水稻秧苗行檢測對于精準農業(yè)和自動導航至關重要,為此提出一種基于特征點鄰域Hough變換的水稻秧苗行檢測方法,該方法可以有效解決雜草密度分布、光照強度和秧苗行曲率變化等因素對秧苗行檢測的影響。該方法主要包括3個步驟:水稻秧苗行圖像數(shù)據(jù)庫的建立、水稻秧苗特征點提取和秧苗行中心線識別。首先在雜草萌發(fā)期建立水稻秧苗在不同光照條件（晴、陰天）、不同雜草密度分布和不同秧苗生長狀況的水稻秧苗行圖像數(shù)據(jù)庫;然后采用基于Faster RCNN網(wǎng)絡的秧苗檢測模型獲得水稻秧苗的特征點,即預測結果的中心點;最后采用提出的基于特征點鄰域的Hough變換算法識別秧苗行中心線。實驗表明,本文方法對測試集秧苗行平均識別準確率達到92%,對不同雜草密度分布的秧苗行平均識別精度小于0.5°,對孤立的雜草噪聲和光照變化不敏感,對曲率較大的秧苗行也能準確識別,具有較好的魯棒性和識別精度。 

【文章來源】：農業(yè)機械學報. 2020,51(10)北大核心EICSCD

【文章頁數(shù)】：8 頁

【部分圖文】：

基于FasterＲCNN的水稻秧苗檢測模型結構Fig．2ＲiceseedlingdetectionmodelstructurebasedonFasterＲCNN

線映射為參數(shù)空間下的峰值點，假設直線方程為r=xcosθ+ysinθ，其中r表示該直線到原點的距離，θ表示該直線經過原點的垂線與x軸之間的夾角。Hough變換將x、y作為已知量，那么直角坐標系下的直線方程在參數(shù)空間表示為點(r，θ)。直角坐標系下的每個點對應參數(shù)空間的一條曲線，直角坐標系下的一條直線上有多個點，在參數(shù)空間對應多條曲線，這些曲線相交于一點，該點坐標值即為所求參數(shù)r和θ。如圖3所示，水稻秧苗預測框的中心點即為秧苗的特征點，用紅色點表示。水稻秧苗檢測模型得到的特征點不一定在一條直線上，可能分布于直線兩側，本文提出對秧苗特征點的鄰域進行Hough變換，假設特征點的鄰域是［xi－d，xi+d］(圖3中用藍線表示，鄰域長度設置為2d)，以每個特征點為鄰域中心，把特征點鄰域內的所有點映射到Hough參數(shù)空間。圖3特征點鄰域示意圖Fig．3Schematicofneighborhoodoffeaturepoints特征點鄰域的Hough空間計算方法如下:(1)建立一個二維圖像hough_2D，寬度方向表示距離r，高度方向表示角度θ，遍歷所有水稻秧苗特征點的鄰域，對每個鄰域點按照θ從－45°到45°，精度為1°，計算出相應的距離r，并且每當有相同的距離r和角度θ出現(xiàn)時，hough_2D中對應位置(r，θ)的像素進行累加:p(r，θ)←p(r，θ)+Δp。獲得的基于特征點鄰域的Hough空間圖像如圖4所示。圖4基于特征點鄰域的Hough空間圖像Fig．4Houghspaceimagebasedonfeaturepointneighborhood(2)然后對圖像hough_2D進行閾值處理去除大部分噪聲，首先計算圖

征點鄰域示意圖Fig．3Schematicofneighborhoodoffeaturepoints特征點鄰域的Hough空間計算方法如下:(1)建立一個二維圖像hough_2D，寬度方向表示距離r，高度方向表示角度θ，遍歷所有水稻秧苗特征點的鄰域，對每個鄰域點按照θ從－45°到45°，精度為1°，計算出相應的距離r，并且每當有相同的距離r和角度θ出現(xiàn)時，hough_2D中對應位置(r，θ)的像素進行累加:p(r，θ)←p(r，θ)+Δp。獲得的基于特征點鄰域的Hough空間圖像如圖4所示。圖4基于特征點鄰域的Hough空間圖像Fig．4Houghspaceimagebasedonfeaturepointneighborhood(2)然后對圖像hough_2D進行閾值處理去除大部分噪聲，首先計算圖像hough_2D的像素最大值pmax，并以pmax的1/2作為閾值Tp遍歷圖像，根據(jù)圖像的像素p(r，θ)和Tp的關系，如果p(r，θ)＜Tp，則該點的像素被設置為0，閾值處理后的圖像hough_2D如圖5所示。圖5閾值處理后的圖像hough_2DFig．5Hough_2Dafterthresholdprocessing(3)最后對hough_2D進行形態(tài)學處理，去除一些孤立噪聲，先進行腐蝕操作再進行膨脹操作。其中腐蝕操作去除噪聲，消除小物體，膨脹操作平滑物體輪廓，連接溝壑。設置結構元素分別為3×3、5×5的矩形元素，腐蝕膨脹后的效果如圖6所示，5×5的矩形結構元素過大，導致部分前景被消除，本文選擇3×3的矩形結構元素對hough_2D進行形態(tài)學處理。圖6不同矩形結構元素的形態(tài)學處理結果Fig．6Morphologicalpost-processingresultsofdifferentrectangul

【參考文獻】：
期刊論文
[1]農業(yè)機械導航技術研究進展[J]. 張漫,季宇寒,李世超,曹如月,徐弘禎,張振乾.  農業(yè)機械學報. 2020(04)
[2]基于分區(qū)域特征點聚類的秧苗行中心線提取[J]. 廖娟,汪鷂,尹俊楠,張順,劉路,朱德泉.  農業(yè)機械學報. 2019(11)
[3]水稻插秧機自動作業(yè)系統(tǒng)設計與試驗[J]. 何杰,朱金光,張智剛,羅錫文,高陽,胡煉.  農業(yè)機械學報. 2019(03)
[4]水稻栽植機械化技術研究進展[J]. 李澤華,馬旭,李秀昊,陳林濤,李宏偉,袁志成.  農業(yè)機械學報. 2018(05)
[5]基于圖像特征點粒子群聚類算法的麥田作物行檢測[J]. 姜國權,楊小亞,王志衡,劉紅敏.  農業(yè)工程學報. 2017(11)
[6]基于SUSAN角點的秧苗列中心線提取方法[J]. 張勤,陳少杰,李彬.  農業(yè)工程學報. 2015(20)
[7]基于Meanshift和Hough變換的秧苗行中心線提取[J]. 金海龍,喻擎蒼,周志宇,武傳宇.  浙江理工大學學報. 2015(05)
[8]基于機器視覺的玉米精準施藥系統(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.  農業(yè)工程學報. 2015(07)
[9]基于Hough變換的農業(yè)機械視覺導航基準線識別[J]. 馬紅霞,馬明建,馬娜,林有升.  農機化研究. 2013(04)
[10]基于最小二乘法的早期作物行中心線檢測方法[J]. 司永勝,姜國權,劉剛,高瑞,劉兆祥.  農業(yè)機械學報. 2010(07)

碩士論文
[1]插秧機自動導航系統(tǒng)的設計與研究[D]. 靳俊棟.華南農業(yè)大學 2018



本文編號：3559923