基于区域生长顺序聚类-RANSAC的水稻苗带中心线检测

S24; 为提高水稻苗带中心线检测的适应性和实时性,满足巡田机器人导航的低成本、轻量级计算、高实时性需求,针对水稻苗带中心线检测结果容易受到光照变化和机器震动等原因产生图像噪声影响的问题,该研究以返青期和分蘖初期水稻秧苗为研究对象,提出基于区域生长顺序聚类-随机抽样一致性算法(random sample consensus,RANSAC)的水稻苗带中心线检测方法.首先,对采集的水稻秧苗图像运用归一化超绿特征法(excess green,ExG)和最大类间方差法(Otsu)分割水田背景和秧苗区域,应用先腐蚀后开运算的形态学方法去除秧苗图像噪声点;然后,采用基于水平带的秧苗轮廓质心检测方法提取秧苗...

Full description

Saved in:
Bibliographic Details
Published in农业工程学报 Vol. 39; no. 7; pp. 47 - 57
Main Authors 傅灯斌, 江茜, 齐龙, 邢航, 陈芷莹, 杨秀丽
Format Journal Article
LanguageChinese
Published 岭南现代农业科学与技术广东省实验室,广州 510642 01.04.2023
华南农业大学工程学院,广州 510642%华南农业大学工程学院,广州 510642
Subjects
Online AccessGet full text
ISSN1002-6819
DOI10.11975/j.issn.1002-6819.202210106

Cover

More Information
Summary:S24; 为提高水稻苗带中心线检测的适应性和实时性,满足巡田机器人导航的低成本、轻量级计算、高实时性需求,针对水稻苗带中心线检测结果容易受到光照变化和机器震动等原因产生图像噪声影响的问题,该研究以返青期和分蘖初期水稻秧苗为研究对象,提出基于区域生长顺序聚类-随机抽样一致性算法(random sample consensus,RANSAC)的水稻苗带中心线检测方法.首先,对采集的水稻秧苗图像运用归一化超绿特征法(excess green,ExG)和最大类间方差法(Otsu)分割水田背景和秧苗区域,应用先腐蚀后开运算的形态学方法去除秧苗图像噪声点;然后,采用基于水平带的秧苗轮廓质心检测方法提取秧苗特征点,利用区域生长顺序聚类方法将同一秧苗行的特征点聚成一类;最后,通过RANSAC算法拟合苗带中心线,从而得到巡田机器人视觉导航基准线.试验结果表明:该方法对返青期和分蘖初期水稻苗带中心线检测率均在 97%以上,比已有YOLOv3 算法提高 6.12 个百分点,比基于区域生长均值漂移聚类算法降低 2.41个百分点;平均误差角度为2.34°,比已有YOLOv3算法高1.37°,比基于区域生长均值漂移聚类算法低0.12°,平均每帧图像检测时间为15.53 ms,比已有YOLOv3算法缩短81.19%,比基于区域生长均值漂移聚类算法缩短82.74%,本文方法在保证检测精度的基础上,大幅提升了检测速度,具有良好的适应性和实时性.研究结果可为巡田机器人视觉导航提供参考.
ISSN:1002-6819
DOI:10.11975/j.issn.1002-6819.202210106