一种基于图像处理的玉米行间的路径规划方法与流程

本发明涉及计算机机器视觉、视频图像处理技术领域，主要用于农业agv自动导航技术的视频监控中，为一种基于图像处理的玉米行间的路径规划方法，具体地说，涉及一种通过识别玉米叶片尖端作为障碍点以规划玉米行间路径。

背景技术：

20世纪以来，日益更新的农业生产模式和生产技术应用促使农业机械智能化迅速发展，智能化农业机械的技术条件逐渐成熟。自走式农业机械的田间自动导航和机器视觉研究,成为探索在农业机械装备中应用智能控制等高新技术研究的重要方向。初期的研究多数是对机器视觉在农业应用的可行性分析及图像处理算法的开发。随着计算机软硬件、图像采集处理装置、图像处理技术的迅猛发展，机器视觉技术在农业的应用领域不断扩展。目前，农业机械智能化在美国、日本、德国等发达国家已经开始将机器视觉系统应用到农业生产的各个阶段，以解决人口老龄化加剧、劳动力缺失等问题引起的挑战。而我国同类研究尚处于起步阶段，国内农业机械智能控制的研究,机器视觉技术主要应用于在播种、喷洒农药、移栽等方面。

美国chi-renshyu等提出了一种精确测量玉米表面病斑的算法，设计了一种能够同时测量玉米及其叶片的系统，提高了检测的范围和效果。kuo-yihuang利用神经网络和图像处理技术研究蝴蝶兰幼苗病斑的颜色和纹理特性，对三种典型病症进行检测和识别，准确率达到89.6070％。农作物生长过程中，利用数字图像处理技术进行无损、快速、实时的监测。它不仅可以对外部生长参数进行检测，如，作物叶片积、作物叶片的周长、叶柄夹角等，还可以判别水果的成熟度或作物是否受害等情况。李少昆等人(199借助人工标记的方法率先用图像处理技术监测和提取小麦和玉米的株型信息，这种方法可以监测到30多种参数，如，叶片长度、叶倾角等形态特征)。

v自动导航的监控视频，重点是关注画面中农业作物的作物行及作物行间区域，但监控图像中常包含杂草，土壤等背景，此外光照不均均，光线变化等加大了算法的计算量，也影响监控精确度。

技术实现要素：

本发明目的就是为了弥补已有技术的缺陷，提供一种基于图像处理的玉米行间的路径规划方法。

本发明是通过以下技术方案实现的：

一种基于图像处理的玉米行间的路径规划方法，具体步骤如下：

(1)玉米行间图像背景分割：进行早期玉米田间原图像的采集，获取田间静态玉米图像，结合图像颜色特征分布，采用k-means颜色聚类算法分割玉米和非玉米区域；

(2)图像预处理：对步骤(1)中已分割的图像，进行二值化处理，利用八邻域去噪法去除植株图像中面积像素大于5000的图像块形成去噪后图像，对去噪后图像进行结构像素为八角形、半径为3的开运算，滤除面积像素小于5000的图像块，得到预处理完毕的玉米行间图像；

(3)样本训练及检测：对步骤(2)中预处理后的图像进行人工样本选取，选取图像中植株的叶片部位，利用matlab的trainingimagelabeler对样本图像中叶片尖端特征进行标定，采用faster-r-cnn算法进行样本训练，卷积核设置为3×3，最小检测对象为64×64，建立训练模型，而后对图像进行检测，检测出图像中具有叶片尖端的所有位置；

(4)路径规划：根据步骤(3)检测出原图像的叶片尖端位置，并以矩形框体进行标记，将该目标矩形框体的中心坐标作为路劲规划的障碍点坐标，利用人工势场法，输入障碍点坐标进行路径规划。

步骤(1)中所述的采用k-means颜色聚类算法分割玉米和非玉米区域，具体步骤如下：

1.1)玉米颜色特征分析，在rgb颜色空间内，通过对玉米和土壤rgb值统计，基于r、g、b颜色彼此关系特征，建立玉米颜色提取算子，确定玉米颜色提取算子:①0<g-r<30,②50<g-b<100，满足①且满足②的像素点形成玉米图像，将图像负片中其它像素点作为背景图像；

1.2)早期玉米整体呈现绿色，非玉米区域为土壤，两区域颜色差异明显，视为两类，利用k-means颜色聚类，获得完整玉米行间图像，具有绿色特征的即为玉米作物行，黑色为非玉米区域。

本发明的优点是：本发明的视频画面做预处理，分割作物区和背景，滤除杂草等干扰，减少图像中的冗余数据，提高运算速度，避免无关区域中图像信息给后期图像处理带来的干扰，提高检测精度。玉米行间的间距在早期由于玉米植株较小，行间距离信息较为清晰。则玉米行间的路径规划即可以归结于识别玉米图像中的玉米行间路径，先获取行间两侧的障碍点，然后利用障碍点将行间路径规划成功，为后续的农业机械自动导航技术提供有效的指导画面。

附图说明

图1为本发明的工作流程图。

图2为经过处理后的图像。

具体实施方式

如图1所示，一种基于图像处理的玉米行间的路径规划方法，通过工业ccd相机采集田间图像，用现有的背景分割技术k-mean颜色聚类，分割玉米与非玉米区域，对分割图形二值化，膨胀腐蚀去噪。利用matlab工具trainingimagelabeler对图像中具有叶片尖端特征的目标进行标定获取样本，用faster-rcnn对样本进行训练。faster-rcnn检测预处理后的图像，检测出目标框的中心点作为障碍点，利用人工势场法规划出路径。

本发明具体包括以下步骤：

如图1、2所示，1、玉米行间图像背景分割：进行早期玉米田间视频图像的采集。获取田间静态玉米图像，结合图像颜色特征分布，采用k-means颜色聚类算法分割玉米和非玉米区域。

1.1)玉米颜色特征分析，在rgb颜色空间内，通过对玉米和土壤rgb值统计，基于r、g、b颜色彼此关系特征，建立花生苗颜色提取算子，确定玉米颜色提取算子:①0<g-r<30,②50<g-b<100。满足①且满足②的像素点形成玉米图像，且将图像负片中其它像素点作为背景图像。

1.2)早期玉米整体呈现绿色，非玉米区域主要为土壤，两区域颜色差异明显，可视为两类。我们提取到的原始数据的集合为(x1，x2,...,xn),并且每个xn为d维的向量，k-means聚类的目的就是，在给定分类组数k(k≤n)值的条件下，将原始数据分成k类，s＝{s1,s2,…,sk}，在数值模型上，即对以下表达式求最小值：这里μi表示分类si的平均值,最小值的大小就是类组数的求解。

2、图像预处理：对已分割背景的图像，进行二值化处理。利用八邻域去噪法去除植株图像中面积像素大于8000的图像块形成去噪后图像，对去噪后图像进行结构像素为八角形、半径为3的开运算，滤除面积像素小于8000的图像块。

3、样本训练及检测：对早期玉米田间原图像进行人工样本选取，选取玉米原图像中植株的叶片部位，采用faster-r-cnn算法进行样本训练，卷积核设置为3×3，最小检测对象为64×64，建立训练模型，对样本图像中叶片尖端特征进行标定。利用fater-rcnn先进行样本训练，建立训练模型，而后对原图像进行检测。检测出原图像中具有叶片尖端的所有位置。

4、路径规划：根据权利要求(3)所述，faster-rcnn检测出原图像的叶片尖端位置，并以矩形框体进行标记。将该目标矩形框体的中心坐标作为路劲规划的障碍点坐标。利用人工势场法，输入障碍点坐标进行路径规划。