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。     

基于机器视觉和随机方法的作物行提取算法

根据农田作物图像特点,采用基于垂直投影的窗口移动方法,得到代表作物行的定位点,提出了基于机器视觉和随机方法的作物行提取算法.该算法从定位点中随机选取2个不同点,决定一条候选直线,再根据阈值规则,进一步判断候选直线的真实性.实验结果表明,该算法可以提取不同作物的作物行,处理一幅640×480像素的彩色图像平均需要220 ms,正确识别率达98%.     

基于最小二乘法的早期作物行中心线检测方法

提出了一种基于最小二乘法的早期作物行中心线检测算法.利用G-R颜色特征因子分割作物与背景.根据作物与杂草的长度属性去除部分杂草噪声,应用垂直投影法动态检测作物行数,并提取作物行中点为特征点,获得特征点图像.利用特征点间的邻近关系对特征点进行分类,对归类后的特征点进行两次最小二乘法拟合,得到作物行中心线.对于有作物缺失的作物行,采用统计条形区域内特征点数量的方法判别检测结果的可信度.实验结果表明,算法能克服杂草和作物缺失的影响,实时地提取小麦、玉米和大豆作物行,平均每幅图像处理时间小于150 ms.     

基于最小二乘法的早期作物行中心线检测方法

提出了一种基于最小二乘法的早期作物行中心线检测算法。利用G-R颜色特征因子分割作物与背景。根据作物与杂草的长度属性去除部分杂草噪声,应用垂直投影法动态检测作物行数,并提取作物行中点为特征点,获得特征点图像。利用特征点间的邻近关系对特征点进行分类,对归类后的特征点进行两次最小二乘法拟合,得到作物行中心线。对于有作物缺失的作物行,采用统计条形区域内特征点数量的方法判别检测结果的可信度。实验结果表明,算法能克服杂草和作物缺失的影响,实时地提取小麦、玉米和大豆作物行,平均每幅图像处理时间小于     

基于RANSAC算法的植保机器人导航路径检测

为可靠地检测垄行,实现植保机器人精准自主导航,提出一种基于RANSAC算法的视觉导航路径检测方法。首先采用超绿灰度化法和最大类间方差法进行图像分割;继而结合形态学操作与动态面积阈值滤波算法滤除干扰;最后在垄行的边缘中,根据均值法计算特征点,采用RANSAC算法剔除离群点后由最小二乘法直线拟合,以提高导航路径的检测精度。实验结果表明,与Hough变换相比,本文的垄行中心线检测方法具有更好的检测性能,导航路径的检测率可达93.8％。     

基于RANSAC算法的植保机器人导航路径检测

为实现植保机器人精准自主导航和提高路径检测的精度、可靠性,提出一种基于RANSAC算法的视觉导航路径检测方法。首先,采用超绿灰度化法和最大类间方差法进行图像分割;继而结合形态学操作与动态面积阈值滤波算法滤除干扰;最后,在垄行的边缘中,根据均值法提取特征点,采用RANSAC算法剔除离群点后由最小二乘法进行直线拟合,以提高导航路径的检测精度。实验表明,与Hough变换相比,本文垄行中心线检测方法具有更高的检测精度,导航路径的检测率可达93.8%,比未使用RANSAC算法提高了18.8个百分点。     

基于模式识别的农田目标定位线检测

根据农田图像的特点,采用K-means模式识别算法,实现农作物与背景的分离.通过对二值图像进行水平扫描.检测定位区域和定位点,利用定位点的坐标信息确定聚类判别函数,实现农田目标定位线的检测.多幅农田图像实验表明,定位线能够正确提取出来.该算法处理640×480像素的彩色图像蒂要0,12 s,在自动导航系统中是一种有效、快速的图像处理算法.     

除草机器人田间机器视觉导航

建立了除草机器人模型,利用VC 开发了基于机器视觉的除草机器人杂草识别和导航系统应用软件,引导除草机器人沿农作物行自动行走.提出新的图像分割算法,在RGB空间直接将农作物分割出来,再利用优化的Hough变换检测出农作物行中心线,根据摄像头姿态和透视变换原理确定除草机器人位姿.试验表明,分割一幅真彩色图像(分辨率:1 536×1 152)只需450 ms,并能够适应自然光线变化.优化的Hough变换算法使运算时间减少了1/2,导航距和导航角平均误差分别为-0.6 mm和0°,证明了此导航方案的可行性.     

基于边缘检测与扫描滤波的农机导航基准线提取方法

为了实时、准确地提取作物行基准线,提出了一种将边缘检测和扫描滤波(Boundary detection and scan filter, BDSF)相结合的基准线提取方法。首先对RGB颜色空间采用G-R颜色特征因子进行图像灰度化,再采用最大类间方差法（OSTU）对灰度图像进行分割,得到二值化图像,获取较好的作物信息。然后分别对图像的底端和顶端部分进行垂直投影,获取作物行的位置,形成一个包含作物行直线的条形框;在这个条形框内,再用等面积的小条形框对图像进行扫描并统计有效点的个数。最后根据扫描的结果来提取导航线。试验结果表明,对比Hough算法和最小二乘法(Least square method, LSM),BDSF算法处理一幅分辨率为640像素×480像素的图像,平均耗时为67ms,与LSM算法耗时相当,精度接近Hough算法;并且在杂草和株数稀缺情况下具有良好的适应性,能够快速准确地提取作物行基准线。     

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。     

利用位置特征法分离作物和行间杂草的研究

以化学防除适期豆田杂草为研究对象,根据条播作物豆田作物行的间距相对固定的位置特征,利用像素直方图法确定作物行的中心行宽并识别行间杂草.通过对几种填充作物行区域的算法进行了大量的研究,得出使用改进的扫描线填充算法分割杂草运行速度最快,避免了重复扫描现象的发生,满足动态实时处理的要求.     

基于可见光与热红外技术的苹果树测产方法

为了实现苹果园的快速精确测产,结合可见光与热红外图像,提出了一种基于机器学习和Hough变换的苹果树测产新方法。以成熟期苹果树为研究对象,利用热成像相机同步采集可见光与热红外图像数据,通过仿射变换模型实现了可见光与热红外温度图像的配准;利用温度信息与RGB颜色波段作为4个分类特征,采用支持向量机,完成分类与后验概率的计算;采用Hough变换实现了图像中苹果的识别标注和计数;通过线性回归模型进行了苹果测产估计,并进行了交叉验证。在光照条件非均一而使苹果颜色存在差异的情况下,经过试验验证,与人工记录的测产数据相比,该文提出的新方法苹果测产的准确率达到80%以上,为果园的科学管理提供了有力的技术支持。      

基于机器视觉的麦田边界检测

针对不同时期麦田场景,提出了基于机器视觉的边界（田埂）检测算法。将摄像机安装在农田作业机械前方,在作业过程中采集麦田场景图像。根据麦田和田外区域的不同颜色及亮度特征,判断出田埂的位置以及田埂线的方向候补点群,使用过已知点的哈夫变换计算出田埂线的斜率。经过对多幅不同时期麦田图像的处理,证明本检测算法可以适应不同时期的麦田环境,并且具有速度快、抗干扰、准确性高等优点。     

复杂环境下自动导引车路径识别算法

为了快速准确提取复杂环境下的自动导引车(AGV)引导路标参数,提出一种基于先验知识的直线识别算法.根据视野和引导线结构特征将全图划分为若干子区域,确定子区域自适应阈值,利用前帧图像中的直线参数信息选择行列扫描方式,剔除干扰点并获得中线点集,然后采用带搜索角度限制和分区域非均匀采样的改进Hough变换得到直线参数,最后用交比定理对参数加以校正.试验表明本算法能在不同光照、反光、阴影下对路径进行有效识别,具有较好鲁棒性,处理分辨率为576×768的图像,每帧平均用时不超过90 ms,满足运行需要.     

温室农用机器人的路径检测

为实现温室中基于单目视觉的机器人自适应导航,运用Susan算子点检测的方法,融合Hough变换,提出了温室环境中的路径导航线的生成算法,并将标准Susan算子改造成适应与Hough变换的二值化形式.通过对温室中113幅图像进行实验检测可知,采用此方法可有效地检测机器人导航路径,且路径检测的识别率为94%,平均导航角为0.192 2°.     

葡萄套袋机器人目标识别方法

针对水平棚架栽培模式下采集的单幅葡萄果树图像,提出了结合葡萄颜色与形状特征的目标识别定位方法,获得果穗的中心线和长度特征参数。通过提取葡萄图像的|G-R|+|G-B|色差图,利用Sobel算子进行边缘提取。构建葡萄果粒轮廓的数学模型进行Hough变换,实现葡萄果粒的初步识别。结合葡萄果穗的颜色、纹理特征以及果粒分布较为集中的特点判断Hough变换检测出的圆区域是否为果粒。综合利用识别出的果粒信息找到葡萄图像的外接矩形完成目标提取。对78幅图像进行测试,正确识别出葡萄区域的图像为70幅,正确识别率约为90%。     

基于计算机视觉的成熟番茄识别研究

以番茄图像为研究对象,提出一种成熟番茄识别方法。首先,以HSI模型中的色调分量为基础进行图像分割,提取出成熟番茄目标图像;然后,再采用最大方差自动取阈值法进行分割处理,对得到的目标图像进行轮廓提取;最后,对轮廓曲线采用Hough变换的方法进行识别,以同一个轮廓圆识别的多个极值点的均值作为最终识别结果,在Hough变换之前采用最小外接矩形法进行有效区域标记,提高了Hough变换的效率。通过多幅番茄果实图像的仿真测试表明:本算法对果实遮掩度为0、小于50%、大于50%这3种情况的识别率分别为78.7%、6 8.1%、4 1.9%,平均识别率达到7 0.6%。本算法对于成熟番茄可以较好识别,尤其对于存在重叠情况的番茄,识别准确率较高。     

基于改进Hough变换的收获机器人行走目标直线检测

提出了基于改进随机Hough变换(RHT)的收获机器人行走目标直线检测算法.将摄像机安装在联合收获机的顶部,在收获过程中采集农田场景图像.根据已收获区域、未收获区域和非农田区域的不同颜色特征,利用统计分析和边缘检测,确定行走目标直线的终点位置以及直线方向上的候选点.以候选点为点集,采用改进RHT完成直线检测.与传统的RHT相比,避免了无效采样和累积问题.经过对多幅图片的处理,证明算法能够有效检测出直线参数,且处理时间在200 ms左右.