基于机器视觉的农田地头边界线检测方法

在非结构化复杂农田作业环境中,为实现农机在地头处的自主导航转弯,首先需及时、准确地感知地头的空间位置信息,尤其是地头边界位置。本文基于机器视觉技术,首先依据农田内外像素灰度的跳变特征来判断地头是否出现,通过建立正向和负向分布偏差两个度量确定是否存在该灰度跳变特征;随后,将图像沿水平方向平均分成8个子处理区域,针对各子处理区域求取其行灰度平均值分布图,基于局部加权回归法对其进行平滑处理,建立按序离群度参数,通过寻找平滑曲线上首个按序离群程度较大的波峰点或波谷点以及相应的跳前波谷点或波峰点,最终确定跳变特征点的像素坐标,并基于稳健回归法线性拟合跳变特征点,获取实际非规整地头边界的主体延伸方位线;最后,将主体延伸方位线向下平行移动,当其线上像素的灰度平均值接近于田内像素的灰度分布特征时,认为抵达安全位置处,由此获得农机在当前地头处安全转向掉头的边界线。试验结果表明,判断地头出现的准确率不低于96%,地头边界线检测准确率不低于92%。     

基于双目视觉的作物苗期障碍物三维信息检测方法

农业智能装备在实际农田环境中行进或作业的过程中需要感知多变环境下的各种障碍物。为此,基于双目视觉,开展了作物苗期农田障碍物三维信息检测方法研究,提出了一种基于特征的障碍物检测算法。首先,利用边缘检测算法去除天空背景,提取出障碍物潜在区域的上边界线,利用超绿特征颜色变换去除绿色作物苗期农田背景,提取下边界线;然后,通过阈值分割算法提取障碍物目标区域;最后,通过重心特征点立体匹配来获取视差值,结合MatLab标定获取的相机内外参数进行三维重建,计算障碍物的距离、宽度和高度三维信息。田间试验结果表明:该算法可以正确提取出障碍物目标区域,障碍物距离、宽度和高度检测的平均相对误差分别为4.7%、5.79%和1.78%,能够满足农业智能装备田间障碍物检测的需求,具有较好的可靠性。