|
|
EDA365欢迎您登录！
您需要 登录 才可以下载或查看，没有帐号？注册
x
摘 要：基于机器视觉的田间车辆自动导航是农用车辆导航的热门研究方向，但含较密集杂草的农田作物行提取，: @/ b9 G3 {& p5 }5 ?" z
目前依然是个难题。该文提出一种适用于密集杂草农田的，主要基于频率和颜色信息的农田图像分割算法。通过小/ A) G; a7 P/ ^$ v* s) L
波多分辨率分解后构建的频率总量指标，利用作物产生主频信息的总量优势，结合作物行的交替及最大类间方差法、
( X* f* F" ^: K+ R( [颜色模型分量变换，实现农田杂草的去除，并通过最小二乘法拟合直线，实现农田作物行提取。实验表明算法能有* A% i" o; z! f( E
效克服密集杂草干扰，针对 480× 640像素大小图像，单幅处理时间平均为 132 ms。
: f0 x6 v5 b9 v( r5 d1 R关键词：田间导航；作物行；小波变换；最大类间方差- S, c5 Q* n! G4 r3 u, X2 A5 R
1 引言
3 L' J! z; y& G v& q- u3 M田间车辆自动导航、辅助导航能有效降低农民" U& T$ C, q% G
工作强度，提高农业生产效率，减少农药中毒、皮
; {3 l( H$ M0 |; n, U1 U& M
8 v( V0 o8 ~1 Y! u/ @肤晒伤等农业事故的发生，并能促进精细农业发展，
8 }6 s3 F) s) a7 Y. S, e9 |从而得到广泛研究。相比卫星等导航方式[1]，基于机5 t1 T9 d8 x7 V% f' W
器视觉[2 4]的田间车辆自动导航、辅助导航，获得2 o: N# U$ w0 }
信息量丰富、使用灵活、体积小、能耗低，被广泛8 R t4 U" z# X2 x2 W
采用。2 ]' d) |4 J0 M3 _8 y* D! H% Z& N
作物行提取是基于机器视觉的田间导航实现的+ f1 }8 ~/ c: Y6 q8 O1 |7 }- g
关键步骤，而杂草一直是作物行提取中难于去除的: p9 r! W; ^( r% B0 ~
干扰，目前主要有两大类解决方法：一类，在作物
6 a0 a; V) g& Z( U0 q行提取时去除杂草；一类，在作物行提取前去除杂
$ D0 o, M6 g' t$ K u草。# R1 G& }0 o$ m# P( G4 Z
第 1 类通过作物行提取算法，利用杂草分布的1 ^; V" p6 a+ B# C, Z: b3 U, L
随机性，去除杂草干扰。如采用正、余弦模版匹配
- e5 s t; E5 v8 \5 ]( }9 y的方法[5]，认为农田图像中，作物行间像素值分布和 e+ y }$ M6 N# V, z
正余弦负半波匹配，但当杂草较密集时这种匹配将# J2 f/ Q4 A' G8 o" b- h
被打破。还有些研究者利用直线提取算法的统计特! [) ?6 j1 @9 m5 f$ X0 m
性抗杂草干扰，其中 Hough 变换算法应用最为广泛。
, c% L2 q. M5 P' h. W7 }: l/ ?- D+ |' U9 W
3 e" @$ i" e0 ]0 C
) F. W# J9 z/ R' A# ^/ R7 W; q9 g' J+ n3 @; P- T" f
: B/ A! M; F/ L" O+ Y, E3 T' f附件下载:
, O" U' m2 M. q' s" z$ R) V9 E9 N% x3 o) [
2 |& Y' V$ `: _! b* S0 N! x7 T! |! l3 J( g
|
|
/1 
发表于 2020-11-5 13:31
收藏
淘帖
支持！
反对！