机器视觉的田间农作物行识别
1
目 录
Abstract1
Key words1
引言1
1绪论1
1．1研究目的和意义1
1．2国内外研究现状2
1．3本课题研究内容3
2作物图像的分割处理4
2．1作物图像分割概述4
2．2颜色模型4
2．3图像分割阈值区间7
2．4图像分割之区域分裂与聚合算法9
2．5 二值图像（掩膜图像）11
2．6联通区域剔除（减少噪点）11
2．7联通区域选择（选择目标区域）12
2．8本章小结13
3基于形态学骨架（主干）提取的作物行中心曲线计算13
3．1作物行中心线概述14
3．2骨架定义14
3．3形态学细化法骨架提取原理 14
3．4骨架主干分析17
3．5作物行中心线识别实验18
3．6本章小结19
4实验结果分析19
4．1实验环境19
4．2检测结果19
4.2.1测试一：单作物行检测19
4.2.2测试二：多作物行检测21
4.2.3测试三：簇状作物的作物行检测23
4.2.4测试四：曲线作物行检测24
4．3不足和建议 26
5总结分析和展望26
5．1总结分析 26
5．2展望 27
致谢27
参考文献28
基于机器视觉的田间农作物行识别
计算机科学与技术专业学生 潘家定
指导教师 朱淑鑫
摘要：机器视觉导航系统对农作物行的定位决定了自动化田间作业的有效性。本文首先将采集的农作物图像由RGB颜色空间转到HSI颜色空间，采用基于阈值区间的小范围最大类间方差法得到一个合适的阈值区间，并用该阈值区间作为区域分裂与聚合算法的条件进行图像分割，可以较好将作物行区域分割出来。接着通过形态学运算和去内部无效小联通区域的方法消除噪声，对留下的联通区域进行筛选只需要最可能是目标作物行的区 *好棒文|www.hbsrm.com +Q: #351916072#
域。最后用细化法对每个目标联通区域提取骨架，对骨架进行剪枝和主干提取，并选择合适的主干作为本算法的作物行中心曲线。
A MACHINE VISION BASED CROP ROWS DETECTION
Student majoring in compute science and technology Pan Jiading
Tutor Zhu Shuxing
Abstract：The location detection of crop row by machine vision based navigation system determines the efficiency of automatically farming.The method transfer color from RGB to HSI first.After bettering OUST ,this paper put forward a OUST based on Interval in Partial scope.The interval found by this OUSTIP is combined with the zone divide and get together method to divide the crop rows from pictures and generate a binarization image.Then morphology operation and dropping inner area will be used to reduce the noise. .After selecting the proper linking areas,the method use thinning method to obtain skeletons from these linking areas.The trunks of these skeletons should be the curve center line.
Key words: crop row；center curve line；skeleton extraction
引言 农业的发展离不开农业自动化，而基于机器视觉的农业自动化灌溉系统、自动化喷洒农药系统，自动化收割系统等农业自动化系统都需要得到农作行的位置。而农作物行中心线可以很好的代表作物行的位置，因此本文分析研究得到作物行中心线的方法。考虑到作物行不一定是严格直线，所以应该寻找可以适用于作物行非严格直线的方法，即识别曲线作物行的方法。
1 绪论
1．1 研究目的和意义
我国是农业大国，而农业机械自动化的发展很大程度上决定了现代农业的发展方向。在自动喷洒农药和肥料、中耕除草、插秧、收割作业等许多方面，会运用到基于计算机视觉的田间导航。它需要解决的关键技术之一是准确分割作物和背景, 检测出农作物行中心线,确定作物行的位置。视觉导航系统能否在较短时间内确定农作物行中心线, 对能否准确进行田间作业非常重要。为了提高基于机器视觉的农业机械田间导航的适用性，应解决现有作物行定位方法的只能定位直线的缺点，寻找一种适用于曲线形态的作物行，并且鲁棒性好的农作物行中心线检测方法。但受农作物类型和生长阶段以及光照条件等因素的影响, 精确定位作物行的位置非常困难。本文主要研究的作物行中心线提取算法，是针对一行作物连成一片的作物行，不包括零星分布在田间的苗期作物行。
1．2 国内外研究现状
在农业工程领域, 农业机械视觉导航技术受到在国内外的广泛关注 , 被认为是实现农业可持续发展重要的技术手段。基于计算机视觉的作物行定位技术是视觉导航的重要前提条件。常用的行定位方法有Hough变换法、投影法、透视法等。
饶洪辉等[1]提出了可以检测苗期作物作物行的方法。该方法首先利用直方图法和大津法分割图像后，结果以二值图像形式保存，之后计算每个八连通区域面积消除噪声，再找出各个联通区域的中心坐标作为Hough变换的输入，而Hough变换的输出就是做物行中心直线。此外，饶洪辉等[2]先用HSI模型中的色调分量作为对象对图像用大津法进行二值化和形态学去噪处理，最后用Hough变换检测出的直线指导自动化喷药控制系统。
姜国权等[3]分析农田作物图像，提出基于机器视觉的随机方法的作物行提取算法。该方法用投影法得到作物行定位点之后随机从定位点中选择两个不同点生成直线，再判断该以直线作为作物行中心线的有效性。姜国权等[4]后来用中心线检测算法代替投影法，获得作物行基本点，同样随机选择两个基本点后生成直线，再生成以该直线为中心轴的矩形，最后通过计算矩形内其他基本点的个数判断该直线的是否具有代表性。该方法具有快速、鲁棒性强的优点。
目 录
Abstract1
Key words1
引言1
1绪论1
1．1研究目的和意义1
1．2国内外研究现状2
1．3本课题研究内容3
2作物图像的分割处理4
2．1作物图像分割概述4
2．2颜色模型4
2．3图像分割阈值区间7
2．4图像分割之区域分裂与聚合算法9
2．5 二值图像（掩膜图像）11
2．6联通区域剔除（减少噪点）11
2．7联通区域选择（选择目标区域）12
2．8本章小结13
3基于形态学骨架（主干）提取的作物行中心曲线计算13
3．1作物行中心线概述14
3．2骨架定义14
3．3形态学细化法骨架提取原理 14
3．4骨架主干分析17
3．5作物行中心线识别实验18
3．6本章小结19
4实验结果分析19
4．1实验环境19
4．2检测结果19
4.2.1测试一：单作物行检测19
4.2.2测试二：多作物行检测21
4.2.3测试三：簇状作物的作物行检测23
4.2.4测试四：曲线作物行检测24
4．3不足和建议 26
5总结分析和展望26
5．1总结分析 26
5．2展望 27
致谢27
参考文献28
基于机器视觉的田间农作物行识别
计算机科学与技术专业学生 潘家定
指导教师 朱淑鑫
摘要：机器视觉导航系统对农作物行的定位决定了自动化田间作业的有效性。本文首先将采集的农作物图像由RGB颜色空间转到HSI颜色空间，采用基于阈值区间的小范围最大类间方差法得到一个合适的阈值区间，并用该阈值区间作为区域分裂与聚合算法的条件进行图像分割，可以较好将作物行区域分割出来。接着通过形态学运算和去内部无效小联通区域的方法消除噪声，对留下的联通区域进行筛选只需要最可能是目标作物行的区 *好棒文|www.hbsrm.com +Q: #351916072#
域。最后用细化法对每个目标联通区域提取骨架，对骨架进行剪枝和主干提取，并选择合适的主干作为本算法的作物行中心曲线。
A MACHINE VISION BASED CROP ROWS DETECTION
Student majoring in compute science and technology Pan Jiading
Tutor Zhu Shuxing
Abstract：The location detection of crop row by machine vision based navigation system determines the efficiency of automatically farming.The method transfer color from RGB to HSI first.After bettering OUST ,this paper put forward a OUST based on Interval in Partial scope.The interval found by this OUSTIP is combined with the zone divide and get together method to divide the crop rows from pictures and generate a binarization image.Then morphology operation and dropping inner area will be used to reduce the noise. .After selecting the proper linking areas,the method use thinning method to obtain skeletons from these linking areas.The trunks of these skeletons should be the curve center line.
Key words: crop row；center curve line；skeleton extraction
引言 农业的发展离不开农业自动化，而基于机器视觉的农业自动化灌溉系统、自动化喷洒农药系统，自动化收割系统等农业自动化系统都需要得到农作行的位置。而农作物行中心线可以很好的代表作物行的位置，因此本文分析研究得到作物行中心线的方法。考虑到作物行不一定是严格直线，所以应该寻找可以适用于作物行非严格直线的方法，即识别曲线作物行的方法。
1 绪论
1．1 研究目的和意义
我国是农业大国，而农业机械自动化的发展很大程度上决定了现代农业的发展方向。在自动喷洒农药和肥料、中耕除草、插秧、收割作业等许多方面，会运用到基于计算机视觉的田间导航。它需要解决的关键技术之一是准确分割作物和背景, 检测出农作物行中心线,确定作物行的位置。视觉导航系统能否在较短时间内确定农作物行中心线, 对能否准确进行田间作业非常重要。为了提高基于机器视觉的农业机械田间导航的适用性，应解决现有作物行定位方法的只能定位直线的缺点，寻找一种适用于曲线形态的作物行，并且鲁棒性好的农作物行中心线检测方法。但受农作物类型和生长阶段以及光照条件等因素的影响, 精确定位作物行的位置非常困难。本文主要研究的作物行中心线提取算法，是针对一行作物连成一片的作物行，不包括零星分布在田间的苗期作物行。
1．2 国内外研究现状
在农业工程领域, 农业机械视觉导航技术受到在国内外的广泛关注 , 被认为是实现农业可持续发展重要的技术手段。基于计算机视觉的作物行定位技术是视觉导航的重要前提条件。常用的行定位方法有Hough变换法、投影法、透视法等。
饶洪辉等[1]提出了可以检测苗期作物作物行的方法。该方法首先利用直方图法和大津法分割图像后，结果以二值图像形式保存，之后计算每个八连通区域面积消除噪声，再找出各个联通区域的中心坐标作为Hough变换的输入，而Hough变换的输出就是做物行中心直线。此外，饶洪辉等[2]先用HSI模型中的色调分量作为对象对图像用大津法进行二值化和形态学去噪处理，最后用Hough变换检测出的直线指导自动化喷药控制系统。
姜国权等[3]分析农田作物图像，提出基于机器视觉的随机方法的作物行提取算法。该方法用投影法得到作物行定位点之后随机从定位点中选择两个不同点生成直线，再判断该以直线作为作物行中心线的有效性。姜国权等[4]后来用中心线检测算法代替投影法，获得作物行基本点，同样随机选择两个基本点后生成直线，再生成以该直线为中心轴的矩形，最后通过计算矩形内其他基本点的个数判断该直线的是否具有代表性。该方法具有快速、鲁棒性强的优点。
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/jsj/jsjkxyjs/1866.html
