基于特征点邻域Hough变换的水稻秧苗行检测

发布时间：2021-12-31 08:16

　　水稻秧苗行检测对于精准农业和自动导航至关重要,为此提出一种基于特征点邻域Hough变换的水稻秧苗行检测方法,该方法可以有效解决杂草密度分布、光照强度和秧苗行曲率变化等因素对秧苗行检测的影响。该方法主要包括3个步骤:水稻秧苗行图像数据库的建立、水稻秧苗特征点提取和秧苗行中心线识别。首先在杂草萌发期建立水稻秧苗在不同光照条件（晴、阴天）、不同杂草密度分布和不同秧苗生长状况的水稻秧苗行图像数据库;然后采用基于Faster RCNN网络的秧苗检测模型获得水稻秧苗的特征点,即预测结果的中心点;最后采用提出的基于特征点邻域的Hough变换算法识别秧苗行中心线。实验表明,本文方法对测试集秧苗行平均识别准确率达到92%,对不同杂草密度分布的秧苗行平均识别精度小于0.5°,对孤立的杂草噪声和光照变化不敏感,对曲率较大的秧苗行也能准确识别,具有较好的鲁棒性和识别精度。 

【文章来源】：农业机械学报. 2020,51(10)北大核心EICSCD

【文章页数】：8 页

【部分图文】：

基于FasterＲCNN的水稻秧苗检测模型结构Fig．2ＲiceseedlingdetectionmodelstructurebasedonFasterＲCNN

线映射为参数空间下的峰值点，假设直线方程为r=xcosθ+ysinθ，其中r表示该直线到原点的距离，θ表示该直线经过原点的垂线与x轴之间的夹角。Hough变换将x、y作为已知量，那么直角坐标系下的直线方程在参数空间表示为点(r，θ)。直角坐标系下的每个点对应参数空间的一条曲线，直角坐标系下的一条直线上有多个点，在参数空间对应多条曲线，这些曲线相交于一点，该点坐标值即为所求参数r和θ。如图3所示，水稻秧苗预测框的中心点即为秧苗的特征点，用红色点表示。水稻秧苗检测模型得到的特征点不一定在一条直线上，可能分布于直线两侧，本文提出对秧苗特征点的邻域进行Hough变换，假设特征点的邻域是［xi－d，xi+d］(图3中用蓝线表示，邻域长度设置为2d)，以每个特征点为邻域中心，把特征点邻域内的所有点映射到Hough参数空间。图3特征点邻域示意图Fig．3Schematicofneighborhoodoffeaturepoints特征点邻域的Hough空间计算方法如下:(1)建立一个二维图像hough_2D，宽度方向表示距离r，高度方向表示角度θ，遍历所有水稻秧苗特征点的邻域，对每个邻域点按照θ从－45°到45°，精度为1°，计算出相应的距离r，并且每当有相同的距离r和角度θ出现时，hough_2D中对应位置(r，θ)的像素进行累加:p(r，θ)←p(r，θ)+Δp。获得的基于特征点邻域的Hough空间图像如图4所示。图4基于特征点邻域的Hough空间图像Fig．4Houghspaceimagebasedonfeaturepointneighborhood(2)然后对图像hough_2D进行阈值处理去除大部分噪声，首先计算图

征点邻域示意图Fig．3Schematicofneighborhoodoffeaturepoints特征点邻域的Hough空间计算方法如下:(1)建立一个二维图像hough_2D，宽度方向表示距离r，高度方向表示角度θ，遍历所有水稻秧苗特征点的邻域，对每个邻域点按照θ从－45°到45°，精度为1°，计算出相应的距离r，并且每当有相同的距离r和角度θ出现时，hough_2D中对应位置(r，θ)的像素进行累加:p(r，θ)←p(r，θ)+Δp。获得的基于特征点邻域的Hough空间图像如图4所示。图4基于特征点邻域的Hough空间图像Fig．4Houghspaceimagebasedonfeaturepointneighborhood(2)然后对图像hough_2D进行阈值处理去除大部分噪声，首先计算图像hough_2D的像素最大值pmax，并以pmax的1/2作为阈值Tp遍历图像，根据图像的像素p(r，θ)和Tp的关系，如果p(r，θ)＜Tp，则该点的像素被设置为0，阈值处理后的图像hough_2D如图5所示。图5阈值处理后的图像hough_2DFig．5Hough_2Dafterthresholdprocessing(3)最后对hough_2D进行形态学处理，去除一些孤立噪声，先进行腐蚀操作再进行膨胀操作。其中腐蚀操作去除噪声，消除小物体，膨胀操作平滑物体轮廓，连接沟壑。设置结构元素分别为3×3、5×5的矩形元素，腐蚀膨胀后的效果如图6所示，5×5的矩形结构元素过大，导致部分前景被消除，本文选择3×3的矩形结构元素对hough_2D进行形态学处理。图6不同矩形结构元素的形态学处理结果Fig．6Morphologicalpost-processingresultsofdifferentrectangul

【参考文献】：
期刊论文
[1]农业机械导航技术研究进展[J]. 张漫,季宇寒,李世超,曹如月,徐弘祯,张振乾.  农业机械学报. 2020(04)
[2]基于分区域特征点聚类的秧苗行中心线提取[J]. 廖娟,汪鹞,尹俊楠,张顺,刘路,朱德泉.  农业机械学报. 2019(11)
[3]水稻插秧机自动作业系统设计与试验[J]. 何杰,朱金光,张智刚,罗锡文,高阳,胡炼.  农业机械学报. 2019(03)
[4]水稻栽植机械化技术研究进展[J]. 李泽华,马旭,李秀昊,陈林涛,李宏伟,袁志成.  农业机械学报. 2018(05)
[5]基于图像特征点粒子群聚类算法的麦田作物行检测[J]. 姜国权,杨小亚,王志衡,刘红敏.  农业工程学报. 2017(11)
[6]基于SUSAN角点的秧苗列中心线提取方法[J]. 张勤,陈少杰,李彬.  农业工程学报. 2015(20)
[7]基于Meanshift和Hough变换的秧苗行中心线提取[J]. 金海龙,喻擎苍,周志宇,武传宇.  浙江理工大学学报. 2015(05)
[8]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)
[9]基于Hough变换的农业机械视觉导航基准线识别[J]. 马红霞,马明建,马娜,林有升.  农机化研究. 2013(04)
[10]基于最小二乘法的早期作物行中心线检测方法[J]. 司永胜,姜国权,刘刚,高瑞,刘兆祥.  农业机械学报. 2010(07)

硕士论文
[1]插秧机自动导航系统的设计与研究[D]. 靳俊栋.华南农业大学 2018



本文编号：3559923