針對水稻收獲視覺導(dǎo)航中的路徑規(guī)劃問題,提出一種水稻收獲作業(yè)視覺導(dǎo)航路徑提取方法。通過相機標(biāo)定獲取畸變參數(shù)矯正原始圖像,并進行高斯濾波,采用基于2R-G-B超紅特征模型的綜合閾值法進行圖像二值化分割,并對二值圖像進行形態(tài)學(xué)的開-閉運算,抑制噪聲干擾,根據(jù)圖像灰度垂直投影值動態(tài)設(shè)定感興趣區(qū)域,水平掃描獲取作物線擬合關(guān)鍵點,最后采用多段三次B樣條曲線擬合法提取水稻待收獲區(qū)域邊界線。室內(nèi)試驗表明,采用本文所提出的圖像處理方法提取的圖像中距離信息平均誤差為9. 9 mm、偏差率為2. 0%,角度信息平均誤差為0. 77°、誤差率2. 7%。在順光、逆光、強光、弱光4種光線環(huán)境下,對中粳798和臨稻20兩種作物進行了收獲路徑提取田間試驗,以像素誤差、距離誤差、相對誤差和標(biāo)準(zhǔn)差為評價指標(biāo),對比了不同光線下的路徑提取結(jié)果,試驗結(jié)果表明,對于中粳798的收獲圖像,4種光線環(huán)境下15個關(guān)鍵點的平均像素誤差為28. 7像素,平均距離誤差39. 7 mm,平均相對誤差2. 7%;強光環(huán)境平均像素誤差最小,為26. 2像素;弱光環(huán)境平均距離誤差最小,為23. 9 mm;強光環(huán)境平均相對誤差最小,為2. 0%;順... 

【文章來源】：農(nóng)業(yè)機械學(xué)報. 2020,51(01)北大核心EICSCD

【文章頁數(shù)】：10 頁

【部分圖文】：

高斯濾波后圖像

為提取圖像中的作物邊界，需要將彩色圖像轉(zhuǎn)換成灰度圖像，以統(tǒng)計像素灰度信息。RGB、HSV和HSI是農(nóng)業(yè)工程圖像處理領(lǐng)域常用的顏色模型[16-18]�；诙喾N顏色模型和常用的灰度化算法對收獲圖像進行灰度化后的結(jié)果如圖4所示，包括RGB的G分量(圖4a)、RGB的2G-R-B分量(圖4b)、HSV的H分量(圖4c)、HSI的I分量(圖4d)。由圖4a可知，水稻收獲區(qū)域灰度圖像中，已收獲區(qū)域與未收獲區(qū)域邊界并不明顯，圖4b～4d中在未收獲區(qū)內(nèi)部，存在較多噪聲，不利于作物線的提取。水稻收獲圖像主要由已收獲的水稻區(qū)域、未收獲的水稻區(qū)域和兩個區(qū)域間的田地組成。從顏色看，已收獲區(qū)域主要覆蓋為聯(lián)合收獲機碎草機構(gòu)打碎的秸稈，以綠色為主;未收獲區(qū)域中，水稻谷穗為黃色，葉片和莖稈為綠色;背景田地為紅黑色，顏色特征區(qū)分較為顯著。對圖像在RGB空間的分布特征進行定量分析，基于Python和Matlab提取了各顏色特征空間，如圖5所示。

由圖4a可知，水稻收獲區(qū)域灰度圖像中，已收獲區(qū)域與未收獲區(qū)域邊界并不明顯，圖4b～4d中在未收獲區(qū)內(nèi)部，存在較多噪聲，不利于作物線的提取。水稻收獲圖像主要由已收獲的水稻區(qū)域、未收獲的水稻區(qū)域和兩個區(qū)域間的田地組成。從顏色看，已收獲區(qū)域主要覆蓋為聯(lián)合收獲機碎草機構(gòu)打碎的秸稈，以綠色為主;未收獲區(qū)域中，水稻谷穗為黃色，葉片和莖稈為綠色;背景田地為紅黑色，顏色特征區(qū)分較為顯著。對圖像在RGB空間的分布特征進行定量分析，基于Python和Matlab提取了各顏色特征空間，如圖5所示。由圖5a～5c可知，收獲圖像中R、G、B分量在各個區(qū)域交互存在，不易直接區(qū)分。由圖5d可知，圖像經(jīng)2R-G-B運算后，可明顯區(qū)分已收獲區(qū)域與未收獲區(qū)域，且能夠突出作物線同田間背景的對比度，適合作為水稻收獲圖像的灰度化算法。根據(jù)這種顏色空間分布特征，本文提出了一種基于2R-G-B超紅特征模型的綜合閾值二值化算法，設(shè)X=2R-G-B代表超紅分量，Rl、Gl、Bl、Xl為各分量的閾值下限，Rh、Gh、Bh、Xh為各分量的閾值上限，算法表達式為

【參考文獻】：
期刊論文
[1]基于定向攝像頭的大拱棚運輸車視覺導(dǎo)航研究[J]. 李天華,吳增昊,廉憲坤,侯加林,施國英,王奇.  農(nóng)業(yè)機械學(xué)報. 2018(S1)
[2]矮化密植棗園收獲作業(yè)視覺導(dǎo)航路徑提取[J]. 彭順正,坎雜,李景彬.  農(nóng)業(yè)工程學(xué)報. 2017(09)
[3]基于視覺識別的小麥?zhǔn)斋@作業(yè)線快速獲取方法[J]. 趙騰,野口伸,楊亮亮,石井一暢,陳軍.  農(nóng)業(yè)機械學(xué)報. 2016(11)
[4]基于機器視覺的茶隴識別與采茶機導(dǎo)航方法[J]. 湯一平,王偉羊,朱威,翔云.  農(nóng)業(yè)機械學(xué)報. 2016(01)
[5]基于機器視覺的玉米精準(zhǔn)施藥系統(tǒng)作物行識別算法及系統(tǒng)實現(xiàn)[J]. 刁智華,趙明珍,宋寅卯,吳貝貝,毋媛媛,錢曉亮,魏玉泉.  農(nóng)業(yè)工程學(xué)報. 2015(07)
[6]基于DM642的高地隙小車的田間路徑識別導(dǎo)航系統(tǒng)[J]. 張鐵民,莊曉霖.  農(nóng)業(yè)工程學(xué)報. 2015(04)
[7]基于暗原色的農(nóng)機具視覺導(dǎo)航線提取算法[J]. 李勇,丁偉利.  光學(xué)學(xué)報. 2015(02)
[8]基于機器視覺的自然環(huán)境下作物行識別與導(dǎo)航線提取[J]. 孟慶寬,何潔,仇瑞承,馬曉丹,司永勝,張漫,劉剛.  光學(xué)學(xué)報. 2014(07)
[9]基于改進遺傳算法的農(nóng)機具視覺導(dǎo)航線檢測[J]. 孟慶寬,張漫,仇瑞承,何潔,司永勝,劉剛.  農(nóng)業(yè)機械學(xué)報. 2014(10)
[10]基于線性相關(guān)系數(shù)約束的作物行中心線檢測方法[J]. 孟慶寬,劉剛,張漫,司永勝,李茗萱.  農(nóng)業(yè)機械學(xué)報. 2013(S1)



本文編號：3525028