红枣收获机视觉导航路径检测

发布时间：2021-09-29 09:34

　　针对新疆地区骏枣与灰枣枣园的收获作业,该研究提出一种红枣收获机枣树行视觉导航路径检测算法。通过枣园图像固定区域中B分量垂直累计直方图的标准差d与最小值f的关系对枣园种类进行自动判断。针对灰枣枣园,首先采用色差法与OTSU法对图像进行灰度化与二值化处理,然后进行面积去噪与补洞处理,在处理区域内从上向下逐行扫描,将每行像素上像素值为0的像素点坐标平均值作为该行候补点的坐标,并将所有候补点坐标的平均值作为Hough变换的已知点坐标,最后基于过已知点的Hough变换拟合导航路径;针对骏枣枣园,在处理区域内通过垂直累计R分量的方法确定扫描区间,然后在扫描区间内从上到下逐行扫描,将每行像素上R分量值最小的像素点作为该行的候补点,并将所有候补点的坐标平均值作为Hough变换的已知点,最后使用过已知点的Hough变换拟合导航路径。试验结果表明:对于灰枣枣园与骏枣枣园,该算法的路径检测准确率平均值分别为94%和93%,处理1帧图像平均耗时分别为0.042和0.046s,检测准确性与实时性满足红枣收获机作业要求,能够自动判别枣园种类进行作业,可为实现红枣收获机自动驾驶提供理论依据。 

【文章来源】：农业工程学报. 2020,36(13)北大核心EICSCD

【文章页数】：8 页

【部分图文】：

灰枣枣园处理窗口及拟合导航路径示意图

图7a是顺光、人像干扰工况扫描区间图人像干扰所在行像素R分量折线图，第240列以前存在2个波谷，分别为第197列与第223列，通过对比可知，前者应为检测的候补点位置且精度较高，但是由于第240列人像的干扰，使得第240列成为候补点位置，误检该行像素的候补点位置，最终导致导航路径检测失败。图7b是逆光、地膜干扰工况处理区域R分量水平累计折线图，由于第220行为地膜集中区域，使得该位置出现数据大幅下降的波谷，导致田端判别方法误检该位置为田端，即地膜干扰致使田端检测错误。图7c是顺光、阴影工况处理区域随机像素行R分量折线图，第240列为树冠中心区域与该位置出现波谷相契合，即以R分量最小值提取的候补点位置准确。为验证R分量最小值作为候补点提取特征的稳定性，进行如下试验：分别从采集的3个骏枣枣园视频中随机截取连续100帧图像，人工观察每帧图像中第40行、第130行、第230行（分别对应图像远视端、图像中间以及图像近视端随机像素行）像素候补点提取是否正确。试验结果如表3所示，3个视频中的近视端检测准确率分别为93%、94%、92%，略低于图像远视端与图像中间的检测准确率，这主要是因为近视端的树冠像素分布密度较低，噪声多，干扰严重。出现误检的原因主要是人像干扰与车身抖动。

综上，使用R分量最小值提取的候补点比较稳定，适用于候补点的提取。使用采集到的作业视频对算法进行验证，实际检测路径与人工观测路径的夹角约大于5°即判为检测错误，结果如表4所示。

【参考文献】：
期刊论文
[1]棉花铺膜播种作业拖拉机的视觉导航路径检测[J]. 张雄楚,李景彬,姚庆旺,付威,温宝琴,坎杂.  农机化研究. 2020(05)
[2]农机自动导航及无人驾驶车辆的发展综述(英文)[J]. 韩树丰,何勇,方慧.  浙江大学学报(农业与生命科学版). 2018(04)
[3]农田作业视觉导航系统研究[J]. 陈兵旗.  科技导报. 2018(11)
[4]插秧机导航路径跟踪改进纯追踪算法[J]. 李革,王宇,郭刘粉,童俊华,何勇.  农业机械学报. 2018(05)
[5]基于虚拟现实的拖拉机双目视觉导航试验[J]. 翟志强,朱忠祥,杜岳峰,李臻,毛恩荣.  农业工程学报. 2017(23)
[6]水稻插秧机路径追踪设计——基于SOPC嵌入式视觉导航[J]. 谢忠华.  农机化研究. 2017(10)
[7]再生稻收割机的视觉导航路径检测方法[J]. 郭翰林,洪瑛杰,张翔,林建.  福建农林大学学报(自然科学版). 2017(03)
[8]矮化密植枣园收获作业视觉导航路径提取[J]. 彭顺正,坎杂,李景彬.  农业工程学报. 2017(09)
[9]基于视觉识别的小麦收获作业线快速获取方法[J]. 赵腾,野口伸,杨亮亮,石井一畅,陈军.  农业机械学报. 2016(11)
[10]基于图像处理的玉米收割机导航路线检测方法[J]. 梁习卉子,陈兵旗,姜秋慧,朱德利,杨明,乔妍.  农业工程学报. 2016(22)

博士论文
[1]自然环境下目标物的高速图像检测算法研究[D]. 刘阳.中国农业大学 2014



本文编号：3413485