水稻收获作业视觉导航路径提取方法
发布时间：2021-11-28 19:40
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...
【文章来源】：农业机械学报. 2020,51(01)北大核心EICSCD
【文章页数】：10 页
【部分图文】：
高斯滤波后图像
为提取图像中的作物边界，需要将彩色图像转换成灰度图像，以统计像素灰度信息。RGB、HSV和HSI是农业工程图像处理领域常用的颜色模型[16-18]。基于多种颜色模型和常用的灰度化算法对收获图像进行灰度化后的结果如图4所示，包括RGB的G分量(图4a)、RGB的2G-R-B分量(图4b)、HSV的H分量(图4c)、HSI的I分量(图4d)。由图4a可知，水稻收获区域灰度图像中，已收获区域与未收获区域边界并不明显，图4b～4d中在未收获区内部，存在较多噪声，不利于作物线的提取。水稻收获图像主要由已收获的水稻区域、未收获的水稻区域和两个区域间的田地组成。从颜色看，已收获区域主要覆盖为联合收获机碎草机构打碎的秸秆，以绿色为主;未收获区域中，水稻谷穗为黄色，叶片和茎秆为绿色;背景田地为红黑色，颜色特征区分较为显著。对图像在RGB空间的分布特征进行定量分析，基于Python和Matlab提取了各颜色特征空间，如图5所示。
由图4a可知，水稻收获区域灰度图像中，已收获区域与未收获区域边界并不明显，图4b～4d中在未收获区内部，存在较多噪声，不利于作物线的提取。水稻收获图像主要由已收获的水稻区域、未收获的水稻区域和两个区域间的田地组成。从颜色看，已收获区域主要覆盖为联合收获机碎草机构打碎的秸秆，以绿色为主;未收获区域中，水稻谷穗为黄色，叶片和茎秆为绿色;背景田地为红黑色，颜色特征区分较为显著。对图像在RGB空间的分布特征进行定量分析，基于Python和Matlab提取了各颜色特征空间，如图5所示。由图5a～5c可知，收获图像中R、G、B分量在各个区域交互存在，不易直接区分。由图5d可知，图像经2R-G-B运算后，可明显区分已收获区域与未收获区域，且能够突出作物线同田间背景的对比度，适合作为水稻收获图像的灰度化算法。根据这种颜色空间分布特征，本文提出了一种基于2R-G-B超红特征模型的综合阈值二值化算法，设X=2R-G-B代表超红分量，Rl、Gl、Bl、Xl为各分量的阈值下限，Rh、Gh、Bh、Xh为各分量的阈值上限，算法表达式为
【参考文献】：
期刊论文
[1]基于定向摄像头的大拱棚运输车视觉导航研究[J]. 李天华,吴增昊,廉宪坤,侯加林,施国英,王奇. 农业机械学报. 2018(S1)
[2]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)
[3]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)
[4]基于机器视觉的茶陇识别与采茶机导航方法[J]. 汤一平,王伟羊,朱威,翔云. 农业机械学报. 2016(01)
[5]基于机器视觉的玉米精准施药系统作物行识别算法及系统实现[J]. 刁智华,赵明珍,宋寅卯,吴贝贝,毋媛媛,钱晓亮,魏玉泉. 农业工程学报. 2015(07)
[6]基于DM642的高地隙小车的田间路径识别导航系统[J]. 张铁民,庄晓霖. 农业工程学报. 2015(04)
[7]基于暗原色的农机具视觉导航线提取算法[J]. 李勇,丁伟利. 光学学报. 2015(02)
[8]基于机器视觉的自然环境下作物行识别与导航线提取[J]. 孟庆宽,何洁,仇瑞承,马晓丹,司永胜,张漫,刘刚. 光学学报. 2014(07)
[9]基于改进遗传算法的农机具视觉导航线检测[J]. 孟庆宽,张漫,仇瑞承,何洁,司永胜,刘刚. 农业机械学报. 2014(10)
[10]基于线性相关系数约束的作物行中心线检测方法[J]. 孟庆宽,刘刚,张漫,司永胜,李茗萱. 农业机械学报. 2013(S1)
本文编号：3525028
【文章来源】：农业机械学报. 2020,51(01)北大核心EICSCD
【文章页数】：10 页
【部分图文】：
高斯滤波后图像
为提取图像中的作物边界，需要将彩色图像转换成灰度图像，以统计像素灰度信息。RGB、HSV和HSI是农业工程图像处理领域常用的颜色模型[16-18]。基于多种颜色模型和常用的灰度化算法对收获图像进行灰度化后的结果如图4所示，包括RGB的G分量(图4a)、RGB的2G-R-B分量(图4b)、HSV的H分量(图4c)、HSI的I分量(图4d)。由图4a可知，水稻收获区域灰度图像中，已收获区域与未收获区域边界并不明显，图4b～4d中在未收获区内部，存在较多噪声，不利于作物线的提取。水稻收获图像主要由已收获的水稻区域、未收获的水稻区域和两个区域间的田地组成。从颜色看，已收获区域主要覆盖为联合收获机碎草机构打碎的秸秆，以绿色为主;未收获区域中，水稻谷穗为黄色，叶片和茎秆为绿色;背景田地为红黑色，颜色特征区分较为显著。对图像在RGB空间的分布特征进行定量分析，基于Python和Matlab提取了各颜色特征空间，如图5所示。
由图4a可知，水稻收获区域灰度图像中，已收获区域与未收获区域边界并不明显，图4b～4d中在未收获区内部，存在较多噪声，不利于作物线的提取。水稻收获图像主要由已收获的水稻区域、未收获的水稻区域和两个区域间的田地组成。从颜色看，已收获区域主要覆盖为联合收获机碎草机构打碎的秸秆，以绿色为主;未收获区域中，水稻谷穗为黄色，叶片和茎秆为绿色;背景田地为红黑色，颜色特征区分较为显著。对图像在RGB空间的分布特征进行定量分析，基于Python和Matlab提取了各颜色特征空间，如图5所示。由图5a～5c可知，收获图像中R、G、B分量在各个区域交互存在，不易直接区分。由图5d可知，图像经2R-G-B运算后，可明显区分已收获区域与未收获区域，且能够突出作物线同田间背景的对比度，适合作为水稻收获图像的灰度化算法。根据这种颜色空间分布特征，本文提出了一种基于2R-G-B超红特征模型的综合阈值二值化算法，设X=2R-G-B代表超红分量，Rl、Gl、Bl、Xl为各分量的阈值下限，Rh、Gh、Bh、Xh为各分量的阈值上限，算法表达式为
【参考文献】：
期刊论文
[1]基于定向摄像头的大拱棚运输车视觉导航研究[J]. 李天华,吴增昊,廉宪坤,侯加林,施国英,王奇. 农业机械学报. 2018(S1)
[2]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)
[3]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)
[4]基于机器视觉的茶陇识别与采茶机导航方法[J]. 汤一平,王伟羊,朱威,翔云. 农业机械学报. 2016(01)
[5]基于机器视觉的玉米精准施药系统作物行识别算法及系统实现[J]. 刁智华,赵明珍,宋寅卯,吴贝贝,毋媛媛,钱晓亮,魏玉泉. 农业工程学报. 2015(07)
[6]基于DM642的高地隙小车的田间路径识别导航系统[J]. 张铁民,庄晓霖. 农业工程学报. 2015(04)
[7]基于暗原色的农机具视觉导航线提取算法[J]. 李勇,丁伟利. 光学学报. 2015(02)
[8]基于机器视觉的自然环境下作物行识别与导航线提取[J]. 孟庆宽,何洁,仇瑞承,马晓丹,司永胜,张漫,刘刚. 光学学报. 2014(07)
[9]基于改进遗传算法的农机具视觉导航线检测[J]. 孟庆宽,张漫,仇瑞承,何洁,司永胜,刘刚. 农业机械学报. 2014(10)
[10]基于线性相关系数约束的作物行中心线检测方法[J]. 孟庆宽,刘刚,张漫,司永胜,李茗萱. 农业机械学报. 2013(S1)
本文编号：3525028
本文链接：https://www.wllwen.com/nykjlw/nzwlw/3525028.html
最近更新
教材专著
