郭翰林, 洪瑛杰， 張 翔, 林 建

(福建農(nóng)林大學機電工程學院，福建 福州 350002)

再生稻收割機的視覺導航路徑檢測方法

郭翰林, 洪瑛杰， 張 翔, 林 建

(福建農(nóng)林大學機電工程學院，福建 福州 350002)

采用機器視覺技術研究再生稻收割機導航路徑檢測方法.根據(jù)農(nóng)田再生稻圖像特點，基于HSV空間的S分量結合Otsu算法得到初始分割閾值T；為更好地保留不同成熟度再生稻植株特征，加入修正因子-a，得到分割閾值T-a二值化圖像.將土壤路徑從再生稻植株中分割出來，根據(jù)形成的植株左右邊界區(qū)域特征，提出逐行掃描圖像動態(tài)檢測導航路徑的中間離散點集，利用基于已知點的Hough變換檢測出稻樁行間導航路徑.結果表明：處理一幅像素419×310的圖像平均耗時0.064 s，具有較好的實時性，對稻葉交疊現(xiàn)象具有較強的適應性，擬合的導航線符合人眼視覺感官判斷.

再生稻; 農(nóng)田環(huán)境; 視覺導航; Hough變換; 直線檢測

聯(lián)合收割機輔助駕駛已成為普遍關注的問題，而實現(xiàn)聯(lián)合收割機輔助駕駛的核心是對其預行駛路徑進行檢測，即導航[1].如何實現(xiàn)自主導航是農(nóng)業(yè)機器人領域的研究熱點之一，視覺導航技術憑借其探測范圍廣、獲取信息完整等優(yōu)勢，成為目前國內外應用較多的機器人導航方式[2].其關鍵環(huán)節(jié)在于通過圖像處理技術準確可靠地提取導航基準線.目前該方面的研究大多是針對外層視野范圍內農(nóng)田的作物行和邊緣或者作物壟溝的導航中心線檢測.吳剛等[1]將攝像機安裝在收割機頂部采集圖像，根據(jù)已收獲區(qū)域、未收獲區(qū)域和非農(nóng)田區(qū)域的不同顏色特征，通過統(tǒng)計分析和邊緣檢測方法確定直線上的候選點，采用改進的Hough變換完成直線檢測.Toru[3]研究了一種應用于農(nóng)田精密噴灑農(nóng)藥和作物中耕管理的圖像處理算法，對作物行進行邊緣檢測后，利用最小二乘法擬合出導航線.唐澤華[4]在育秧農(nóng)田視野范圍內，根據(jù)秧苗行的特點去除無關秧苗行，然后采用Hough變換提取秧苗行直線.吳佳藝[5]研究了中低層桑樹圖像特點，利用區(qū)域生長的方法分割桑樹與路徑，然后采用Hough變換生成中心線，其研究對象行間距較大，樹葉交疊干擾少，視野范圍內采集的圖像易于處理.但有關通過深入作物行的中低層采集圖像來提取導航線等方面的研究較少.

隨著視覺應用的推廣，對農(nóng)田作物進行諸如施肥、除草、灌溉等操作時, 機器人可以深入作物行的中低層行走，并得到廣泛應用.再生稻的特點是在一季稻成熟之后，大約只割下植株上2/3的部位，收取稻穗，保留下面的1/3植株[6]，這就要求行走輪盡量避免碾壓稻樁.因此，需要深入再生稻中底層采集路徑信息，通過機器視覺技術檢測導航線.本文針對再生稻植株生長不確定性、株間空隙等特征，基于HSV顏色空間的S分量對獲取的圖像進行灰度化，并采用修正閾值二值化S分量灰度圖，以保留更完整的植株特征，分割出的圖像基本反映出再生稻植株的走勢特征；并提出逐行掃描圖像動態(tài)檢測導航路徑的中間離散點集，最后采用基于已知點的Hough變換獲得導航路徑.

1 材料與方法

1.1 圖像分析與預處理

為縮短算法開發(fā)周期，利用普通數(shù)碼相機于福建省農(nóng)業(yè)科學院水稻研究所再生稻試驗田(福州市倉山區(qū)蓋山鎮(zhèn))采集圖片，結果如圖1a所示.頭季稻收獲時，采用排水烤田以利于收割機行走，田間現(xiàn)場如圖1b所示，針對再生稻葉子和稻樁生長的復雜性，選擇合適的色彩空間進行圖像分割.采用RGB空間的2G-R-B特征因子、HSV空間的S分量、 YCrCb空間的Cb分量進行灰度化試驗比較，整個灰度空間被分為灰度值具有明顯差異的再生稻植株區(qū)域和路徑區(qū)域，利用飽和度差異的S分量將路徑從復雜的圖像信息中分割出來，結果如圖2所示.

a.試驗田;b.中低層再生稻植株.圖1 田間圖像Fig.1 Image in the cropland field

圖2 S分量灰度圖Fig.2 Grayscale image of S variate

1.2 閾值分割

選用改進的最大類間方差法(Otsu)[7-8]獲取S分量圖的初始分割閾值T，并進行二值化處理，結果如圖3a所示.結合S分量的直方圖特征(圖3b),二值化時適當降低分割閾值有助于保留植株的特征，減少不同成熟度枯黃色莖葉的干擾.因此，對分割閾值加入修正因子-a，以閾值T-a二值化S分量圖.經(jīng)多幅圖像試驗，a取12可以達到較為滿意結果(圖3c).農(nóng)田圖像總體上被分為白色植株區(qū)域和黑色路徑區(qū)域，所形成的植株左右邊界體現(xiàn)出再生稻走勢特征.

a.修正前二值化圖像;b.S分量直方圖;c.修正后二值化圖像.圖3 修正閾值的二值化圖像Fig.3 Binarized image of modified threshold

1.3 除噪等后續(xù)處理

圖4 去噪生后的圖像Fig.4 Image after denoising

得到二值圖像后，植株區(qū)域出現(xiàn)黑色空洞；路徑區(qū)域出現(xiàn)白色點狀噪聲，為排水烤田后土壤長出的幼小綠色雜草帶來的噪聲.經(jīng)分析，首先用7×7結構元素進行膨脹擴大區(qū)域的連通性分析[9]，然后采用連通域面積去噪法[10]，面積TH1取800個像素點能得到較好的效果，最后用5×5結構元素進行形態(tài)學閉運算進一步去除噪聲，結果如圖4所示.

1.4 檢測導航路徑點集

根據(jù)形成的植株左右邊界區(qū)域特征，檢測圖像每一行中所有黑點總數(shù).其中，大部分黑點代表路徑，少量黑點存在于植株背景中.提出的動態(tài)檢測路徑中點的算法具體步驟如下：

(1)建立一個空矩陣A，其大小規(guī)格與去噪后的圖像一致，記為M×N，并初始化臨時變量m=0，k=0；

(2)對去噪后的圖像進行逐行逐列掃描，設掃描圖像初始點為圖像的左上角點，i值由上到下依次增大，j值由左到右依次增大，若當前圖像點(i，j)的像素值為0，則m++(m記錄此行黑點總數(shù))，同時記k=m/2；

(3)對步驟(2)的行再次進行掃描，確定出路徑中的點坐標值，若當前圖像點(i，j)的像素值為0，則k--，直到k==0時，記錄此時的坐標(i，j)，并取像素值255存入A中；

(4)掃描至M行后停止掃描.否則繼續(xù)執(zhí)行步驟(2)操作.

圖5 特征圖上提取路徑擬合點 Fig.5 Fitting points of navigation path after processed image

將A值存到去噪后的圖像，則路徑中點集的提取效果如圖5所示.白點表示提取的結果，代表路徑中點的平均位置.由于圖像尺寸較大且存在噪聲干擾，檢測結果局部點出現(xiàn)較大的偏差，但是從選點原則和統(tǒng)計學的角度考慮，這并不影響整體結果.因此該算法對二值化圖像中的空洞和點狀噪聲具有一定的抗干擾性.

1.5 提取導航線

檢測到路徑擬合點后就可提取導航線的信息.作為導航路徑的農(nóng)作物,自然形成的壟行基本上為直線,或相對于輪式移動機器人前進方向局部范圍內近似于直線,因此目前研究中一般使用直線路徑模型[11].可根據(jù)再生稻植株走勢特征的二值化圖像檢測導航線，使輪式收割機沿著導航線行走，減少壓樁率.目前直線檢測方法很多，最為常用的是最小二乘法、標準Hough變換和基于已知點的Hough變換[12]等.由于再生稻植株間存在空隙和稻葉交疊現(xiàn)象，用最小二乘法擬合直線，提取再生稻左右邊界間的直線易受到干擾，容易導致擬合基準線出錯.而Hough變換對圖像的隨機噪聲、部分信息缺失等情況具有較好的適應性，被廣泛應用于諸多領域[1].因此本文采用標準的Hough變換和基于已知點的Hough變換2種方法進行比較.其中，Opencv提供了標準Hough變換函數(shù)Houghlines檢測直線，結果如圖6所示.標準的Hough變換是一種全局性的檢測方法,具有極佳的抗干擾能力,但其直線累加器的閾值不易控制，處理速度較慢[13].因此,采用基于已知點的Hough變換提取導航線信息.基于已知點的Hough變換將標準Hough變換的運算過程簡化為基于一個已知點的一元映射, 通過對檢測對象特征的分析，獲取少量的目標像素特征點，減少處理對象，在保留標準Hough變換抗干擾能力強的基礎上簡化了計算過程,極大地提高了處理速度[11].其中，基于已知點的Hough變換檢測直線的過程見文獻[14].由于圖像盡頭的稻葉長勢相對不規(guī)則，因此已知點的選取從圖像M/2行開始向下掃描圖像的所有路徑擬合點，計算其橫坐標和縱坐標的平均值位置，記為已知點.

a.標準的Hough變換;b.基于已知點的Hough變換.圖6 Hough變換檢測導航路徑Fig.6 Navigation path detected by Hough transform

2 結果與分析

為驗證算法的有效性，在試驗田以不同拍攝角度采集再生稻圖像進行對比試驗，檢測導航路徑，圖像尺寸為419×310像素.利用較有代表性的5幅再生稻圖像分別以標準Hough和基于已知點的Hogh進行對比試驗，結果如圖7所示.

a1～a5.標準Hough變換結果;b1～b5.基于已知點的Hough變換結果.圖7 導航路徑檢測試驗對比圖 Fig.7 Comparison on pathway images after navigation

由圖7可以看出，基于已知點的Hough提取導航線保持了標準Hough的精度，仍體現(xiàn)了標準Hough極強的抗干擾能力，且避免了標準Hough變換累加器閾值不易確定的問題.表1顯示了這2種算法的耗時對比，結果表明基于已知點的Hough耗時更少，容易滿足收割機輔助駕駛的實時性要求.結果表明該方法能在有效分割再生稻植株和路徑的基礎上，實現(xiàn)再生稻植株在中低層復雜背景下提取導航路徑.盡管噪聲的干擾部分路徑擬合點偏離路徑中間，但Hough算法具有較好的糾偏能力和魯棒性，因此其處理結果仍基本體現(xiàn)路徑的中心線位置，有較好的適用性.同時也表明該方法在稻葉交疊情況下，對導航路徑檢測具有較好的適應性，擬合出的導航線基本反映了再生稻的走勢特征，符合人眼視覺的感官判斷.

表1 標準Hough和基于已知點Hough算法的耗時對比Table 1 Comparison of time between standardized Hough and known point based on Hough

3 討論

農(nóng)田采集的再生稻圖像在HSV空間中以S分量灰度化，結合Otsu算法得到初始分割閾值.同時加入修正因子-a二值化圖像，并運用形態(tài)學等后續(xù)處理分割出植株區(qū)域和路徑區(qū)域，以動態(tài)掃描方式檢測路徑擬合點.利用基于已知點的Hough變換擬合導航路徑，提高了導航線檢測效率.試驗結果表明，該方法對中低層稻葉交疊現(xiàn)象具有一定的抗干擾性.但當?shù)救~交疊嚴重時該方法的背景分割效果降低，且當農(nóng)田周圍的風力較大時，植株容易出現(xiàn)變形，導致圖像分割和中心線檢測出現(xiàn)偏差，這還有待今后進一步研究.

[1] 吳剛,譚彧,鄭永軍,等.基于改進Hough變換的收割機器人行走目標直線檢測[J].農(nóng)業(yè)機械學報,2010(2):176-179.

[2] 遲德霞,任文濤,由佳翰,等.水稻插秧機視覺導航信息獲取試驗[J].沈陽農(nóng)業(yè)大學學報,2015(5):575-580.

[3] TORU T. Research in autonomous agriculture vehicles in Japan[J]. Computer and Electronics in Agriculture, 2000,25(1):133-153.

[4] 唐澤華.基于機器視覺的步行插秧機自主導航關鍵技術研究[D].杭州：浙江理工大學,2013.

[5]吳佳藝. 基于機器視覺的農(nóng)林環(huán)境導航路徑生成算法研究[D]. 杭州：浙江工業(yè)大學，2009.

[6] 朱鴻,陳鴻飛.福建省再生稻研究現(xiàn)狀與展望[J].亞熱帶農(nóng)業(yè)研究,2006,2(3):170-175.

[7] OTSU N. A threshold selection method from gray-lever histogram[J]. IEEE Trans on SMC, 1979,29(1):62-66.

[8] 張振升,朱名日.基于HSI顏色空間的蔗糖結晶圖像分割方法[J].計算機工程與應用,2011(11):190-193.

[9] 岡薩雷斯.數(shù)字圖像處理[M].2版.阮秋奇,譯.北京:電子工業(yè)出版社,2003.

[10] 趙德升.基于機器視覺的精確噴施智能除草裝置雜草實時識別技術[D].鎮(zhèn)江：江蘇大學,2009.

[11] 曹倩,王庫,楊永輝,史小磊.基于TMS320DM642的農(nóng)業(yè)機器人視覺導航路徑檢測[J].農(nóng)業(yè)機械學報,2009(7):171-175.

[12] 劉兆祥,陳艷,籍穎,等.基于機器視覺的農(nóng)業(yè)車輛路徑跟蹤[J].農(nóng)業(yè)機械學報,2009(S1):18-22.

[13] 張?zhí)?高茬水田耕整路徑機器視覺識別方法研究[D].武漢：華中農(nóng)業(yè)大學,2014.

[14] 黃小剛.水田除草機器人視覺導航路徑與參數(shù)獲取方法研究[D].廣州：華南理工大學,2013.

(責任編輯:葉濟蓉)

Method of identifying the vision navigation path for ratooning rice harvester

GUO Hanlin, HONG Yingjie, ZHANG Xiang, LIN Jian

(College of Mechanical and Electronic Engineering, Fujian Agriculture and Forestry University, Fuzhou, Fujian 350002, China)

A method of identifying the vision navigation path for ratooning rice harvester is proposed based on machine vision technology to reduce the rate of rice straw rolled. Based on the characteristics of ratooning rice image in the farmland, an initial segmentation thresholdTwas obtained based on S variate in HSV space, by Otsu algorithm. In order to maintain the integral feature of ratooning rice area under different maturity stages, a modified factor -awas incorporated to get segmentation thresholdT-a, which was used to binarize the grayscale image. Then the ratooning rice area was divided into sections of left and right by harvester pathway. A dynamic method for identifying discrete points in the navigation path was proposed based on the boundary feature and scanned image. Lastly, the vision navigation path was identified by the known point Hough transform in the ratooning rice area. The results demonstrated that the average time of processing a 419×310 pixel image was 0.064 s, which met the timing requirement in the field. Moreover, navigation line accords with human visual recognition, and exerts strong adaptability to noises like overlapped leaf.

ratooning rice; cropland field; vision navigation; Hough transform; line detection

2016-07-12

2016-10-15

福建省自然科學基金資助項目(2016J01701)；福建農(nóng)林大學機械工程學科整體學科水平提升計劃項目(612014049).

郭翰林(1989-)，男，碩士研究生.研究方向：機械制造自動化技術.Email:ffharlen@126.com.通訊作者林建(1971-)，男，副教授.研究方向：計算機控制和視覺算法.Email:1827740@qq.com.

TP391.9

A

1671-5470(2017)03-0356-05

10.13323/j.cnki.j.fafu(nat.sci.).2017.03.020