一种玉米精准施药系统的作物行识别方法

摘要

本发明公开了一种玉米精准施药系统的作物行识别方法，步骤为：工业相机和镜头采集玉米田RGB彩色图像；对获取的RGB彩色图像利用改进的过绿灰度化算法灰度化；利用改进的中值获取方法的中值滤波去除图像噪声；最大类间方差法对去噪后的图像二值化；采用形态学算法滤除二值化图像的噪声；基于马氏距离和玉米叶脉规则提取作物行骨架；基于主骨架点的Hough变换将主作物行拟合为直线。本发明最大程度保留作物行信息、去除背景干扰，提高了运算速度，基于马氏距离和玉米叶脉规则提取准确的作物行骨架，有效避免杂草等噪声的影响，适应不同作物及光照条件，作物行准确率高于98.3%，为精准农业系统中的喷药喷头自动对准提供了有效的方法。

说明书

技术领域

本发明涉及农业工程的技术领域，具体涉及一种玉米精准施药系统的作物行识别方法。

背景技术

在精准施药系统中实现施药喷头的自动对准，关键是作物行中心线的识别。数字图像处理算法在自动识别方面具有很大的优势，是现代精准农业的基础和关键技术。以往的研究表明，作物行提取算法具有单一性和适应性不强的缺点，农作物生长的不同时期、光照、及作物种类均会对算法的实现造成影响。设计一种满足多种条件的作物行识别算法是精准施药的重要问题。

根据以往的研究，农田作物行的识别算法一般是以农田作物行或者作物沟的中心线为研究对象。早在上世纪，Silsoe研究中心的Marchant和Brivot和瑞典专家BjornAstrand以及比利时学者V.Leemans等都分别对行识别及导航算法做过相应的研究，并取得了一定的成果。近年来国内也出现了不少这方面的研究，张志斌等将hough变换与Fisher准则相结合，根据垄线点空间关系得出多垄识别统一模型，克服传统Hough变换提取多垄线的不足；赵瑞娇等将投影法和直接Hough变换法相结合，提出一种基于垂直直方图投影的改进Hough变换检测作物行中心线的方法；马红霞等将灰度图像分成若干个水平条，用垂直投影法找出导航定位点，并设置感兴趣区域，在区域内采用Hough变换对定位点拟合得出导航基准线。在作物行提取中，骨架提取算法也是重要的一环，提取的准确性直接影响作物行提取的准确程度。传统的骨架提取算法有三种，一是拓扑细化的方法，二是基于距离变换的方法，三是基于Voronoi图的方法，但都存在部分缺点。徐超等提出了一种基于欧式距离的新型骨架提取算法，具有一定的改进效果。这些算法对农田作物行提取算法都具有一定参考价值，但算法复杂，且不能从根本上满足农业机械的需要，因此还需要进一步的研究和实验。

发明内容

本发明要解决的技术问题是提供一种玉米精准施药系统的作物行识别方法，该方法可有效避免杂草等噪声的影响，并且适应于不同作物及光照条件，其作物行准确率高于98.3%。

本发明的技术方案是：一种玉米精准施药系统的作物行识别方法，包括以下步骤：

S1：利用工业相机和镜头采集玉米田RGB彩色图像；

S2：对获取的RGB彩色图像利用改进的过绿灰度化算法进行灰度化；其中，改进的过绿灰度化算法为：灰度化后的灰度值Gary为

S3：利用改进的中值获取方法的中值滤波去除灰度化图像噪声；

S4：利用最大类间方差法对去噪后的图像进行二值化处理；

S5：采用形态学算法滤除二值化图像的噪声；

S6：基于马氏距离和玉米叶脉规则提取作物行骨架；

S7：采用基于主骨架点的Hough变换算法将主作物行拟合为直线。

所述玉米田RGB彩色图像为玉米生长中期真实复杂环境的图像。

所述改进的中值获取方法为：对于3*3的像素数组M：

其中，a>b>c，d>e>f，g>h>i，e>b>h，d>a>g，i<f<c；对矩阵的每个行向量进行降序排列：a>b>c，d>e>f，g>h>i，e>b>h，则a、d、g中的最大值d即为矩阵M的最大值， c、f、i中的最小值i为M的最小值，则

由于9个元素的中值，必大于四个元素，同时也小于四个元素，所以d、i、a、f、e、h都不可能是中间值。排除以上六个像素之后，只需比较窗口矩阵中最大值中的最小值g、中值中的中间值b和最小值中的最大值c，然后取三者的中值，该中值便是数组M的中间值。

所述基于马氏距离和玉米叶脉规则提取作物行骨架的方法为：基于玉米叶脉规则确定玉米中心点，将此中心点作为主骨架点；通过马氏距离变换其他点得到距离图像，对距离图像进行骨架提取。

所述马氏距离变换的算法如下：，其中，表示其他点二维信息，表示主骨架点的二维信息，表示原始数据协方差矩阵的逆矩阵，表示其他点到主骨架点的距离。

本发明通过改进的过绿灰度化算法最大程度保留作物行信息、去除背景干扰，改进的中值获取方法提高了运算速度，基于马氏距离和玉米叶脉规则提取作物行骨架得到准确的骨架，其可有效避免杂草等噪声的影响，适应于不同作物及光照条件，其作物行准确率高于98.3%，为精准农业系统中的喷药喷头自动对准提供了有效的方法。

附图说明

图1为本发明的流程图。

图2（a）是采用传统的过绿算法处理的灰度图；（b）是本发明的过绿算法灰度化后的图像。

图3是本发明改进的的中值滤波得到的图像。

图4是本发明的最大类间方差法得到二值化图像。

图5是本发明的形态学滤波滤除噪声后的图像。

图6（a）是基于像素边缘的方法细化的图像；（b）是基于马氏距离和玉米叶脉规则的作物行骨架提取的图像。

图7是基于主骨架点的Hough变换拟合的作物行中心线的图像。

具体实施方式

下面结合附图和具体实施例具体说明一下本发明。

如图1所示，一种玉米精准施药系统的作物行识别方法，包括以下步骤：

S1：利用工业相机采集玉米田RGB彩色图像。

采用MV-VD030SC型号工业相机和AFT-0814MP镜头采集玉米田RGB彩色图像，并将其保存在电脑程序中，保存方式为BMP格式，图像大小为640*480。通过基于MFC的图像处理视觉程序，将图片直接显示在程序运行界面上。玉米田RGB彩色图像为玉米生长中期真实复杂环境的图像。通常，生长中期的玉米图像具有：叶子呈现长条形，交叉遮挡严重，杂草以及土壤背景噪声都较大，作物行中心不明显且宽度较等特点。

S2：对获取的RGB彩色图像利用改进的过绿灰度化算法进行灰度化。

由于作物植株的G分量一般都要大于R和B分量，但背景却不一定，传统的过绿特征算法为Gray=2G-R-B，没有最大程度的保留作物行信息，去除背景干扰。在传统的过绿特征算法实现过程中添加条件，若G<R或G<B，Gray=255，得到改进的过绿灰度化算法为：灰度化后的灰度值Gary为

利用改进的过绿灰度化算法对获取的RGB彩色图像处理得到灰度图像，并在程序界面上显示，如图2（b）所示。传统的超绿色图像分割算法处理的图像如图2（a）所示。由图图2（a）和（b）对比可知，改进的过绿灰度化算法根据图像的色彩特征，得到的灰度图像中作物行和背景的分割更加明显。

S3：利用改进的中值获取方法的中值滤波去除灰度化图像噪声。

灰度化后的图像噪声较大，干扰了对目标行的处理，不能明显的分离出灰度图像中的作物行，因此，需要对图像进行滤波操作，而且滤波处理的效果将会对图像处理结果的可靠性造成直接的影响。拍摄的玉米田图片需要连续四次滤波才能使效果更好，因此，提高滤波速度对减少算法运行时间具有很大的作用。

原始的中值滤波算法，采用的是对3*3的数组窗口进行全部排序，然后得到中间值替代矩阵的中心点的灰度值。而要想得到9个像素点的中间值，需要对数据进行36次的比较，这将会消耗大量的时间，不利于图像的实时处理。因此本发明对中值滤波的中值获取方法进行改进，以3*3的像素数组M为例：

首先对矩阵的每个行向量进行降序排列，假设a>b>c，d>e>f，g>h>i，e>b>h，则a、d、g中的最大值即为矩阵M的最大值，假设为d>a>g；c、f、i中的最小值为M的最小值，假设为i<f<c；则

由于9个元素的中值，必大于四个元素，同时也小于四个元素，所以d、i、a、f、e、h都不可能是中间值。排除以上六个像素之后，只需比较窗口矩阵中最大值中的最小值g、中值中的中间值b和最小值中的最大值c，然后取三者的中值，该中值便是9个像素点的中间值。改进后的排序算法只需21次排序便可找到中值，算法速率得到了提高。

利用改进的中值获取方法的中值滤波方法处理步骤S2处理后的灰度化图像，采用3*3的数组窗口去除灰度图像的噪声如图3所示。

S4：利用最大类间方差法对去噪后的图像进行二值化处理。

利用最大类间方差法，来进行阈值分割，其计算简单，且不受图像亮度等信息干扰，具有较好的处理效果，处理过后得到清晰的二值化图像，如图4所示。

S5：采用形态学算法滤除二值化图像的噪声。

由于农作物行间和作物行上都有少许相对于作物行面积较小的噪声，因此采用形态学算法对二值图像滤除噪声。这里主要采用腐蚀和膨胀算法进行，通过腐蚀可以使作物行逐渐向它的重心收缩，并把小于结构元素的物体去除，而膨胀的作用则相反，可以填补孔洞，增加作物行的宽度。为了不改变和消除作物行有用信息，形态学处理所用模板一定要合适，本发明采用3*3模板对二值化图像进行操作，通过实验确定应先进行腐蚀，然后膨胀，循环3次的去噪效果最好。采用该方法滤除二值化图像噪声的结果如图5所示。由图5可知，利用该方法去除步骤S4得到的二值图像的噪声后，去除了作物行之间的噪声，使得以后的处理结果更准确。

S6：基于马氏距离和玉米叶脉规则提取作物行骨架。

为了提取作物行的骨架信息，通常采用基于像素边缘的方法对其进行细化处理，如图6（a）所示。由于相机安装于农业机械喷头的中间部位，正常行走所拍摄的图像也是对称的。如果出现偏差，中间两行作物的位置会有更明显的变化。为了减少计算量，在考虑信息量和准确性的前提下，去除图像中的多余线条，只保留最靠近中心的两行来代表作物行的中心线。在此过程中，传统的骨架提取算法采用欧式距离或接近于欧式距离的其他变换方法生成距离图像，但应用在玉米图像上效果不好，提取的骨架误差超过10%。

基于马氏距离和玉米叶脉规则提取作物行骨架的方法为：基于玉米叶脉规则确定玉米中心点，将此中心点作为主骨架点；通过马氏距离变换其他点得到距离图像，具体的变换算法如下：，其中，表示其他点二维信息，表示主骨架点的二维信息，表示原始数据协方差矩阵的逆矩阵，表示其他点到主骨架点的距离。最后将变换后得到距离图像，进行传统的骨架提取，得到骨架信息。基于马氏距离和玉米叶脉规则提取作物行骨架的方法提取作物行骨架的结果如图6（b）所示。

S7：采用基于主骨架点的Hough变换算法将主作物行拟合为直线。

将主骨架点作为作物行的主要节点，采用Hough变换算法将其拟合成直线。根据世界坐标系与图像坐标系的变换关系，通过计算图像中作物行底部中心与图像中心的像素偏差距离，我们可以得出图像像素偏差所对应的实际地理偏差的大小，实时反馈校正信息，从而实现精准施药系统机械喷头的自动对准。采用基于主骨架点的Hough变换算法拟合主作物行的结果如图7所示。

由图7可知，采用本发明的方法提取出的作物行和玉米实际作物行的吻合度较高，行的走向和实际作物行的走向基本保持一致。通过实际测试数据对比发现，本发明的方法提取的作物行和实际的吻合度超过99.3%，最大误差不超过1mm。这在一定程度上降低了系统误差率，提高了系统准确性，为后续精准施药提供了可靠的偏差数据。

本发明可以应用于其它不同作物的作物行提取，如小麦等。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。