共查询到17条相似文献，搜索用时 727 毫秒
1.
基于动态网格和分区域聚类的玉米苗带识别算法研究 总被引：1，自引：0，他引：1
针对基于计算机视觉的玉米苗带中心线提取受自然环境干扰严重的问题,提出基于6×6动态网格与分区域特征点聚类的玉米行定位算法。首先将获取的玉米苗带图像进行像素归一化,采用改进的过绿特征和最大类间方差法分割玉米苗带与土壤背景,得到二值图像;然后通过动态网格扫描二值图像,获取候选玉米苗带特征点,并对候选玉米苗带特征点采用分区域聚类算法,得到玉米苗带特征点;最后通过最小二乘法对特征点进行线性拟合得到玉米苗带中心识别线。田间试验表明,该算法具有较好的抗干扰性能,能够很好的适应较为复杂的田间环境。玉米苗带识别准确率为93.4%,处理一幅分辨率为1 920像素×1 024像素的图像平均耗时320 ms。 相似文献
2.
基于YOLOv3目标检测的秧苗列中心线提取方法 总被引：3，自引：0，他引：3
针对秧苗列中心线的检测结果易受到水田中的浮萍、蓝藻以及水面反射、风速、光照情况等自然条件影响的问题,提出一种基于YOLOv3目标检测的秧苗列中心线检测算法。基于透视投影计算提取图像的ROI(Region of interest)区域,采用ROI图像构建数据集,对YOLOv3模型进行训练,训练过程中通过减少YOLOv3模型的输出降低运算量,利用模型识别定位ROI内的秧苗,并输出其检测框,对同列秧苗的检测框进行自适应聚类。在对秧苗图像进行灰度化和滤波处理后,在同类检测框内提取秧苗SUSAN(Smallest univalue segment assimilating nucleus)角点特征,采用最小二乘法拟合秧苗列中心线。试验结果表明,该算法对于秧苗的不同生长时期,以及在大风、蓝藻、浮萍和秧苗倒影、水面强光反射、暗光线的特殊场景下均能成功提取秧苗列中心线,鲁棒性较好,模型的平均精度为91.47%,提取的水田秧苗列中心线平均角度误差为0.97°,单幅图像(分辨率640像素×480像素)在GPU下的平均处理时间为82.6 ms,能够满足视觉导航的实时性要求。为复杂环境下作物中心线的提取提供了有效技术途径。 相似文献
3.
基于特征点邻域Hough变换的水稻秧苗行检测 总被引：5，自引：0，他引：5
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。 相似文献
4.
基于改进K均值特征点聚类算法的作物行检测 总被引：1，自引：0，他引：1
精准施药是现代精准农业发展不可或缺的一部分,而准确地提取作物行是进行精准施药的关键环节。为此,以苗期的玉米为研究对象,提出一种基于改进K均值特征点聚类算法的作物行检测方法。该方法根据距离函数最值关系求出最佳聚类数目,再依据点密度大小和邻域半径确定初始聚类中心,减少了迭代次数,提高了算法的执行效率和划分效果。首先,采用改进的超绿法(1.27G-R-B)进行灰度化和Otsu方法进行二值化,得到作物行的二值图像;然后,利用左右边缘中间线算法提取作物行特征点;最后,采用改进K均值算法和最小二乘法对作物行中心线特征点进行聚类和直线拟合。试验数据表明:提出的改进K均值特征点聚类算法识别效果好,精确度高,可为精准施药提供理论依据。 相似文献
5.
研究了农田非结构环境下,通过机器视觉提取导航线的处理算法.首先,根据农作物的特点提出了使用聚类的方法检测作业区域终点;其次,为避免噪声干扰,利用移动窗口检测二值图像白色像素的个数,确定导航路径区域;最后,使用改进的Hough变换提取导航线.实验表明,该算法可以准确提取绿色植物的行信息,处理一帧分辨率为320×240像素的彩色图像平均需要57.404ms,正确识别率达99%. 相似文献
6.
基于边缘检测和区域定位的玉米根茎导航线提取方法 总被引：4，自引：0，他引：4
基于玉米根茎图像信息，提出一种基于边缘检测和区域定位的玉米根茎导航线提取方法。首先，利用最大类间方差法自动分割2G-R-B灰度图像，得到二值化图像，结合形态学处理、位置/面积去噪方法提高二值化图像质量，对去噪图像按列累加得到列像素累加曲线；针对传统方法得到的特征点中伪特征点较多的问题，引入高斯滤波器平滑累加曲线，并运用极值法减少玉米根茎伪特征点的干扰，在提取玉米茎秆边缘直线时，提出基于最远茎秆成像宽度的双侧边缘判别思路，通过扫描每条边缘直线的四边形封闭邻域有效剔除伪边缘直线；最后，根据边缘直线二次定位玉米的根茎区域范围，并剔除伪特征点，采用最小二乘线性拟合方法准确提取导航线。试验表明，本文算法处理一幅1280像素×720像素图像耗时约236ms，特征点拟合准确率为92%。与传统方法相比，本文算法精度高、实时性好，在缺苗、杂草较多和株距不标准的情况下仍具有较强的鲁棒性。 相似文献
7.
针对大田作物行特征复杂多样,传统作物行识别方法鲁棒性不足、参数调节困难等问题,该研究提出一种基于特征工程的大田作物行识别方法。以苗期棉花作物行冠层为识别对象,分析作物行冠层特点,以RGB图像和深度图像为数据来源,建立作物行冠层特征表达模型。运用特征降维方法提取作物行冠层的关键特征参数,降低运算量。基于支持向量机技术建立作物行冠层特征分割模型,提取作物行特征点。结合随机抽样一致算法和主成分分析技术建立作物行中心线检测方法。以包含不同光照、杂草、相机位姿的棉花作物行图像为测试数据,运用线性核、径向基核和多项式核的支持向量机分类器开展作物行冠层分割试验;对比分析典型Hough变换、最小二乘法和所建作物行中心线检测方法的性能。结果表明,径向基核分类器的分割精度和鲁棒性最优;所建作物行中心线检测方法的精度和速度最优,航向角偏差平均值为0.80°、标准差为0.73°;横向位置偏差平均值为0.90像素,标准差为0.76像素;中心线拟合时间平均值为55.74ms/f,标准差为4.31ms/f。研究成果可提高作物行识别模型的适应性,减少参数调节工作量,为导航系统提供准确的导航参数。 相似文献
8.
9.
基于边缘检测与扫描滤波的农机导航基准线提取方法 总被引：2，自引：0，他引：2
为了实时、准确地提取作物行基准线,提出了一种将边缘检测和扫描滤波(Boundary detection and scan filter, BDSF)相结合的基准线提取方法。首先对RGB颜色空间采用G-R颜色特征因子进行图像灰度化,再采用最大类间方差法（OSTU）对灰度图像进行分割,得到二值化图像,获取较好的作物信息。然后分别对图像的底端和顶端部分进行垂直投影,获取作物行的位置,形成一个包含作物行直线的条形框;在这个条形框内,再用等面积的小条形框对图像进行扫描并统计有效点的个数。最后根据扫描的结果来提取导航线。试验结果表明,对比Hough算法和最小二乘法(Least square method, LSM),BDSF算法处理一幅分辨率为640像素×480像素的图像,平均耗时为67ms,与LSM算法耗时相当,精度接近Hough算法;并且在杂草和株数稀缺情况下具有良好的适应性,能够快速准确地提取作物行基准线。 相似文献
10.
基于RANSAC算法的植保机器人导航路径检测 总被引：2，自引：0，他引：2
为实现植保机器人精准自主导航和提高路径检测的精度、可靠性,提出一种基于RANSAC算法的视觉导航路径检测方法。首先,采用超绿灰度化法和最大类间方差法进行图像分割;继而结合形态学操作与动态面积阈值滤波算法滤除干扰;最后,在垄行的边缘中,根据均值法提取特征点,采用RANSAC算法剔除离群点后由最小二乘法进行直线拟合,以提高导航路径的检测精度。实验表明,与Hough变换相比,本文垄行中心线检测方法具有更高的检测精度,导航路径的检测率可达93.8%,比未使用RANSAC算法提高了18.8个百分点。 相似文献
11.
基于机器视觉的自主插秧机导航信息的提取研究 总被引：3，自引：0，他引：3
针对基于机器视觉的插秧机的自主导航,提出了一种利用秧苗行分割线作为基准线提取导航参数的算法.根据秧苗在田间环境的特征,用EXG因子分割图像,将按列累加的灰度值所形成的曲线图,设定水平分割线找到秧苗区域,确定各苗区的起始列点和终止列点,找到定位点,拟合分割线.根据秧苗行分布呈平行线状的特点,利用分割线在图像平面上形成的灭点和成像的斜率来计算插秧机的位移偏差和角度偏差,为视觉导航提供必要的参数.实验结果表明该方法具有一定的可行性,能够用于插秧机器人的导航研究. 相似文献
12.
为解决果园视觉导航机器人行间自主行进和调头问题,提出了基于Mask R-CNN的导航线提取方法和基于随机采样一致性(Random sample consensus, RANSAC)算法的树行线提取方法。首先,基于Mask R-CNN模型对道路与树干进行识别,提取道路分割掩码和树干边界框坐标;其次,在生成行间导航线的基础上,采用改进RANSAC算法提取前排树行线;然后,计算树干边界框坐标点到前排行线的距离,筛选后排树干坐标点,采用最小二乘法拟合生成后排树行线;最后,通过分析前后排树行信息判断调头方向,结合本文提出的行末端距离计算与调头路径规划方法,规划车辆的调头路线。实验结果表明：在不同光照、杂草、天气环境下的6种果园场景中,模型的平均分割精度和边界框检测精度都为97.0%,导航目标点提取的平均偏差不超过5.3%,树行线检测准确率不低于87%,调头后车辆距道路中心的平均偏差为7.8 cm,可为果园环境下的视觉自主导航提供有效参考。 相似文献
13.
14.
大田环境下小麦种植行的识别与定位对农机田间喷药和除草等任务的导航作业具有重要意义。以分蘖期和拔节期的冬小麦无人机可见光遥感影像为研究数据，结合深度语义分割和霍夫变换直线检测，提出了一种多生育期小麦种植行检测方法。采用SegNet深度语义分割提取小麦种植区域，克服传统检测方法对光照敏感的同时提高检测精度。基于霍夫变换的小麦种植行预检测结果，提出采用二分k均值聚类进一步提炼检测结果，以识别出小麦种植行区域的中心线。实验结果表明，对于分蘖期和拔节期的冬小麦图像，种植行直线平均位置偏差的绝对值分别为0.55、0.11 cm;平均角度偏差的绝对值分别为0.001 1、0.000 37 rad,检测精度与直线漏检率等指标都显著优于传统方法。研究结果为智能农机导航作业中的作物种植行检测提供了方法支持。 相似文献
15.
为精准化管理果园,针对存在裸露土壤、遮蔽物、果树冠层阴影和杂草等复杂环境下难以提取导航线问题,通过无人机搭载多光谱相机获取苹果园影像数据后提取果树像元并进行全局果树行导航线提取。通过处理多光谱影像数据得到正射影像图(DOM)、数字表面模型(DSM)图像,选取并计算易于区分杂草与苹果树的归一化差异绿度指数（NDGI）、比值植被指数（RVI）分布图,构建DSM、NDGI、RVI融合图像后,综合利用过绿植被(EXG)指数和归一化差异冠层阴影指数（NDCSI）以阈值分割法剔除融合图像中土壤、遮蔽物、阴影等像元,降低非植被像元对果树提取的干扰。对比使用支持向量机（SVM）法、随机森林（RF）法和最大似然（MLC）法分别提取最终融合图像和普通正射影像中的苹果树像元,并计算混淆矩阵评价各识别精度。试验表明,MLC法对融合图像中果树的识别效果最优,其用户精度、制图精度、总体分类精度、Kappa系数分别为88.57%、93.93%、93.00%、0.8824;相对于普通正射影像,本文构建的最终融合图像使3种方法的识别精度均得到有效提升。其中,融合图像对RF法的用户精度提升幅度最大,为27.12个百分点;对SVM法的制图精度提升幅度最大,为9.03个百分点;对3种方法的总体分类精度提升幅度最低为13个百分点;对SVM法的Kappa系数提升幅度最大,为22.55%,且对其余两种方法的提升也均在20%以上。将本文得到的苹果树像元提取结果图像做降噪、二值化、形态学转换等处理后,以感兴趣区域划分法提取各果树行特征点,并以最小二乘法拟合各行特征点得到导航线,其平均角度偏差为0.5975°,10次测试整体平均用时为0.4023s。所提方法为复杂环境中果树像元和果树行导航线提取提供了重要依据。 相似文献
16.
基于机器视觉的农田地头边界线检测方法 总被引：2，自引：0，他引：2
在非结构化复杂农田作业环境中,为实现农机在地头处的自主导航转弯,首先需及时、准确地感知地头的空间位置信息,尤其是地头边界位置。本文基于机器视觉技术,首先依据农田内外像素灰度的跳变特征来判断地头是否出现,通过建立正向和负向分布偏差两个度量确定是否存在该灰度跳变特征;随后,将图像沿水平方向平均分成8个子处理区域,针对各子处理区域求取其行灰度平均值分布图,基于局部加权回归法对其进行平滑处理,建立按序离群度参数,通过寻找平滑曲线上首个按序离群程度较大的波峰点或波谷点以及相应的跳前波谷点或波峰点,最终确定跳变特征点的像素坐标,并基于稳健回归法线性拟合跳变特征点,获取实际非规整地头边界的主体延伸方位线;最后,将主体延伸方位线向下平行移动,当其线上像素的灰度平均值接近于田内像素的灰度分布特征时,认为抵达安全位置处,由此获得农机在当前地头处安全转向掉头的边界线。试验结果表明,判断地头出现的准确率不低于96%,地头边界线检测准确率不低于92%。 相似文献
17.
基于机器视觉的谷物联合收获机行走目标直线检测 总被引：1，自引：0，他引：1
针对谷物联合收获机视觉导航,提出基于改进Hough变换(HT)的谷物联合收获机行走目标直线检测算法.通过改进一维最大熵阈值分割方法,提高了阈值分割的速度;对二值图像通过行扫描和列扫描,确定了行走目标直线的终点位置以及直线方向上的候选点;以候选点为点集,利用最小二乘直线拟合和直线终点位置确定了待检测直线上已知一点;利用改进HT完成直线检测,与传统的HT相比,将二元映射转换为一元映射,加快了算法速度、减少了空间占用和提高了抗干扰能力.经过对多幅图片的处理,证明算法能够有效地检测出直线参数,且处理时间在100 ms左右. 相似文献