基于机器视觉的自然环境下作物行识别与导航线提取

来源：SCI期刊网 分类：电子论文 时间：2022-04-15 09:18 热度：

摘 要：摘要 针对基于机器视觉的农业导航机器人在图像处理时易受光照变化影响和常规导航线检测算法实时性、稳健性不高等问题，提出了 YCrCg颜色模型，选择该颜色模型中与光照无关的 Cg分量进行

　　摘要 针对基于机器视觉的农业导航机器人在图像处理时易受光照变化影响和常规导航线检测算法实时性、稳健性不高等问题，提出了 YCrCg颜色模型，选择该颜色模型中与光照无关的 Cg分量进行后续图像处理，采用基于二维直方图的模糊 C均值聚类法(FCM)进行图像分割，并根据图像中作物行的特点，提出了基于直线扫描的作物行直线检测算法。该算法将图像底边和顶边像素点作为直线的两个端点，通过移动上下端点位置产生不同斜率直线，选择包含目标点最多的直线作为作物行中心线。实验表明，不同光照下基于 YCrCg颜色模型的图像分割可以有效地识别出作物行，处理一幅640pixel×480pixel图片耗时约为16.5ms，直线扫描算法能快速准确的检测出导航线，与最小二乘法、Hough变换等算法相比具有速度快、抗干扰性强等优点。

　　关键词 机器视觉;颜色模型;图像分割;导航线;农业导航

　　1 引 言

　　利用农业机器人进行自主导航作业，不仅可以把劳动者从重复单调的劳动中解放出来，也可以大幅度提高农田作业精准度和工作效率[1]。目 前，农业导航机器人研究主要包括机器视觉和卫星定位(GPS)技术两种方式[2]。GPS可以提供作业机器人的绝对位置信息，但其抗干扰性差，受到房屋、树木遮挡时容易造成信号丢失。机器视觉导航技术具有信号探测范围广、信息丰富完整、非接触测量和性价比高等优点。基于机器视觉的农业导航系统利用视觉传感器采集农田图像信息，通过图像处理提取导航路径，控制导航机器人沿导航路径行走作业。导航机器人在田间自然光照条件下工作，视觉传感器采集的是分散、非结构化的农作物图像，而且受到光照变化、阴影噪声等因素的影响，造成图像分割效果不佳，降低了导航路径识别的准确性和实时性。

　　对于机器视觉导航系统，颜色空间的选择、图像分割方法和导航线提取算法是决定导航系统性能的三个重要环节。在颜色空间选择上，文献[3-4]采用 RGB颜色空间，利用归一化2G-R-B 作为颜色特征因子，突出图像中绿色比重，一定程度上降低了光照对图像分析造成的干扰，但无法完全消除光照变化 对 图 像 处 理 的 影 响。文 献 [5]使 用 色 调 饱 和度 亮度(HIS)颜色空间对田间成熟番茄进行识别，通过统计方法找出成熟番茄 H 分量分布，利用阈值法分割出成熟番茄。由于 HIS颜色模型与 RGB颜色模型转换算法复杂、计算量大，导致该方法实时性不高。文献[6]采用基于光照无关图的方法消除阴影噪声，提高导航系统在光照变化条件下导航参数提取的稳健性，该算法计算复杂、耗时长，难以满足导航作业实时性要求。在图像分割方面，文献[7-8]采用 Otsu法进行图像分割，具有算法简单、计算量小等优点。Otsu算 法对于直方图上具有明显波峰、波谷的图像表现出很好的分割效果，但对于物体与背景不存在明显灰度差异或者各物体灰度范围有较大重叠 的 图 像 分 割 效 果 不 佳。在导航线提取方面，文献[9-11]采用改进 Hough变换算法进行导航线提取，一定程度上提高了运算效率，但也存在检测精度低、峰值难以确定等问题。文献[12-13]利用最小二乘法进行作物行直线拟合，具有较快的检测速度，不过最小二乘法对噪声敏感，难以在杂草噪声较高的情况下准确提取作物行直线。

　　针对田间光照变化对图像分割效果的影响以及常规导航线提取算法存在的不足，本文以玉米为研究对象，采用 YCrCg颜色模型，选 择 与 光 照 强 度 无关的Cg 分量进 行 图 像 灰 度 化，以 降 低 光 照 变 化 对图像处理的影响，引入基于二维直方图的模糊 C 均值聚类法(FCM)对 Cg 分量图进行聚类分 割，将 绿色作物从土壤背景中分割出来，利用直线扫描算法进行导航线提取，提高了导航路径识别的实时性和准确性。

　　2 颜色空间选择

　　颜色空间也称为色彩空间或者色彩模型，是通过坐标系统或者子空间描述颜色的一种方式。颜色空间有很多种类，常用的包括 RGB、HIS和 YCrCb颜色空间。

　　RGB颜色空间各基色有很强的相关性，对亮度变化敏感。导航作业时，采集的图像经常受到光照变化干扰，使用RGB颜色空间进行图像处理容易造成图像分割信息不明确，降低导航路径检测精度。

　　HIS颜色空间颜色和亮度相互分离，H 分量对光照变化不明显且可以识别不同颜色物体，适合处理对光照变化较为敏感的图像。但 H 分量与 RGB转换关系为非线性容易造成图像失真 [14-15]。

　　由转换(1)式可以得知，YCrCg与 RGB之间转换为线性，具有算法简单、计算量小等优点。

　　图1为玉米彩色图片转换到 HIS、YCrCg、RGB颜色模型下的灰度图(其中在 RGB模型下利用2G-R-B 将彩色图片进行灰度化)。对比转换结果可以发现，HIS的 H 分量图、YCrCg的Cg 分量图和2G-R-B 分量均可以较好地将玉米作物从土壤背景中进行区分，但 YCrCg模型中玉米灰度图像更加完整清晰。

　　图2为Cg、H、2G-R-B 分量归一化直方图，通过直方图可以得出，Cg分量直方图存在明显波峰波谷，适合采用阈值分割或者聚类分割进行目标提取。通过对晴天、阴天、顺光、逆光等情况下玉米图片进行实验，结果表明 Cg分量对光强变化不敏感，可以将 Cg分量作为绿色作物识别的依据。

　　3 图像分割

　　针对阈值分割方法存在的不足，本文采用基于二维直方图的 FCM 算 法对 作 物 图 像 进 行 分 割，将像素灰度与像素邻域信息组成图像二维向量作为FCM 样本点，提高图像分割准确度和抗噪声干扰能力。3.1 传统模糊 C聚类算法FCM 算 法 最 早 由 Ruspini和 Bezdek 于 1981年提出[17]，该算法 用 于 图 像 分 割 时，根 据 图 像 像 素与聚类中心的加权相似测度，通过迭代使目标函数最小以获取最佳聚类[18-19]。

　　4 导航路径检测

　　4.1 作物行位置信息获取

　　二值图像中作物行为白色，土壤背景为黑色，利用垂直投影法对白色像素进行投影，可以获取作物行的位置和 个 数 信 息[21]。图4为 基于 垂 直 投 影 法的作物行检测结果。

　　相关知识推荐：机器视觉论文润色发ei期刊的方法

　　图4(a)中，绿 色波形表示作物行灰度投影，设置一个高度阈值T(图中红色线段)，将波形高度值与T 进行对比，如果波形高度大于等于T 则波形高度等于 T，否则波形高度等于0，这里T 等于投影窗口内目标像素总和的平均值。通过投影可以获取作物行的左右两侧位置信息，一个作物行的位置可以用一个条带表示如 图4(b)所 示。在 含 有 杂 草 的 作物行图像中，出现多个绿色伪条带(杂草投影产生)，需要滤除。为保证作物个数信息的有效性，选取阈值R，对宽度小于R 的条带予以滤除，R 为图像宽度的10%。

　　4.2 作物行直线检测

　　摄像机获取的农田图像中作物行起始于图像底边，终止于图像顶边，走向近似为一条直线，可以通过图像顶边和底边两个点确定作物行位置。根据上述思想提出了基于直线扫描的作物行检测算法，在图像顶边和底边选择2个点，控制上下端点位置产生不同斜率直线，统计落在直线一定区域范围内目标点个数，将包含目标点最多的直线作为作物行直线，进而得到导航线。将图像底边作为作物行直线起点选择范围，顶边作为直线终点选择范围。该算法具体步骤为

　　1)设图像高度为 Hheight，宽度为 Wwidth，直线起点纵坐标为0，终点纵坐标为 Hheight;

　　2)初始化作物行直线起点移动步长(Bottom_Step，Bstep)、终点移动步长(Top_Step，Tstep)、作物行计数器 Nnum=1、直线距离阈值d、直线参数数组(Line_Array，LArray);

　　3)利用垂直投影法获取作物行位置信息 PnL 、PnR 和个数信息N，PnL 和PnR 分别表示第n 条作物行两侧边缘位置，如果 N ≥1(图像中包含1条以上作物行)则执行步骤4)，如果 N =0(图像中没有作物行)，则程序结束;

　　4)将图像顶边划分为 Wwidth/Tstop个线段，线段端点作为作物行直线候选终点;

　　5)选择作物行直线起点(PnumL ，0)与所有候选终点构成直线，统 计 距 离 直 线d 范 围特 征 点(白 色像素点)个数，选择特征点最多的直线作为最佳候选直线，并将特征点数和直线参数存储到数组 Line_Array;6)PnumL =PnumL +Bstep，如果PnumL

　　5 实验结果与分析

　　本研究的机器视觉系统由电荷耦合器件(CCD)摄像机、工控机、相机支架等构成。摄像机采用美国灰点(PointGrey)公司生产的高分辨率 CCD 彩 色相机，图片输出格式为 bmp，640pixel×480pixel。工控机采用Intel(R)Core(TM)2 @2.93GHZ 处理器，4G 内存，运行系统为 WindowsXP。

　　5.1 颜色模型光照适应性试验

　　为验证不同颜色空间对光照变化的适应性，将不同光照强度 下 农 田 作 物 图 片 转 换 到 YCrCg、HIS和RGB三种颜色空间，利用基于二维直方图的 FCM 算法进行分割对比试验。试验选择晴天(光照强度约220μW/cm2)和阴天(光照强度约120μW/cm2)情况下玉米田图片，如图5所示。图6为基于 YCrCg颜色空间的图像分割，分割结果受光照变化影响很小，而且分割信息完整，噪声点少。图7为基于 HIS模型的图像分割，分 割 图 像 存 在 明 显 噪 声 点，图7(a)中部分阴影被误认为绿色作物，造成错误分割;图7(b)噪声较大，无法有效识别出作物行，分割效果较差。图8为基于 RGB颜色空间分割的效果图，阴天时效果与 YCrCg空间效果相似，晴天时分割效果不佳，绿色作物分割信息不完整，这是由于 RGB 颜色空间R、G、B 颜色分量对光照变化敏感造成的。

　　5.2 颜色模型分割处理时间试验

　　为了对 YCrCg、RGB、HIS三种颜色模型分割时间进行比较，分别对640pixel×480pixel和800pixel×600pixel图像进行分割，图像格式 为 bmp。图像分割时间如表1所示，可以看出基于 HIS颜色空间图像分割耗时最多，这是由于 H 分量与R、G、B 分量转换 算 法 复 杂 计 算 量 较 大 导 致。RGB 颜 色模型分割耗时最少，但由于分割效果受光照变化影响较大，不适合用于自然光照条件下农田导航作业。YCrCg颜色模型对光照变化不敏感，分割耗时略高于 RGB模型，但可以满足导航作业实时性要求。——论文作者：孟庆宽1 何 洁1 仇瑞承1 马晓丹1，2 司永胜3 张 漫1 刘 刚1

文章名称：基于机器视觉的自然环境下作物行识别与导航线提取

文章地址：http://www.sciqk.com/lwfw/dzlw/13163.html