關(guān)卓懷 陳科尹 丁幼春 吳崇友 廖慶喜

(1.華中農(nóng)業(yè)大學(xué)工學(xué)院， 武漢 430070； 2.農(nóng)業(yè)農(nóng)村部南京農(nóng)業(yè)機(jī)械化研究所， 南京 210014)

0 引言

水稻是我國的主要糧食作物，收獲是水稻生產(chǎn)的重要環(huán)節(jié)。水稻收獲須在黃熟期到完熟初期的5～8 d內(nèi)完成，否則會直接影響產(chǎn)量、品質(zhì)和下茬作物種植時機(jī)。收獲時，機(jī)手需要根據(jù)作物長勢和收獲效果及時調(diào)整工作部件運(yùn)行參數(shù)。自動導(dǎo)航技術(shù)的不斷成熟，極大地提高了機(jī)械的田間作業(yè)品質(zhì)和效率，降低了駕駛員勞動強(qiáng)度。通過機(jī)器視覺識別水稻已收獲與未收獲區(qū)域之間的分界線，再根據(jù)當(dāng)前車輛位置與航線之間的像素差，計算航向偏差與橫向偏差，是規(guī)劃收獲作業(yè)導(dǎo)航路徑的一種有效手段[1-3]。

針對農(nóng)田作業(yè)機(jī)具的作物線提取和視覺導(dǎo)航技術(shù)，國內(nèi)外學(xué)者已開展了研究。文獻(xiàn)[4]通過提取圖像中的G值，區(qū)分果園中樹冠與背景，擬合樹行中心線為導(dǎo)航線，試驗(yàn)表明，自主導(dǎo)航系統(tǒng)在桃園中的行進(jìn)誤差的均方根為2.13 cm。文獻(xiàn)[5]設(shè)計了ROI區(qū)域動態(tài)選擇方法，使用3B-R-G法對彩色圖像進(jìn)行灰度化處理，基于過已知點(diǎn)的Hough變換法檢測棉花收獲導(dǎo)航線。文獻(xiàn)[6]運(yùn)用2G-R-B灰度化算法和隨機(jī)Hough變換檢測作物中心線，通過像素信息與世界坐標(biāo)的變換，提取了位置偏差信息。文獻(xiàn)[7-10]采用與光照無關(guān)的Cg分量對彩色圖像進(jìn)行灰度化處理，分別利用基于線性相關(guān)系數(shù)約束法和改進(jìn)的遺傳算法提取作物行中心線，兩種方法對橫向偏差的檢測平均誤差分別小于12 mm和33 mm，但基于線性相關(guān)系數(shù)約束法的圖像處理耗時較長。文獻(xiàn)[11]基于HSV色彩空間對大拱棚路徑圖像信息進(jìn)行處理，以道路盡頭橫向中心點(diǎn)作為導(dǎo)航信息標(biāo)定點(diǎn)，導(dǎo)航線橫向平均識別偏差為2.4 cm。文獻(xiàn)[12]基于圖像中I分量對番茄壟間道路圖像進(jìn)行灰度化處理，采用最小二乘法擬合導(dǎo)航線離散點(diǎn)，結(jié)果表明，該算法對導(dǎo)航線擬合的平均正確率達(dá)91.67%，平均相對偏差率0.71%。文獻(xiàn)[13-14]提出了基于圖像旋轉(zhuǎn)投影的導(dǎo)航路徑檢測算法，并且在大曲率路徑時，采用雙切線法估計轉(zhuǎn)彎半徑,識別準(zhǔn)確率達(dá)95%以上。綜上，由于機(jī)器視覺系統(tǒng)易受光照條件、陰影噪聲等環(huán)境因素的影響，故要求圖像處理算法具有良好的魯棒性和實(shí)時性，從而確保自動導(dǎo)航系統(tǒng)的作業(yè)精度。現(xiàn)有作物線提取方法大多將作物線視作直線進(jìn)行擬合，但因作物生長和收獲時情況復(fù)雜，作物線往往為不規(guī)則形狀，采用直線法擬合作物線必然導(dǎo)致航線提取的偏差。

為解決上述問題，本文提出一種水稻收獲作業(yè)視覺導(dǎo)航路徑提取方法。通過相機(jī)標(biāo)定獲取相機(jī)內(nèi)部參數(shù)和畸變參數(shù)，矯正原始圖像，高斯濾波鈍化圖像，采用2R-G-B超紅特征模型的綜合閾值進(jìn)行圖像二值化分割，基于形態(tài)學(xué)的開-閉運(yùn)算抑制二值圖像中的噪聲干擾，根據(jù)圖像灰度垂直投影值動態(tài)設(shè)定ROI區(qū)域，水平掃描獲取作物線關(guān)鍵點(diǎn)，采用多段三次B樣條曲線擬合法提取水稻待收獲區(qū)域邊界線,最后通過室內(nèi)試驗(yàn)和田間試驗(yàn)對視覺導(dǎo)航路徑提取方法進(jìn)行驗(yàn)證。

1 圖像預(yù)處理

1.1 畸變矯正

通過相機(jī)采集到的田間圖像是像素信息，需獲取相機(jī)的內(nèi)部參數(shù)，把圖像間的像素關(guān)系轉(zhuǎn)換為具體物理單位。同時，由于鏡頭存在畸變，需要獲取相機(jī)的畸變參數(shù)，再進(jìn)行圖像矯正。

本文基于張正友法[15]，通過40幅不同角度的標(biāo)定板圖像完成標(biāo)定。標(biāo)定軟件如圖1所示。標(biāo)定結(jié)果如表1所示。平面靶標(biāo)圖像特征點(diǎn)的平均像素誤差perr為0.1像素，絕對誤差ferr為0.25 mm。

圖1 相機(jī)標(biāo)定軟件界面Fig.1 Camera calibration software interface

基于相機(jī)標(biāo)定結(jié)果獲得已知像素與其世界坐標(biāo)的映射關(guān)系，對畸變圖像進(jìn)行變換縮放，生成消除透視畸變和鏡頭畸變的矯正圖像，矯正后的圖像如圖2所示。

1.2 高斯濾波

圖像處理過程中易受到噪聲的干擾而產(chǎn)生誤判或丟失重要信息。圖像增強(qiáng)可以有目的地強(qiáng)調(diào)圖像的某些特性，抑制不感興趣區(qū)域，加強(qiáng)圖像判斷和機(jī)器決策效果。對于水稻收獲圖像，作物間的空白和作物線附近突出的水稻莖稈都會影響導(dǎo)航路徑的提取。本文基于高斯平滑濾波，通過降低圖像細(xì)節(jié)進(jìn)行模糊化，降低噪聲的干擾。二維高斯濾波函數(shù)為

表1 相機(jī)標(biāo)定結(jié)果Tab.1 Result of camera calibration

注：fx、fy為焦距f在x、y方向上的值，u0、v0為主點(diǎn)(圖像原點(diǎn))坐標(biāo)值，k1、k2、k3為徑向畸變系數(shù)，p1、p2為切向畸變系數(shù)。α為相機(jī)內(nèi)部參數(shù)成像平面傾角。

圖2 圖像畸變矯正結(jié)果Fig.2 Image distortion correction

(1)

式中 (x,y)——像素點(diǎn)坐標(biāo)

σ——正態(tài)分布的標(biāo)準(zhǔn)差

像素點(diǎn)坐標(biāo)在圖像處理中是整數(shù)，正態(tài)分布的標(biāo)準(zhǔn)差決定高斯濾波模板的寬度。認(rèn)為3σ距離之外的像素對中心點(diǎn)不起作用，設(shè)3σ取整后的值為k，則高斯濾波窗口為(2k+1)×(2k+1)矩陣。使用模板對窗口矩陣內(nèi)的像素進(jìn)行卷積，矩陣內(nèi)每個像素都是周圍相鄰像素加權(quán)平均，令矩陣中心點(diǎn)的像素等于加權(quán)平均值。通過高斯函數(shù)離散化得到的高斯函數(shù)值作為濾波模板系數(shù)，窗口矩陣內(nèi)各元素的值為

(2)

如果σ較小，則生成模板的中心系數(shù)較大，周圍的系數(shù)較小，對圖像的平滑效果不明顯；反之，若σ較大，則生成模板的各個系數(shù)相差不是很大，圖像的平滑效果比較明顯，通過試驗(yàn)，根據(jù)圖像調(diào)節(jié)σ，抑制噪聲。本文取σ=0.7，濾波窗口為一個5×5的矩陣。濾波前圖像如圖2b所示，濾波后圖像如圖3所示。

圖3 高斯濾波后圖像Fig.3 Image after Gauss filter

1.3 圖像灰度化與二值化

為提取圖像中的作物邊界，需要將彩色圖像轉(zhuǎn)換成灰度圖像，以統(tǒng)計像素灰度信息。RGB、HSV和HSI是農(nóng)業(yè)工程圖像處理領(lǐng)域常用的顏色模型[16-18]。基于多種顏色模型和常用的灰度化算法對收獲圖像進(jìn)行灰度化后的結(jié)果如圖4所示，包括RGB的G分量(圖4a)、RGB的2G-R-B分量(圖4b)、HSV的H分量(圖4c)、HSI的I分量(圖4d)。

圖4 顏色空間分量圖Fig.4 Component graphs of each color space

由圖4a可知，水稻收獲區(qū)域灰度圖像中,已收獲區(qū)域與未收獲區(qū)域邊界并不明顯，圖4b～4d中在未收獲區(qū)內(nèi)部，存在較多噪聲，不利于作物線的提取。水稻收獲圖像主要由已收獲的水稻區(qū)域、未收獲的水稻區(qū)域和兩個區(qū)域間的田地組成。從顏色看，已收獲區(qū)域主要覆蓋為聯(lián)合收獲機(jī)碎草機(jī)構(gòu)打碎的秸稈，以綠色為主；未收獲區(qū)域中，水稻谷穗為黃色，葉片和莖稈為綠色；背景田地為紅黑色，顏色特征區(qū)分較為顯著。對圖像在RGB空間的分布特征進(jìn)行定量分析，基于Python和Matlab提取了各顏色特征空間，如圖5所示。

圖5 顏色特征空間與圖像灰度化效果Fig.5 Color space and gray processing

由圖5a～5c可知，收獲圖像中R、G、B分量在各個區(qū)域交互存在，不易直接區(qū)分。由圖5d可知，圖像經(jīng)2R-G-B運(yùn)算后，可明顯區(qū)分已收獲區(qū)域與未收獲區(qū)域，且能夠突出作物線同田間背景的對比度，適合作為水稻收獲圖像的灰度化算法。根據(jù)這種顏色空間分布特征，本文提出了一種基于2R-G-B超紅特征模型的綜合閾值二值化算法，設(shè)X=2R-G-B代表超紅分量，Rl、Gl、Bl、Xl為各分量的閾值下限，Rh、Gh、Bh、Xh為各分量的閾值上限，算法表達(dá)式為

圖6 二值化與形態(tài)學(xué)處理結(jié)果Fig.6 Results of binary and morphology

(3)

式中g(shù)(x,y)——點(diǎn)(x,y)的灰度

設(shè)定各分量閾值，作為圖像灰度化、二值化的依據(jù)，區(qū)分已收獲區(qū)域與未收獲區(qū)域，二值化處理后的收獲圖像如圖6a所示。二值化圖像中，未收獲區(qū)域存在噪聲點(diǎn)，已收獲區(qū)域中也存在大量空洞。為了消除這些干擾，基于形態(tài)學(xué)處理方法，先對二值圖像進(jìn)行開運(yùn)算，消除未收獲區(qū)域的噪聲點(diǎn)(圖6b),再進(jìn)行閉運(yùn)算，填充已收獲區(qū)域中的孔洞(圖6c)，得到可以進(jìn)行邊界擬合的二值化圖像。

2 作物線擬合

2.1 感興趣區(qū)域設(shè)定

作物線識別過程中，圖像處理運(yùn)算量過大會增加計算時間，影響系統(tǒng)工作的實(shí)時性。感興趣區(qū)域(Region of interest，ROI)是從圖像顯示窗口中選擇的一個關(guān)鍵部分，減少數(shù)據(jù)處理量，提高系統(tǒng)的處理速度。但是由于作物線在圖像中的位置是隨機(jī)的，無法確定ROI位置。若ROI區(qū)域無法涵蓋整個作物邊界，必然導(dǎo)致關(guān)鍵點(diǎn)的失擬，但ROI區(qū)域過大又會增加計算量。為解決此類問題，本文提出了基于垂直投影法的動態(tài)ROI區(qū)域設(shè)定算法。

在二值圖像中，未收獲區(qū)域在圖像左側(cè)為黑色(灰度為0)，未收獲區(qū)域在圖像右側(cè)為白色(灰度為255)。將圖像進(jìn)行垂直投影，若像素灰度為255則累加，統(tǒng)計各列灰度為255的像素點(diǎn)數(shù)M。設(shè)第i列像素點(diǎn)數(shù)Mi為最大值，這表明此列白色像素點(diǎn)最多，必然是未收獲區(qū)域。設(shè)定未收獲區(qū)域在圖像左側(cè)，若存在多列M值相同，則取最左側(cè)列；未收獲區(qū)在右側(cè)同理，在試驗(yàn)前進(jìn)行設(shè)定。以列像素位置為中線，左右取200像素寬，即為感興趣區(qū)域，垂直投影統(tǒng)計的像素如圖7所示。

圖7 像素垂直投影Fig.7 Pixel vertical projection

2.2 關(guān)鍵點(diǎn)選取與作物線擬合

現(xiàn)有作物線擬合方法包括Hough變換及其改進(jìn)算法[3]、最小二乘法[19]、垂直投影法[20]等。這些擬合方法針對直線型作物線的擬合效果較好，但對于曲線型和不規(guī)則形狀的作物邊界，作物線擬合誤差增大。受田間復(fù)雜環(huán)境和作物長勢影響，作物邊界一般不會為嚴(yán)格的直線。本文采用水平掃描法，提取作物線擬合關(guān)鍵點(diǎn)的橫坐標(biāo)，并提出一種基于三次B樣條曲線的作物線擬合方法，以適用于各類邊界形狀的作物線。

設(shè)擬合關(guān)鍵點(diǎn)坐標(biāo)為(xi,yi),圖像二值化后未收獲區(qū)灰度為0，已收獲區(qū)的灰度為255，兩者的分界點(diǎn)就是灰度由0變?yōu)?55的點(diǎn)。所以在ROI內(nèi)進(jìn)行水平掃描，就可以確定分界點(diǎn)，即作物線擬合關(guān)鍵點(diǎn)xi。

關(guān)鍵點(diǎn)的數(shù)量影響作物線擬合質(zhì)量。選取過多會增加計算量，過少則影響擬合精度。設(shè)每隔l行提取一個關(guān)鍵點(diǎn)，則關(guān)鍵點(diǎn)數(shù)量為

m=V/l

(4)

式中m——關(guān)鍵點(diǎn)數(shù)量

V——圖像像素總行數(shù)

根據(jù)關(guān)鍵點(diǎn)數(shù)量，將圖像沿縱向平均分割，區(qū)域也為m個，取每個區(qū)域內(nèi)形心的縱坐標(biāo)yi為擬合定位點(diǎn)的縱坐標(biāo)

(5)

式中y——像素縱坐標(biāo)

A——區(qū)域內(nèi)像素點(diǎn)的集合

j——區(qū)域內(nèi)的像素點(diǎn)數(shù)

在ROI內(nèi)以從上到下的順序進(jìn)行m次水平掃描，即可獲取所有的擬合關(guān)鍵點(diǎn)。在獲取關(guān)鍵點(diǎn)后進(jìn)行曲線擬合。

設(shè)樣條曲線基于給定的n+1個控制點(diǎn)pi(i=0,1,2,…,n)，n次B樣條曲線段的參數(shù)表達(dá)式為

(6)

式中Fi,n(t)——n次B樣條基函數(shù)

Fi,n(t)展開式為

(7)

(8)

本文基于三次B樣條曲線進(jìn)行作物線擬合，取n=3，樣條曲線基函數(shù)為

(9)

矩陣形式為

(10)

將相鄰兩個定位點(diǎn)歸為一組，每組通過插值運(yùn)算生成4個控制點(diǎn)，生成單條三次B樣條曲線，整幅圖像共擬合m-1條三次B樣條曲線。所以，作物線的表達(dá)式為m-1條所擬合的三次B樣條曲線組成的分段函數(shù)

(11)

三次B樣條曲線擬合的關(guān)鍵點(diǎn)越多，曲線越光滑，擬合的精度也越高，但關(guān)鍵點(diǎn)過多會導(dǎo)致曲線過擬合，同時增加計算量，影響圖像擬合的實(shí)時性。本文取l=60，圖像尺寸為1 292像素×964像素，則關(guān)鍵點(diǎn)數(shù)m=15，所擬合的作物線如圖8所示。

圖8 作物線擬合結(jié)果Fig.8 Fitting result of crop line

3 試驗(yàn)與結(jié)果分析

3.1 坐標(biāo)變換

圖像使用大恒MER-125-30GC型工業(yè)相機(jī)拍攝，130萬像素，配置H2Z0414C-MP鏡頭。用于 圖像處理的計算機(jī)處理器為Inerl Core i7,主頻2.5 GHz，內(nèi)存16 GB；圖像處理程序基于Microsoft Visual Studio 2015和OpenCV 3.3開發(fā)。

為了將圖像像素信息轉(zhuǎn)換為實(shí)際位置信息，需要將相機(jī)坐標(biāo)系轉(zhuǎn)換至世界坐標(biāo)系，進(jìn)而將圖像中的像素點(diǎn)數(shù)關(guān)系轉(zhuǎn)換為實(shí)際的距離和角度關(guān)系。如圖9所示，設(shè)Oc為視覺坐標(biāo)系OcXcYcZc的原點(diǎn)，相機(jī)的右方為Xc軸(圖9中為垂直于直面向內(nèi))，O為相機(jī)坐標(biāo)系原點(diǎn)在地面的投影，作為世界坐標(biāo)系OXYZ的原點(diǎn)，X方向與Xc一致。

圖9 相機(jī)坐標(biāo)系與世界坐標(biāo)系的位置關(guān)系Fig.9 Positional relationship between camera coordinate system and world coordinate system

相機(jī)坐標(biāo)系至世界坐標(biāo)系的轉(zhuǎn)換矩陣為

(12)

式中θ——相機(jī)與水平面的夾角，(°)

h——相機(jī)中心距離地面高度，m

設(shè)作物線擬合點(diǎn)為C(xC,yC)，前視距離L=yC，則橫向偏差d=xC。

3.2 室內(nèi)試驗(yàn)

通過室內(nèi)試驗(yàn)，檢驗(yàn)相機(jī)標(biāo)定的準(zhǔn)確性和圖像處理算法的有效性。見圖10，室內(nèi)試驗(yàn)時，相機(jī)的安裝位置與地面的距離h=1.58 m，相機(jī)軸線與水平面的夾角θ=30°，攝像機(jī)視野范圍lP1P2=11.88 m，lOP1=1.32 m，lOP2=13.20 m。

圖10 相機(jī)安裝位置Fig.10 Installation location of camera

如圖11所示，通過本文的圖像處理方法，計算地面白色紙帶上紅色圓點(diǎn)的圓心距和白色紙帶間的夾角，并與實(shí)際值進(jìn)行對比。紙帶上貼有10個紅色圓點(diǎn)，相鄰圓點(diǎn)的圓心間距為500 mm。

圖11 室內(nèi)試驗(yàn)Fig.11 Laboratory test

基于機(jī)器視覺計算相鄰圓心的間距，改變相機(jī)的擺放位置，重復(fù)試驗(yàn)，檢驗(yàn)距離識別精度。試驗(yàn)共重復(fù)6組，每組試驗(yàn)輸出9個距離檢測值，試驗(yàn)結(jié)果如表2所示。

同理，在地面上貼兩條帶有紅色圓點(diǎn)的白色紙帶，通過本文所述方法計算兩紙帶的夾角，試驗(yàn)共進(jìn)行6組，試驗(yàn)結(jié)果如表3所示。

表2 距離識別結(jié)果Tab.2 Distance calculation result

表3 角度識別結(jié)果Tab.3 Angle calculation result

試驗(yàn)表明，圖像處理獲得的圓心距與實(shí)際值相比，平均誤差為9.9 mm，偏差率2.0%，方差為44.8 mm2，均方差為6.5 mm；角度檢測試驗(yàn)平均誤差0.77°，誤差率2.7%，方差0.13(°)2。距離檢測平均誤差小于1 cm，角度檢測平均誤差小于0.8°，室內(nèi)試驗(yàn)表明，相機(jī)標(biāo)定準(zhǔn)確，圖像處理方法有效，可以較好地開展距離識別和角度計算。

3.3 田間試驗(yàn)

試驗(yàn)在泰州紅旗農(nóng)場水稻田中進(jìn)行，田間試驗(yàn)過程中，相機(jī)安裝在星光4LZ-5型履帶式聯(lián)合收獲機(jī)操作臺右前方。相機(jī)高度h=2.35 m，相機(jī)軸線與水平面向下的夾角θ=30°，聯(lián)合收獲機(jī)工作速度約為1.1 m/s。通過檢測所擬合的作物線與圖像中心線的距離偏差，對比實(shí)際偏差，檢驗(yàn)作物線擬合結(jié)果。驗(yàn)證圖像處理算法在不同光照環(huán)境下、對各類形狀的作物邊界線進(jìn)行檢測的結(jié)果。

在順光、逆光、強(qiáng)光、弱光環(huán)境下對兩種不同品種水稻(中粳798、臨稻20)收獲期的作物線進(jìn)行識別，拍攝同時從連續(xù)視頻幀上截取處理用圖像，保存為JPG格式進(jìn)行圖像處理。在順光、逆光、強(qiáng)光、弱光環(huán)境下，采集了中粳798、臨稻20兩個品種的收獲圖像并進(jìn)行處理。記錄圖像處理時間，平均每幀圖像處理耗時分別為33、35、38、48 ms和35、33、37、45 ms，單幀圖像平均處理時間38 ms，可以實(shí)現(xiàn)作物線的實(shí)時擬合。

人工標(biāo)識圖像作物邊界，并與機(jī)器視覺自動擬合的作物線作物邊界進(jìn)行對比，獲取導(dǎo)航路徑提取的像素誤差ep，并通過式(12)轉(zhuǎn)換為世界坐標(biāo)系下的距離誤差ew，相對誤差為

(13)

式中er——相對誤差，%

H——圖像橫向像素數(shù)

中粳798作物線識別結(jié)果如圖12所示，關(guān)鍵點(diǎn)的擬合誤差計算結(jié)果如表4所示，作物線識別相對誤差隨像素縱坐標(biāo)的變化如圖13所示。

圖12 中粳798作物線擬合結(jié)果Fig.12 Zhongjing 798 crop line fitting result

由表4可知，對于擬合中粳798作物線的15個關(guān)鍵點(diǎn)，順光環(huán)境下像素誤差范圍為16～36像素，平均像素誤差26.9像素，標(biāo)準(zhǔn)差為6.8像素，實(shí)際距離誤差為12～46 mm，平均距離誤差30.7 mm，相對誤差1.2%～2.8%，平均相對誤差2.1%；逆光環(huán)境下像素誤差范圍為18～63像素，平均像素誤差35.2像素，標(biāo)準(zhǔn)差為11.9像素，實(shí)際距離誤差為13～53 mm，平均距離誤差38.1 mm，相對誤差1.4%～4.9%，平均相對誤差2.7%；強(qiáng)光環(huán)境下像素誤差范圍為9～47像素，平均像素誤差26.2像素，標(biāo)準(zhǔn)差為12.0像素，實(shí)際距離誤差為15～40 mm，平均距離誤差26.3 mm，相對誤差0.7%～3.6%，平均相對誤差2.0%；弱光環(huán)境下像素誤差范圍為0～58像素，平均像素誤差26.7像素，標(biāo)準(zhǔn)差為18.7像素，實(shí)際距離誤差為0～42 mm，平均距離誤差23.9 mm，相對誤差0～4.5%，平均相對誤差2.1%。

表4 中粳798作物線15個關(guān)鍵點(diǎn)的橫向偏差計算結(jié)果Tab.4 Calculation results of lateral deviation of 15 key points of Zhongjing 798 crop line

圖13 中粳798作物線識別相對誤差Fig.13 Relative error of Zhongjing 798 crop line recognition

對于中粳798的收獲圖像，強(qiáng)光環(huán)境下平均像素誤差最小，為26.2像素，弱光環(huán)境下平均距離誤差最小，為23.9 mm，強(qiáng)光環(huán)境下平均相對誤差最小，為2.0%，順光環(huán)境下穩(wěn)定性最好，標(biāo)準(zhǔn)差為6.8像素。4種光線環(huán)境下，中粳798作物線關(guān)鍵點(diǎn)識別的平均像素誤差為28.7像素，平均距離誤差39.7 mm，平均相對誤差2.7%。

臨稻20作物線識別結(jié)果如圖14所示，關(guān)鍵點(diǎn)的識別誤差計算結(jié)果如表5所示，作物線識別相對誤差隨像素縱坐標(biāo)的變化如圖15所示。

圖14 臨稻20作物線擬合結(jié)果Fig.14 Lindao 20 crop line fitting results

由表5可知，對于擬合臨稻20作物線的15個關(guān)鍵點(diǎn)，在順光環(huán)境下的像素誤差范圍為21～76像素，平均像素誤差40.2像素，標(biāo)準(zhǔn)差為14.1像素，實(shí)際距離誤差為16～98 mm，平均距離誤差47.8 mm，相對誤差1.6%～5.9%，平均相對誤差3.1%；逆光環(huán)境下像素誤差范圍為9～43像素，平均像素誤差29.5像素，標(biāo)準(zhǔn)差為10.8像素，實(shí)際距離誤差為7～77 mm，平均距離誤差36.9 mm，相對誤差0.7%～3.3%，平均相對誤差2.3%；強(qiáng)光環(huán)境下像素誤差范圍為18～76像素，平均像素誤差36.5像素，標(biāo)準(zhǔn)差為13.9像素，實(shí)際距離誤差為12～89 mm，平均距離誤差42.6 mm，相對誤差1.4%～5.9%，平均相對誤差2.8%；弱光環(huán)境下的像素誤差范圍為11～67像素，平均像素誤差39.8像素，標(biāo)準(zhǔn)差為16.2像素，實(shí)際距離誤差為8～132 mm，平均距離誤差52.8 mm，相對誤差0.9%～5.2%，平均相對誤差3.1%。

對于臨稻20的收獲圖像，在逆光環(huán)境下的平均像素誤差最小，為29.5像素，平均距離誤差最小，為36.9 mm，平均相對誤差最小，為2.3%，穩(wěn)定性也最好，標(biāo)準(zhǔn)差為10.8像素。4種光線環(huán)境下，臨稻20作物線關(guān)鍵點(diǎn)識別的平均像素誤差為36.5像素，平均距離誤差45.0 mm，平均相對誤差2.8%。

表5 臨稻20作物線15個關(guān)鍵點(diǎn)的橫向偏差計算結(jié)果Tab.5 Calculation results of lateral deviation of 15 key points of Lindao 20 crop line

圖15 臨稻20作物線識別相對誤差Fig.15 Relative error of Lindao 20 crop line recognition

綜上所述，應(yīng)用本文所提出的水稻收獲導(dǎo)航線提取方法，導(dǎo)航線的提取誤差不超過45 mm，相對誤差不超過2.8%。中粳798收獲圖像的導(dǎo)航路徑提取結(jié)果優(yōu)于臨稻20的收獲圖像，這是因?yàn)槌斯庹找蛩赝猓瑘D像處理結(jié)果還受到作物紋理等多種因素干擾。本文導(dǎo)航路徑提取算法識別耗時短，結(jié)果較為可靠，能適應(yīng)多種光照環(huán)境，可以作為聯(lián)合收獲機(jī)視覺導(dǎo)航的依據(jù)。

4 結(jié)論

(1)針對水稻收獲圖像中各區(qū)域的顏色特征，提出了適合收獲作業(yè)導(dǎo)航的2R-G-B圖像灰度化算法，該方法適于提取水稻已收獲區(qū)域與未收獲區(qū)域分界線。

(2)針對作物長勢和田間環(huán)境復(fù)雜、作物線輪廓不規(guī)則的特點(diǎn)，提出了基于三次B樣條曲線的作物線擬合方法，提高了作物線擬合方法的適應(yīng)性。

(3)試驗(yàn)表明，在不同的光線條件下，中粳798收獲圖像的作物線識別平均像素誤差為28.7像素，平均距離誤差39.7 mm，平均相對誤差2.7%；臨稻20收獲圖像的作物線識別平均像素誤差為36.5像素，平均距離誤差45.0 mm，平均相對誤差2.8%；單幀圖像平均處理時間38 ms。所提出的圖像處理與作物線擬合方法，在強(qiáng)光、弱光、順光、逆光環(huán)境下都能較為準(zhǔn)確地識別已收獲區(qū)域與未收獲區(qū)域，適用于田間環(huán)境下水稻收獲作業(yè)視覺導(dǎo)航路徑的提取。