一種農(nóng)作物行的識別方法及裝置的制造方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于農(nóng)作物栽培技術(shù)領(lǐng)域，尤其涉及一種基于圖像處理的農(nóng)作物行的識別 方法及裝置。
【背景技術(shù)】
[0002] 我國幅員遼闊，地形、氣候類型復(fù)雜多樣，從南到北分為熱帶、亞熱帶、溫帶和寒 帶，主要糧食作物有水稻、小麥、玉米、大豆等，經(jīng)濟作物有棉花、花生、油菜、甘蔗和甜菜等。 然而我國人口眾多，耕地面積相對較少，因此農(nóng)業(yè)特別是種植業(yè)在我國的地位非常重要，關(guān) 系整個國計民生。隨著農(nóng)業(yè)機械化和信息化的迅速發(fā)展，實現(xiàn)農(nóng)業(yè)自動化的要求越來越迫 切。
[0003] 機器視覺配合大中型農(nóng)業(yè)機械在農(nóng)業(yè)領(lǐng)域的運用也越來越廣泛，尤其是在視覺導(dǎo) 航和作物識別方面，準確性和費用都得到了較大的改善。因此在農(nóng)作物的自動除草、收獲、 施肥、修剪、耕耘等工作中，基于圖像處理進行農(nóng)作物行的識別顯得尤為重要。
[0004] 現(xiàn)有的農(nóng)作物行的識別方法主要是利用超綠法、最大類間方差法分割圖像，通過 Hough變換識別農(nóng)作物行。但是這些方法圖像分割不準確，不能很好的區(qū)分農(nóng)作物和雜草， 而且計算量大，達不到實時性的要求。尤其在農(nóng)作物中有大量雜草存在的情況下，不能得到 理想的結(jié)果。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的是提供一種農(nóng)作物行的識別方法及裝置，以避免現(xiàn)有技術(shù)圖像分割 不準確，識別效率不高的技術(shù)問題。
[0006] 為了實現(xiàn)上述目的，本發(fā)明技術(shù)方案如下：
[0007] -種農(nóng)作物行的識別方法，所述識別方法包括：
[0008] 通過模糊聚類方法將采集的農(nóng)作物圖像轉(zhuǎn)化為二值圖像；
[0009] 從獲取的二值圖像中提取感興趣的區(qū)域ROI圖像，通過橫條法獲取其中農(nóng)作物特 征點；
[0010] 對所提取的農(nóng)作物特征點進行線性回歸，擬合出農(nóng)作物行直線方程；
[0011] 通過多次線性回歸的方法剔除錯誤的特征點，對農(nóng)作物行直線方程進行修正。
[0012] 優(yōu)選地，所述通過模糊聚類方法將采集的農(nóng)作物圖像轉(zhuǎn)化為二值圖像，是以采集 的農(nóng)作物圖像作為整個樣本，以像素點G通道的值所占的百分比作為樣本元素，將農(nóng)作物 和背景的聚類中心分別初始化為0. 35~0. 40和0. 30~0. 35進行模糊聚類得到。
[0013] 本發(fā)明以農(nóng)作物圖像作為整個樣本，可以直接以農(nóng)作物圖像像素點的像素 R\G\B 三通道的值作為樣本元素來進行模糊聚類。但是優(yōu)選地，是采用像素點G通道的值所占的 百分比作為樣本元素，從而降低了聚類的維數(shù)，將農(nóng)作物和背景的聚類中心分別初始化為 0. 35~0. 40和0. 30~0. 35進行模糊聚類得到二值圖像，提高了聚類速度。
[0014] 進一步地，所述采集的農(nóng)作物圖像的寬為W像素，高為H像素，所述ROI圖像的寬 為W = W/2像素，寬為h = H/2,所述通過橫條法獲取其中農(nóng)作物特征點，包括：
[0015] 將ROI圖像分為Q條寬度相同的橫條，用Spiq表示第q條橫條第p列中白色像素 出現(xiàn)的次數(shù)，其中P的取值從1到w，w為ROI圖像的寬度像素；
[0016] 對于第q條橫條，對應(yīng)有閾值uq，閾值Uq為第q條橫條中所有S _的均值；
[0017] 當(dāng)Sp, q小于等于U q且S P+1, q大于U q時，認為進入農(nóng)作物行，記錄此時的列坐標(biāo)為P i ;
[0018] 當(dāng)Sp,q大于等于Uq且S p+1,q小于Uq時，認為離開農(nóng)作物行，記錄此時的列坐標(biāo)為P2;
[0019] 計算進入和離開農(nóng)作物行時列數(shù)的差值Δ = P2-Pl，如果Δ大于設(shè)定的常數(shù)山則 認為橫條q上從第pjl」P 2的段為農(nóng)作物，并取該段中點為農(nóng)作物特征點；
[0020] 遍歷所有橫條，獲取ROI圖像中所有的農(nóng)作物特征點；
[0021] 其中，所述常數(shù)d的取值范圍為：W/20〈d〈W/15。
[0022] 進一步地，所述對所提取的農(nóng)作物特征點進行線性回歸，擬合出農(nóng)作物行直線方 程，包括：
[0023] 根據(jù)特征點的分布，將特征點劃分為不同的農(nóng)作物行；
[0024] 對于任一農(nóng)作物行，設(shè)農(nóng)作物行直線方程為：
[0025] y = kx+b
[0026] 其中b為斜距，k為斜率，計算屬于該農(nóng)作物行的所有特征點到該直線的距離1:
[0028] 進一步計算，屬于該農(nóng)作物行的所有特征點到該直線的距離平方和Γ :
[0030] 對上式的分子對k和b求偏導(dǎo)并令其為0,得到：
[0033] 其中M為屬于該農(nóng)作物行的所有特征點的數(shù)量，r屬于1~M，第r個特征點的坐 標(biāo)為（\，I)，L為第r個特征點與農(nóng)作物行直線的距離，求解出上式中k和b的解分別為 I和L將其帶入直線方程得到農(nóng)作物直線方程為：+ ?。
[0034] 進一步地，所述通過多次線性回歸的方法剔除錯誤的特征點，對農(nóng)作物行直線方 程進行修正，包括：
[0035] 根據(jù)農(nóng)作物行直線方程，計算屬于該農(nóng)作物行的特征點到該農(nóng)作物行的距離，剔 除距離大于設(shè)定的常數(shù)的特征點；
[0036] 在剔除錯誤的特征點后，根據(jù)剩下的特征點再次擬合出農(nóng)作物行直線方程，并再 次根據(jù)新擬合出的農(nóng)作物行直線方程，計算特征點到該直線的距離，剔除距離大于設(shè)定的 常數(shù)的特征點；
[0037] 如此循環(huán)，直到達到最大線性回歸次數(shù)，或當(dāng)線性回歸剔除的特征點數(shù)量為0時 迭代停止。
[0038] 本發(fā)明還提出了一種農(nóng)作物行的識別裝置，所述裝置包括：
[0039] 模糊聚類模塊，用于通過模糊聚類方法將采集的農(nóng)作物圖像轉(zhuǎn)化為二值圖像；
[0040] 特征點提取模塊，用于從獲取的二值圖像中提取感興趣的區(qū)域ROI圖像，通過橫 條法獲取其中農(nóng)作物特征點；
[0041] 擬合模塊，用于對所提取的農(nóng)作物特征點進行線性回歸，擬合出農(nóng)作物行直線方 程，并通過多次線性回歸的方法剔除錯誤的特征點，對農(nóng)作物行直線方程進行修正。
[0042] 本發(fā)明提出的一種農(nóng)作物行的識別方法及裝置，通過模糊聚類對采集圖像進行分 害J，利用橫條法確定特征點，并利用特征點在X軸上的位置判斷所屬農(nóng)作物行，利用線性回 歸求出過渡農(nóng)作物行，在通過多次線性回歸剔除錯誤的特征點，得出最終的農(nóng)作物行。本發(fā) 明識別農(nóng)作物行準確度高，運行速度塊，抗干擾能力強。
【附圖說明】
[0043] 圖1為本發(fā)明農(nóng)作物行識別方法的流程圖；
[0044] 圖2為本發(fā)明實施例二值圖像示意圖；
[0045] 圖3為本發(fā)明實施例ROI圖像示意圖；
[0046] 圖4為本發(fā)明實施例ROI圖像中特征點示意圖。
【具體實施方式】
[0047] 下面結(jié)合附圖和實施例對本發(fā)明技術(shù)方案做進一步詳細說明，以下實施例不構(gòu)成 對本發(fā)明的限定。
[0048] 本發(fā)明利的總體思路是用計算機視覺技術(shù)，對圖像采集設(shè)備采集到的農(nóng)作物行圖 像進行分析處理，來識別作物行。本實施例以玉米幼苗為例來進行說明。
[0049] 如圖1所示，一種農(nóng)作物行的識別方法，包括如下步驟：
[0050] 步驟S1、通過模糊聚類方法將采集的農(nóng)作物圖像轉(zhuǎn)化為二值圖像。
[0051] 本實施例用X來表示所有樣本，即采集的農(nóng)作物圖像的每個像素點的RBG通道的 值作為一個樣本元素X 1，X1對應(yīng)于一個像素點。將整個樣本X分為農(nóng)作物和背景兩部分，所 以聚類數(shù)c = 2,即將圖像中的像素點分為農(nóng)作物和背景兩類。
[0052] 用L表示X i屬于第j類的隸屬度，用V ,表示第j類的聚類中心，對樣本X中的每 個^進行迭代，所有樣本元素計算完成依次