您当前的位置:首页 > 论文范文 > 农业论文 > 农业技术论文 > 正文

基于图像处理的农业设备视觉导航技术分析

  摘要:为解决机器视觉对田间作物行定位困难的问题,给出了一种基于图像处理的视觉导航方法。根据农田图像的特点,采用2G-R-B灰度变换;去除噪声后采用最大类间方差法分割作物行与背景;从多行苗列中选取中间行苗列作为目标检测区域,提取作物行特征点,对特征点进行筛选之后,根据有效的导航基准点位置利用Hough变换得到导航基准线。该方法能准确提取农田图像中的苗列信息,确定多条导航线的方位。

  关键词:图像处理;特征点;Hough变换;导航基准线

基于图像处理的农业设备视觉导航技术分析

  随着精准农业的快速发展,农业机械自动化程度迅速提高,而人工驾驶存在效率低、驾驶员劳动强度大、易疲劳等问题[1]。农业机械的自主导航广泛应用于田间耕作、喷洒、施肥、收获等领域,节省了大量人力物力资源并提高了农作物产量。相较于其他的导航技术,视觉导航技术有着较高的灵敏性[2],并且基于视觉导航技术的农业机械设备,能够按照特定的路径轨迹而开展农业作业[3]。该方法是通过对摄像机得到的画面进行实时动态的分析处理并提取导航基准点并拟合导航基准线。其中,关键技术在于能否通过图像处理准确地得到导航基准线[4]。

  笔者研究出一种基于图像处理的视觉导航方法,能准确提取农田图像中的苗列信息,确定多条导航线的方位。

  1农田图像预处理

  在农田机器视觉导航中,目标作物通常为农作物、土壤等自然景物。农田周围环境往往较为复杂,通常有以下特点:

  1)多样化。农田图像中不仅存在农作物、土壤、杂草等,在不同时刻,不同生长阶段其尺寸、颜色、形态都在不断地变化中。

  2)离散性。农田中作物是不连续的以及存在断株或断行的情况。

  3)非完整性。在采集农田图像时,得到的图像往往是农田的局部信息。

  4)相对规律性。农作物位置分布一般具有规律性,多数呈直线形分布状态,农田图像路径一般为多行且窄长(见图1)。

  1.1图像灰度化处理

  RGB图像通过用R、G、B三个分量表示一个像素颜色,分别代表红、绿、蓝,并可由不同比例叠加得到任意颜色。图像灰度化就是使3种分量值相等的过程[5]。

  农田作物行的图像信息中,通常会存在某一种基色与其他基色有较大差异的情况。作为导航引导目标的农作物一般呈绿色,而土壤背景表现为非绿色[6],农作物行的G值较高而土壤的R值与B值较高。αG-R-B也称为超绿特征算法,woebbecke等采用2G-R-B算法在农田特征提取中提取出了绿色分量[7]。笔者在进行灰度变换时,通过加大G所示。由于土壤经过灰度化后呈现明显的黑色,因此推断在0~20像素区间多是土壤,125~255像素区间多为目标植株。

  Fig.3HistogramofGrayImage

  1.2图像分割

  阈值处理操作对象是灰度化后的图像,将灰度图像的灰度值与阈值相比较,最终得到的只有黑色(像素为0)或者白色(像素为255)的图像。由于得到的只包含两个灰度值的图像,因此也称阈值法为二值化处理。其原理可用下式表示。

  设原图像为f(x,y),经过阈值分割之后的图像设为g(x,y),T为阈值,则有值、减小B值和R值的方法处理图像,使作物行与背景较好地分离。

  g(x,y)=1f(x,y)≥T0f(x,y)

  式中:Gr(x,y)是灰度化因子;R(x,y)、G(x,y)、B(x,y)分别是R、G、B各分量矩阵。

  图2为2G-R-B处理后的结果,可以清楚地设二值化的阈值为μ,像素灰度值小于等于μ的平均灰度值为μ0,像素灰度值大于μ的平均灰度值为μB,则两类类间方差为看到,麦苗被强调处理的同时,苗列间的土壤几乎变b=p0(μ0-μ)+p(μ-μ)22成了纯黑色。

  经过灰度化处理后,农田图像灰度直方图的特点多是有双峰但无明显低谷,或者都不明显,如图3ni,i=0,1,2,3,…,L-1;M•N为图像大小;μ在~L上变化,使得σ2(μ)最大的μ值为最佳门限阈值。本方法所使用图像最佳阈值经确定为35。农用图像阈值化处理后结果如图4所示。

  1.3图像滤波

  农田环境往往较为复杂,阈值分割后的图像常常可看到有大量杂草以及枯枝的噪声干扰。若不去除这些干扰,不仅会占用大量计算时间和计算机内存,影响导航进程中的实时性,甚至拟合出错误路径,严重影响导航精确性。图像增强处理可以抑制图像中的噪声,但是一般很难完全去除噪声。不仅如此,在进行二值化处理时,也会产生新的噪声,这会使提取作物形态特征时产生困难,因此需要进行平滑处理。

  实际农田图像中,噪声呈小颗粒状且分布不均匀[8]。常用的去除噪声的方法是中值滤波去噪,但由于实际农田噪声点较小且数量多,中值滤波可能无法取得较好的效果。针对其特点,可根据面积大小进行滤波。

  1.4感兴趣区域的提取

  实际田间测试时,由于摄像头的安装高度使得同时拍摄到的作物行有多列同时存在。感兴趣区域(ROI)在图像处理中,可以将被处理的图像以方形、圆形或者各种不规则形状的方式提取出所需要操作的区域,如图5所示。圈定标记的目标区域后,在之后的处理过程中,可以有效地减少处理时间,提高实时性。但是作物线在图像中位置是随机出现,所以在确定ROI区域时,若无法包涵整个作物行边界,会导致关键点拟合的缺失,区域过大又会增加计算量。

  1.5小麦行列中心线的特征点提取

  通过确定导航特征点不仅可以有效地得到导航基准线,并可以减少后期处理的计算量。经过图像处理之后的农作物仍然保持着一定的宽度,为了能够达到较高精准度的定位和方便后期计算,采用在每个作物行的最大背景空隙的中点作为特征点的方法,来代表目标作物,确定作物行列的中心位置,从而完成候补特征点集的选定,如图6所示。

  1.6多列目标中心线检测

  在农田环境导航路线的检测中,首先要确保检测直线的精度和速度。检测的路径直线是否准确关系到农业车辆的行走路线是否对应作物行,检测速度则影响着视觉导航的实时性,同时,由于农田环境的复杂性,还应具备一定的抗干扰性。Hough变换的原理是建立一种点线对偶关系,从图像空间中将图形变换到参数空间来确定曲线的参数,进而确定图形中曲线的参数[9]。Hough变换能有效连接直线和点,因此广泛应用于直线拟合。

  设直线方程为以x为横坐标、y为纵坐标建立xy空间,以p为横坐标、q为纵坐标建立pq参数空间,则有以下对应关系:

  1)一条确定的直线对应一组确定的参数p、q,因此,一条确定的直线在pq参数空间中对应一个确定的点。

  2)参数空间中的一条直线对应xy空间中的一个点。

  3)xy空间上的一条直线上有n个点,对应着参数空间中经过某个公共点的n条直线。

  由此可知,在图像空间中共线的点对应在参数空间里面相交的线,反过来,在参数空间里面相交于同一个点的所有直线在图像空间里面都有共线的点与之对应,这就是点-线的对偶性。因此,当检测原图像中的某条直线时,根据直线上的n个点(xi,yi),i=1,2,…,n,可在pq参数空间绘制n条直线,检测n条直线的交点,即可确定图像中直线的参数,从而确定该直线。

  由于Hough变换的特点,可知经过标记后的各区域中心坐标时一些共线的点,可将其连接起来,得到导航基准线。

  由图7可看出,得到的拟合导航线能较好地反映出多行苗列的走向,具有很高的精准度。

  0开发环境与开发工具

  图像处理所用设备为PC机,计算机配置CPU为Intel(R)Core(TM)i5-8400,主频2.80GHz,内存8GB,操作系统为64位,基于x64的处理器。图像处理软件为MATLAB2018a。

  1试验结果分析

  为了验算试验的合理性,本次研究选取了100张不同光照条件下的小麦图像,依次按照文中所述方法进行预处理、阈值化、试验区域选取、特征点的提取与导航线的拟合。试验结果表明,95%的图像中代表苗列的目标直线都可以检测出来,具有很高的准确性。

  2结论

  通过对田间作物图像进行分割处理,分离背景与目标物,对灰度图像进行滤波等方法进行处理,再拟合二值图像中各部位的特征点得到的拟合直线能很好地反映作物行的位置信息,具有良好的可靠性。在试验过程中只对一种作物进行处理,选取梯形区域对其中较为中心的作物行进行导航线的拟合,缩小了范围。在拟合导航线时,采用轮廓标记法提取特征点,将其无效特征点剔除后使用Hough变换拟合特征点。结果表明,能较好地拟合导航线。但是,如果麦苗过于茂密,苗列间交错严重,就不能获得较好的检测结果,因此此方法较为适合麦田早期生产活动当中。

  参考文献:

  [1]沈飞,陈伏州,戴伟.拖拉机自动驾驶路径规划算法研究与系统仿真[J].拖拉机与农用运输车,2018,45(2):13-15.

  [2]王赟.农业机械自动导航技术研究进展[J].中国标准化,2019(16):227-228.

  [3]单力.关于农业机械机器视觉导航的探讨[J].化工管理,2017(2):41.

  [4]李景彬,陈兵旗,刘阳,等.采棉机视觉导航路线图像检测方法[J].农业工程学报,2013,29(11):11-19.

  [5]李景彬,曹卫彬,陈兵旗.棉花机械化生产过程视觉导航路径图像检测方法[M].北京:中国农业科学技术出版社,2016.

  [6]曹倩,王库,李寒.基于机器视觉的旱田多目标直线检测方法[J].农业工程学报,2010,26(S1):187-191.

作者:刘一鸣,刘瑞军,石大排 单位:山东理工大学交通与车辆工程学院 ,湖北文理学院