

基于特征工程的大田作物行中心线识别方法

针对大田作物行特征复杂多样,传统作物行识别方法鲁棒性不足、参数调节困难等问题,该研究提出一种基于特征工程的大田作物行识别方法。以苗期棉花作物行冠层为识别对象,分析作物行冠层特点,以RGB图像和深度图像为数据来源,建立作物行冠层特征表达模型。运用特征降维方法提取作物行冠层的关键特征参数,降低运算量。基于支持向量机技术建立作物行冠层特征分割模型,提取作物行特征点。结合随机抽样一致算法和主成分分析技术建立作物行中心线检测方法。以包含不同光照、杂草、相机位姿的棉花作物行图像为测试数据,运用线性核、径向基核和多项式核的支持向量机分类器开展作物行冠层分割试验;对比分析典型Hough变换、最小二乘法和所建作物行中心线检测方法的性能。结果表明,径向基核分类器的分割精度和鲁棒性最优;所建作物行中心线检测方法的精度和速度最优,航向角偏差平均值为0.80°、标准差为0.73°;横向位置偏差平均值为0.90像素,标准差为0.76像素;中心线拟合时间平均值为55.74ms/f,标准差为4.31ms/f。研究成果可提高作物行识别模型的适应性,减少参数调节工作量,为导航系统提供准确的导航参数。     

基于辅助线的农机视觉导航路径提取算法研究

针对不同场景下的农机视觉导航路径提取方法适用性、抗干扰性差的问题,提出一种基于辅助线的农机视觉导航路径提取算法。首先,对均衡化处理后的农田图像采用1.8G-R-0.8B颜色模型进行灰度化,得到目标与背景区分明显的图像;其次,使用OTSU法阈值分割,对二值图像进行先开后闭运算的形态学处理方法去除图像噪声;最后,根据垂直投影法进行相应的辅助线处理,并结合改进的ROI方法提取感兴趣区域,确定导航定位点,进而最小二乘法将定位点拟合得到导航路径。仿真试验结果及对比表明：本文算法提取路径的欧式距离为1 001.9,路径提取精度相对于传统Hough方法提高47.9%,且对高分辨率图像提取时间缩短79.6%,满足农机具导航路径提取的要求的同时且具有更高的普适性。     

水稻收获作业视觉导航路径提取方法

针对水稻收获视觉导航中的路径规划问题,提出一种水稻收获作业视觉导航路径提取方法。通过相机标定获取畸变参数矫正原始图像,并进行高斯滤波,采用基于2R-G-B超红特征模型的综合阈值法进行图像二值化分割,并对二值图像进行形态学的开-闭运算,抑制噪声干扰,根据图像灰度垂直投影值动态设定感兴趣区域,水平扫描获取作物线拟合关键点,最后采用多段三次B样条曲线拟合法提取水稻待收获区域边界线。室内试验表明,采用本文所提出的图像处理方法提取的图像中距离信息平均误差为9. 9 mm、偏差率为2. 0%,角度信息平均误差为0. 77°、误差率2. 7%。在顺光、逆光、强光、弱光4种光线环境下,对中粳798和临稻20两种作物进行了收获路径提取田间试验,以像素误差、距离误差、相对误差和标准差为评价指标,对比了不同光线下的路径提取结果,试验结果表明,对于中粳798的收获图像,4种光线环境下15个关键点的平均像素误差为28. 7像素,平均距离误差39. 7 mm,平均相对误差2. 7%;强光环境平均像素误差最小,为26. 2像素;弱光环境平均距离误差最小,为23. 9 mm;强光环境平均相对误差最小,为2. 0%;顺光环境稳定性最好,标准差为6. 8像素。对于临稻20的收获图像,4种光线环境下15个关键点的平均像素误差36. 5像素,平均距离误差45. 0 mm,平均相对误差2. 8%,在逆光环境下的平均像素误差、平均距离误差和平均相对误差均最小,分别为29. 5像素、36. 9 mm和2. 3%,稳定性也最好,标准差为10. 8像素。单帧图像平均处理时间38 ms。本研究可为田间作物线检测和收获作业的自动导航提供参考。