|
|
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，6 i) J2 }( _) R$ h/ D+ S
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. }3 c: r' }7 T/ C) f. K* a
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、
" k. o- R8 p! G3 c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
$ z$ R, T* j" g* ~4 `4 h! f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。
( N* S/ `7 T0 ^5 b1 {5 X关键词：田间导航；作物行；小波变换；最大类间方差, e1 O4 Q. D6 ~4 ]. I
1 引言
8 [2 `5 ?" @% H# o! T1 z0 K田间车辆自动导航、辅助导航能有效降低农民; d( Q/ V! m0 w. ]: f
工作强度，提高农业生产效率，减少农药中毒、皮
/ X- k$ w8 `1 Q$ J5 S6 U l& L4 b G% O+ p) |; b
肤晒伤等农业事故的发生，并能促进精细农业发展，
N3 h7 S0 L, ^- |) [从而得到广泛研究。相比卫星等导航方式[1]，基于机
3 \7 C i7 F$ j; T7 x3 `器视觉[2 4]的田间车辆自动导航、辅助导航，获得
0 D$ m; \8 ^$ v: B3 v$ Q+ h n信息量丰富、使用灵活、体积小、能耗低，被广泛7 z( ]% h* s1 ^- x3 ~+ ~9 Q* c
采用。' j8 ?. D2 b( O8 O2 U' T3 {
作物行提取是基于机器视觉的田间导航实现的
6 F' e0 C/ L* _* G; k r2 |9 G! ~+ b4 h关键步骤，而杂草一直是作物行提取中难于去除的* m' W. n& f3 a3 o9 V
干扰，目前主要有两大类解决方法：一类，在作物$ m; n2 o/ f9 W- e! m
行提取时去除杂草；一类，在作物行提取前去除杂! f# Q- y- r* V/ U
草。
: @1 _9 D/ h1 S第 1 类通过作物行提取算法，利用杂草分布的
0 o1 P* A& i4 t: L( c6 x6 I随机性，去除杂草干扰。如采用正、余弦模版匹配9 o6 b. J- x5 K- w+ K) O
的方法[5]，认为农田图像中，作物行间像素值分布和4 O0 c2 h: k. m2 {$ w5 I
正余弦负半波匹配，但当杂草较密集时这种匹配将
: t" o0 J: c5 n: u被打破。还有些研究者利用直线提取算法的统计特- @# C1 E* H9 J% a7 v8 P: v
性抗杂草干扰，其中 Hough 变换算法应用最为广泛。
# n; P% S$ q3 m1 Z7 l) e; Y, o
5 f" A/ j1 O; o( v* _/ R& ~* Y4 G
& i# }( X& H1 s& T
# D7 ^- i( N2 Z% a
( l) R- V o3 K+ z. p: O7 I# \* J! q, [3 T( _2 ~
附件下载:% N W2 Q! b1 l2 P) s) m
) P* c3 z& s( k+ I; N% Y6 l I9 v) Q, e' K
p% r9 V! k D" j) L" V q- k. F
|
|
/1 
发表于 2020-11-5 13:31
收藏
淘帖
支持！
反对！