基于图像特征点粒子群聚类算法的麦田作物行检测

为了快速准确地提取麦田作物行中心线,提出了基于图像特征点粒子群聚类算法的麦田作物行检测。首先,对自然光照下获取的彩色图像运用"过绿颜色因子图像灰度化"、"Otsu图像二值化"、"左右边缘中间线检测提取作物行特征点算法"3步对图像进行预处理。然后,根据农田作物行中心线周围区域的特征点到该直线的距离均小于某一距离阈值的特征,运用粒子群优化算法对每一作物行的特征点分别进行聚类。最后,对每一类的特征点用最小二乘法进行直线拟合获取麦田作物行中心线。试验结果表明,该算法可以对作物断行、杂草、土块等复杂农田环境下的图像进行有效地作物行检测,识别率达95%,识别误差小于3°。与标准Hough算法相比,运行速率提升了一倍。该文可为实现农业机器人田间作业提供参考。

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。

基于卷积神经网络的棉花作物行检测

针对传统作物行分割算法难以对覆膜回收期棉花作物行进行分割的问题,提出基于卷积神经网络的作物行检测方法。首先使用卷积神经网络U-Net对棉花作物行进行分割,然后从分割结果中定位得到作物行中心点并进行分类,最后基于随机抽样选取最优拟合直线作为作物行中心线。实验结果表明:该算法对多种光照条件具有良好的鲁棒性,棉花作物行检测准确率达到92.68%,对分辨率为640×480图像的处理时间小于70 ms,能够满足实用要求。

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。

基于机器视觉的玉米苗期多条作物行线检测算法

为满足玉米苗期中耕、追肥等田间管理环节的自主导航行走需求,研究了基于机器视觉的多条作物行线实时检测技术。首先,基于绿色分量增强法、分割阈值优化法和形态特征分析法,对图像分别进行灰度化、二值化和去噪等预处理,该预处理结果不受自然光照变化、阴影、降水/积水、播种模式等影响,对细密状杂草干扰或植株冠层交叠条件下作物行间分界间隙的清理效果较好,对小尺寸噪声、行间零散分布的圆形叶片类杂草噪声以及呈横向生长状或聚集状的杂草噪声也有较好的清除效果。然后,将二值图像沿纵坐标均分为20个水平条,在各水平条内部建立目标区域的水平间距、水平跨度等特征参数,并跨水平条建立目标区域间的垂直间距、趋势角、覆盖宽度等特征参数,基于以上参数在行内和行间分布的差异性,完成各水平条中隶属于不同作物行的目标区域的定位分割和不同水平条中隶属于同一作物行的目标区域的聚类,其分割聚类效果良好。最后,基于离群特征点去除后的最小二乘法,进行线性拟合并获取作物行中心线,结果表明,整体检测准确率不低于91.2%,单帧图像处理时间不超过368 ms,说明采用本文方法可快速实现不同环境因素干扰下的多条作物行线的同步检测。

基于中值点Hough变换玉米行检测的导航线提取方法

为解决机器视觉对早期玉米苗带在多环境变量下导航线提取耗时长、准确率低的问题,该研究提出了一种基于中值点Hough变换作物行检测的导航线提取算法。首先,改进了传统的2G-R-B算法,再结合中值滤波、最大类间方差法和形态学操作实现土壤背景与玉米苗带的分割。其次,通过均值法提取玉米苗带特征点,然后采用中值点Hough变换拟合垄间两侧玉米苗列线,最后将检测出的双侧玉米苗列线为导航基准线,利用夹角正切公式提取导航线。试验结果表明:改进的灰度化算法能够正确分割玉米苗带与土壤,处理一幅640×480像素彩色图像平均耗时小于160 ms,基于中值点Hough变换检测玉米苗列再提取导航线的最大误差为0.53°,相比于传统Hough变换时间上平均快62.9 ms,比最小二乘法平均精确度提高了7.12°,在农田早期玉米苗带多环境变量影响因素下导航线提取准确率均达92%以上,具有较强的可靠性和准确性。

成熟期棉田棉花行精准识别算法研究

为满足采棉机器人成熟期棉花的收获要求,提出一种成熟期棉花行中心线快速准确的检测方法。在自然环境下相机采集成熟期棉花图像,利用灰度变换、高斯滤波等方法对图像进行预处理,其次通过标记分水岭分割算法对图像进行分割,滤除图片中杂点,将棉花信息从背景信息中提取出来。最后通过像素坐标分割法检测棉花特征点并采用最小二乘法拟合棉花行中心线。实验结果表明,像素坐标分割算法在不同光照情况下、棉花种植稀疏与稠密情况下都能够准确的拟合出棉花行走向的中心线,速度快,准确率高,可以满足采棉机器人实时作业要求。

基于HT的多条直线检测的特点及其算法改进

依据霍夫(Hough)变换原理,给出了多条直线检测的算法,分析了基于霍夫变换(HT)检测多条直线的特点,即直线—峰值对应性,检测直线不确定性(针对斜率大于0的情况),累加器A的值与待测直线段长度的关系,带噪声多条准直线的参数空间峰值特征,倾角为90°的直线段参数空间峰值特征,并有针对性的提出了改进方法。提出了依据峰值自动搜索填充范围的算法,实现了峰值的搜索,并通过马铃薯作物的行检测验证了该方法的有效性。

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0.092 m,验证了本文方法的有效性。

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。

基于机器视觉的水稻制种田导航线提取方法

为快速准确的检测出水稻制种田父本行中心线,结合作物长势和农艺需求,提出一种适用于水稻授粉期作物行导航线快速提取的方法。根据作物父母本行在RGB颜色分量上的差异提出R-B法进行图像灰度化处理,利用灰度直方图选取分割阈值对灰度化图像二值化处理;遍历图像对感兴趣区域进行标记,采用最大连通区域法提取目标行,引入趋势线消除断行与作物形态的影响,对图像进行行扫描提取特征点并使用做小二乘法拟合导航基准线。试验结果表明,该算法与标准Hough变换和随机Hough变换相比,该方法能够快速准确地提取导航线,准确率高,为92%以上,处理一幅320像素×270像素图片耗时200 ms左右,并在不同环境下对算法进行可靠性检测,均具有良好的鲁棒性。本文为无人机辅助水稻制种田授粉作业提供一种可靠的导航方法。