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。     

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。     

基于机器视觉的农田机械导航线提取算法研究

随着科学技术的发展,精细农业已成为现代农业发展的主导方向。农业机械的自动导航技术是精细农业的关键技术之一,也是实施精准农业的基础。机器视觉由于其广泛实用性,已成为农田机械导航线提取的重要方法。目前,机器视觉自动导航线提取易受自然环境干扰,且在实时处理速度上有待提高。为此,研究了一种导航线提取算法,旨在简化图像处理,提高通用性。首先对CCD获取的彩色农田图像,使用改进的过绿色算法进行灰度化,得到目标区分较好的图像;然后使用改进的OTSU算法对图像进行分割,得到二值图像,再采用滤波、腐蚀、膨胀相结合的算法去除图像噪声;最后提取作物行骨架,拟合作物行直线并进行方向校正,计算相机偏差,为实时校正航向提供反馈信息。试验结果表明,该算法处理一幅图像所用时间在200ms左右,可满足农田机械实时导航的要求。     

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。     

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。     

皮棉中异性纤维骨架快速提取算法

提出了一种皮棉中异性纤维骨架提取算法。首先对图像进行距离变换,以距离图中的局部极大值点作为种子点,沿着各个方向上的脊点推进骨架,从而以脊线连接各局部极大值点。扫描骨架点集,对骨架进行细化,剔除对骨架连通性不起作用的重复点。之后,对伪骨架段进行剪枝,最终得到准确的骨架。该方法得到的骨架具有良好的单像素性和连通性,同时对于细长状以及存在断续的异性纤维能进行准确的骨架提取。实验表明,算法的运算复杂度低,能实现异性纤维骨架的快速提取。     

皮棉中异性纤维骨架快速提取算法

提出了一种皮棉中异性纤维骨架提取算法.首先对图像进行距离变换,以距离图中的局部极大值点作为种子点,沿着各个方向上的脊点推进骨架,从而以脊线连接各局部极大值点.扫描骨架点集,对骨架进行细化,剔除对骨架连通性不起作用的重复点.之后,对伪骨架段进行剪枝,最终得到准确的骨架.该方法得到的骨架具有良好的单像素性和连通性,同时对于细长状以及存在断续的异性纤维能进行准确的骨架提取.实验表明,算法的运算复杂度低,能实现异性纤维骨架的快速提取.     

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。     

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。     

基于边缘检测和区域定位的玉米根茎导航线提取方法

基于玉米根茎图像信息,提出一种基于边缘检测和区域定位的玉米根茎导航线提取方法。首先,利用最大类间方差法自动分割2G-R-B灰度图像,得到二值化图像,结合形态学处理、位置/面积去噪方法提高二值化图像质量,对去噪图像按列累加得到列像素累加曲线;针对传统方法得到的特征点中伪特征点较多的问题,引入高斯滤波器平滑累加曲线,并运用极值法减少玉米根茎伪特征点的干扰,在提取玉米茎秆边缘直线时,提出基于最远茎秆成像宽度的双侧边缘判别思路,通过扫描每条边缘直线的四边形封闭邻域有效剔除伪边缘直线;最后,根据边缘直线二次定位玉米的根茎区域范围,并剔除伪特征点,采用最小二乘线性拟合方法准确提取导航线。试验表明,本文算法处理一幅1280像素×720像素图像耗时约236ms,特征点拟合准确率为92%。与传统方法相比,本文算法精度高、实时性好,在缺苗、杂草较多和株距不标准的情况下仍具有较强的鲁棒性。     

农田非结构特征视觉导航研

研究了农田非结构环境下,通过机器视觉提取导航线的处理算法.首先,根据农作物的特点提出了使用聚类的方法检测作业区域终点;其次,为避免噪声干扰,利用移动窗口检测二值图像白色像素的个数,确定导航路径区域;最后,使用改进的Hough变换提取导航线.实验表明,该算法可以准确提取绿色植物的行信息,处理一帧分辨率为320×240像素的彩色图像平均需要57.404ms,正确识别率达99%.     

基于图像处理的果树滴水线导航路径检测方法研究

针对果园开沟施肥,提出一种基于图像处理的果树滴水线导航路径检测方法。该方法采用垂直地面向上布置的CCD相机采集果树冠层投影图像,并实现果树冠层沿地面垂直投影轮廓的识别与滴水线平滑处理,进而对无人施肥装备沿果树环状行走路径进行确定。通过相机标定获取相机内部参数和畸变参数,对原始图像进行畸变矫正;通过对图像在RGB颜色空间的分布特征进行定量分析,使用平均值法对图像灰度处理,使用定阈值法进行二值分割;二值图像中由于存在大量的空间间隙,使用形态学膨胀操作,填充间隙,以凸显树冠投影边缘轮廓;使用边界跟踪算法,提取树冠轮廓边缘;引入Beseel曲线拟合方法,对轮廓边缘进行平滑处理,通过对比二阶、三阶、四阶、五阶拟合结果,得出使用三阶和四阶Beseel拟合结果较为符合导航路径要求。将相机固定在一个位置,分别在晴天和阴天拍摄条件下采集图像,进行滴水线导航路径提取,分别使用三阶和四阶Beseel曲线拟合晴天和阴天的图像边缘轮廓,使用四阶拟合结果较为符合实际要求,平均像素误差为19.5像素,平均像素相对误差为2.6%,平均每帧图像处理速度为27 ms,能较好地满足导航精度和实时性的要求,为施肥作业平台沿滴水线自动导航提供参考。     

基于多目视觉的田间导航线提取方法

【目的】目前导航线提取算法适用范围窄,且图像获取范围没有统一标准,直接应用到导航设备上会产生较大误差。【方法】课题组提出了一种基于多目视觉的田间导航线提取方法。首先,获取四个摄像头拍摄的不同视觉范围的田间图像,通过归一化超绿特征、最大类间方差法（Otsu）和形态学操作获取二值图,提取背景像素中点作为导航特征点;其次,通过神经网络算法建立坐标系转换模型,将导航特征点映射到同一地面坐标系,并对导航特征点进行融合;最后,由最小二乘法拟合导航线。此外,课题组利用该方法进行了5组田间实验,并对比了实验结果。【结果】在同一地面坐标系下,拟合后的导航线精度普遍高于单条导航线。【结论】该算法为农机设备自主导航提供了理论基础,为降低山区农业机器人自主导航误差提供了思路,对农机设备的自主导航具有重要意义。     

基于语义分割网络的植保机器人视觉伺服控制方法

为实现稳定可靠的植保机器人视觉伺服控制,提出了一种基于语义分割网络的作物行特征检测方法。基于语义分割网络ESNet实现农田场景图像像素级带状区域检测,并利用最小二乘算法拟合得到每条行作物线特征;在此基础上通过设计一种主导航线提取算法获取导航路径,并利用卡尔曼滤波对主导航线几何参数进行平滑处理,有效抑制了不平整地面导致的机器人运动颠簸与视觉图像测量噪声引起的导航参数波动。继而构建机器人前轮转向、后轮差速的阿克曼运动学模型;在图像空间坐标下设计纯追踪控制器实现植保机器人的伺服运动控制。大田环境下的现场实验结果为：总体横向偏差为0.092m,验证了本文方法的有效性。     

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。     

智能植保机低矮作物自主作业导航线提取方法的研究

为了满足智能植保机路径识别及自主导航的需要,文章提出了一种导航线的提取方法并应用在低矮作物上。首先对作物行的图像做特征分析与灰度化处理;其次,选择最大类间方差法(OTSU)方法进行二值化,用中值滤波去除二值化的噪声;最后根据形态学运算获得完整的作物行区域。实验表明,该处理方法可获得高精度的自主导航线,用来辅助植保机卫星定位导航完成机械自主作业。     

基于最小二乘法的温室番茄垄间视觉导航路径检测

针对温室非结构作业环境和复杂背景下作业机器人路径识别检测问题开展研究。在HSI颜色空间分析番茄垄间道路图像在各分量的分布特性,提出了基于机器视觉的垄间加热管敏感区域提取方法,依据I分量直方图采用最大类间方差法进行图像自适应阈值分割,对分割后二值图像利用目标区域的边缘提取算法获得导航离散点簇。根据最小二乘法原理对导航离散点簇拟合得到2条加热管边缘线,在此基础上给出中心导航基准线检测算法,并针对光照不均和作物遮挡对导航路径检测进行了实验。实验表明,与Hough变换算法相比,该算法简单快速,对光照不均具有良好的鲁棒性,能够准确提取目标敏感区域的边缘信息,对不同遮盖率番茄垄间导航路径提取正确率达91.67%。     

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。     

基于计算机视觉的小麦收获边缘导航线提取方法

针对小麦收割边缘受到麦茬、土壤、光照等环境因素影响导致的导航线提取精度低、运行速度慢等问题,为实现小麦精准化收获作业而提出一种基于水平投影和梯度下降的小麦收获边缘导航线提取方法。首先通过LAB阈值分割、形态学滤波等进行图像分割,然后进行水平投影以提取出小麦收获边缘伪特征点,将伪特征点进行最小二乘拟合从而获得边缘特征点所在的ROI区域,并对该区域进行Canny边缘检测来提取出边缘特征点,最后利用梯度下降算法拟合出小麦收获边缘导航线,从而解决传统算法中所遇到的导航线拟合精度低、拟合速度慢等问题。试验结果表明：在小麦已收割和未收割区域对比度很低的情况下,处理一张分辨率为640像素×360像素的图像平均耗时163 ms,生成的导航基准线成功率高达95%,为智能农业机械在麦田中的自主行走提供一种可靠的、实时的导航方法。     

基于骨架提取算法的作物茎秆识别与定位方法

针对农作物禾苗和杂草辨识和定位不精确,会造成除草机器人除草不净、伤害禾苗、影响产量等问题,提出了一种基于骨架提取算法的作物茎秆中心识别与定位的多级图像识别方法。该方法通过不同图像处理算法的多级式递进融合,实现对农作物茎秆的精确识别与中心定位。首先将采集到的彩色图像转换到HSV颜色空间进行背景分割。然后采用腐蚀算法对图像进行腐蚀操作,腐蚀掉杂草图像信息得到仅含作物的图像信息,最后用Zhang-Suen细化算法对作物图像进行骨架提取操作,并对骨架交叉点进行计算分析,识别与定位作物茎秆中心,实现作物精准辨识和定位。对采集的100幅苗期图像进行实验测试,结果表明农作物禾苗茎秆中心识别和定位精度误差小于12mm。本文方法能实时精准辨识禾苗和杂草,并对禾苗进行精准定位,为实现田间机械化除草提供了一种精准可靠的作物识别和定位方法。