一种基于一维Hough变换和专家系统的早期苗田垄线识别算法
阅读：244发布：2020-12-07
专利汇可以提供一种基于一维Hough变换和专家系统的早期苗田垄线识别算法专利检索，专利查询，专利分析的服务。并且本 发明 公开了一种基于一维Hough变换和 专家系统 的早期苗田垄线识别 算法 ，包括如下步骤：A1、垄田图像的预处理：A2、基于专家系统的垄线识别1)基于一维Hough变换提取垄线；2)查找特征最明显的第一条垄线；3)查找其余垄线。本发明具有以下有益效果：1)采用基于一维线的Hough变换获取多垄线，改善了 农业机械 视觉 导航系统 多垄线识别的实时性；2)充分利用垄线结构信息，采用专家系统推理获取准确的垄线，改善了农业机械视觉导航系统多垄识别的鲁棒性和适应性。，下面是一种基于一维Hough变换和专家系统的早期苗田垄线识别算法专利的具体信息内容。
1.一种基于一维Hough变换和专家系统的早期苗田垄线识别算法，其特征在于，包括如下步骤：
A1、垄田图像的预处理：
1)对获取的农田图像进行绿色提取和二值化处理；
2)对二值化处理后的图像进行除噪处理；
A2、基于专家系统的垄线识别
1)基于一维Hough变换提取垄线
田间机器人视觉系统所拍摄的图像的高度、宽度均为已知，沿图像水平中位线上对每个像素点，进行式(1)所示的Hough变换提取垄线：即在过该像素点角度范围(0°～
180°)内找出所有直线上数据点最多的线，然后，将统计出该线的角度和线上数据点量，分别记入统计数组LocalMaxAngle[0..width-1]、LocalMaxData[0..width-1]；式(1)为一维Hough变换找垄线表达式，其中，ρ为点(x0，h)到直角坐标原点的距离，width，height分别为处理图像的宽度和高度，h＝height/2；
ρ＝x0cosθ+hsinθ，θ∈[0，180]，x0∈[0，width] (1)
2)查找特征最明显的第一条垄线
查找统计数组中数据量最大的点及其角度，作为图像范围内垄线特征最明显的第一条垄线，并记录其与中位线的交点和夹角；同时，对第一条垄线上的垄线特征进行提取：垄线最大空白区域，即最大的连续背景点区域；垄线数据点平均分布p，即按式(2)进行处理 其中，Ai为连续作物点区域，m为作物点个数，n为该垄线上的区域个数；作物宽度，即沿第一条垄线自其与中位线交点向下，在垄线最大空白区域和数据点平均分布纵向范围内，进行作物宽度统计，找出作物最宽处像素量，即为作物宽度；同时，对中位线上 与第一条垄线交点左、右作物宽度内的统计数组做清零处理，以确保在确认的垄线周围作物宽度内不出现第二条疑似垄线；并将第一条垄线记录到垄线链表中；
3)查找其余垄线
选择统计数组新的最大值，通过交点、角度，并结合获得的第一条垄线特征参数判断待测垄线是否为符合实际情况的垄线，具体推理、判断过程为：
R1：待测垄线与第一条垄线是否有交点；若有，交点位置是否位于图像上方图像地平线位置以上区域，若不是则为错误垄线，将该错误垄线与中位线交点位置的统计数组值置零，选择新的垄线，返回3)，重新开始查找其余垄线；若交点在图像地平线下方，进入R2，继续判断；
R2：待测垄线上的垄线最大空白区域、垄线数据点平均分布特征同第一条垄线是否相同，若不同，将统计数组中待测垄线与中位线交点位置的统计数组值置零，选择新的垄线，返回3)，重新开始查找其余垄线；若相同，进入R3，继续判断；
R3：若待测垄线和第一条垄线最大空白区域、垄线数据点平均分布特征相同，且第二条确认垄线尚未确定，确定为第二条确认线，同时进行垄线关系参数设定：垄线间是否存在交点，第二条确认垄线同第一条确认垄线存在交点，则设置垄线存在交点标记为真，否则设置垄线存在交点标记为假；垄线间宽度，第二条确认垄线和中位线交点同第一条确认垄线和中位线交点间隔像素数量为垄线间宽度；将确认垄线连入垄线链表，在中位线上，其与确认垄线交点左、右作物宽度内统计数组值清零，确保在确认的垄线周围作物宽度内不出现其它条疑似垄线，转3)，重新开始查找其余垄线；若不为第二条确认垄线，则进入R4，进行线间关系检测；
R4：待测垄线与垄线链表中记录所有线依次进行比较：比较待测垄线最大空白区域、垄线数据点平均分布特征与第一条垄线是否相符；待测线与链表节点记录线线间关系是否符合实际，包括垄线间是否存在交点、垄线间距离。如果垄线间位置关系与已记录的垄线存在交点标记、垄线间宽度一致，即确认为下一条垄线，将确认出的垄线记入垄线链表；并在统计数组中，将确认垄线同中位线交点左、右垄线宽度范围内数组值置零；若待测垄线与链表节点记录线特征不一致，为错误垄线，在统计数组中将错误 垄线与中位线交点处的统计值置零，并在统计数组中选择下一个最大值，若选择出的统计数组最大值小于给定阈值，垄线确认过程结束；否则返回R3。
一种基于一维Hough变换和专家系统的早期苗田垄线识别
技术领域
背景技术
[0002] Marchant[1，２］等尝试使用Hough变换提取3垄信息，并通过摄像头内外参数标定获得视觉导航参数，但没有进行多垄信息融合，并分析了Hough变换可以提取多垄信息，且具[3]备实现农业机械实时、低速自主作业的条件。随后Marchant 等将视觉信息、车速信息通过Kalman滤波融合，规划出行车策略，标准偏差为20mm，满足农田机械进行喷施等作业条[4]
件。Pla 等基于视觉系统图像中垄线将于图像外一虚点处汇交，开发了基于虚点预测缺失垄行的垄线识别算法，有效利用了系统成像特点，使系统的检测性能得到了改善，进而结合系统模型结构参数获得导航参数。经过图像序列的测试，算法鲁棒性较好，能够克服一些断[5]
垄等的影响。Sanchiz 等提出了视觉导航和精确喷施车辆模型算法，试图建立车辆运动参数与喷施决策的关系地图以实现自动导航和自动精确喷施。主要内容包括基于图像特征序[6]
列反向获取车辆的运动参数、车辆路径识别和基于Kalman滤波的目标恢复。在文献 中他们进一步完善了该视觉导航和自动喷施系统，通过静态图像处理测试对系统性能进行了分析，将农业机械的视觉导航、自动喷施和控制转向功能模块进行了协调和规划，在农业机械[7]
自主作业系统的研制方面做了一些有益的探索。瑞典的Astrand 等提出了基于矩形条的视觉导航系统垄行识别算法。其特点是采用Hough变换在矩形条内提取目标线，目标线的条数与垄行宽度相对应，属于某一垄行的“目标线”必定相交于图外一“虚点”，利用这些条件可通过检测目标线条数决定垄行，然后取多个垄行的平均得到行垄信息，有效地抑制了杂草噪声的影响，实验的标准偏差为厘米级。其特点是有效利用了多垄信息克服杂草噪声[8]
影响。澳大利亚的Billingsley 等开发出一种成功的农业机械视觉导航系统。该系统采用条形框捕获作物行像素，然后在条形框内通过回归的方法拟合出垄线；同时，通过计算条形框内目标像素的距来去除杂草等噪声。在视觉系统摄像头安置的视角下，可在三个条形框内对垄像素进行回归处理，所拟合出的三条垄线必定相交。利用该相交点的序列值变化与条形框的中心位置变化可分别估算出系统的航向角参数和侧向距离参数。该系统在棉田实验取得了较好效果，能够保持2cm系统精度。其特点是尽量避免较大的计算，在不影响数据处理的情况下直接访问内存(DMA)图像数据，提高了系统的实时性；其不足之处是：条形框内目标垄像素数的判断具有不确定性，且条形框的形状参数设置会影响垄线的拟合。因此，在作物生长比较规整、土地比较平坦和垄行结构比较清晰的条件下，该系统具有较好的[9]
性能。比利时的Leemans 针对收获期菊苣垄田特点，提出了可适Hough变换识别垄沟线算法。该算法采用中值滤波器去除土壤背景和阴影，通过神经网络确定作物植株位置。但当作物根部与土壤具有相同颜色，光照条件变化时，作物与土壤背景的分割仍较困难。采用可适Hough变换提取各目标类垄线，并计算垄线的参考位置与角度，其鲁棒性较强，试验结果较好，能够满足农田视觉导航要求；但当作物垄出现缺失时，算法将导致不期望的结果。在[10]
另一篇文献 中，作者进一步开发了基于播种线识别的辅助视觉导航系统，田间试验结果的(包括系统)误差小于100mm，可满足农田条播作业视觉导航的要求，并指出该系统对摄[11]
像头的安装要求较高。美国的Zhang 采用了GPS、GDS、罗盘和视觉传感器等多源信息融合技术构建农田自动导航系统，分析了各传感器的优势，并指出信息融合是实现农田自动[12]
导航较好的方式。此后，Han 等提出基于视觉的导航基准线算法。该算法先采用K均值聚类分割垄行，然后计算目标区域矩识别垄行，最后构建代价函数确定导航线。对大豆田30幅图像的试验结果：平均RMS侧向误差为1.0cm，平均代价为4.99；相对15幅谷子田图像的处理结果：平均RMS侧向误差为2.4cm，平均代价为7.27，可满足农田机器视觉导航作业的[13]
精度要求。Bakker 等为了改善视觉导航图像处理的速度，提出了基于灰度图像的Hough变换和图像融合的垄线检测方法。大棚环境下每幅图像的处理速度达到0.5～1.3s，但缺[14]
乏对垄线结构的信息的获取。Pajares 等针对严重杂草侵害的玉米田，提出基于模板匹配的垄行自动识别算法。该算法考虑了田间机器人位姿信息对垄线匹配的影响，但垄线模[15]
板的形式受到限制，会影响其识别的准确性。Guerrero 等设计了采用专家系统识别垄线，利用了绿色加强算法，并采用Otsu方法进行二值化阈值获取，最后基于Theil-Sen进行垄线矫正处理。但在农业机械低速作业情况下，该算法的时间开销较大，最短的时间消耗为
0.476s，随图像背景复杂甚至到达9s。
件。Pla 等基于视觉系统图像中垄线将于图像外一虚点处汇交，开发了基于虚点预测缺失垄行的垄线识别算法，有效利用了系统成像特点，使系统的检测性能得到了改善，进而结合系统模型结构参数获得导航参数。经过图像序列的测试，算法鲁棒性较好，能够克服一些断[5]
垄等的影响。Sanchiz 等提出了视觉导航和精确喷施车辆模型算法，试图建立车辆运动参数与喷施决策的关系地图以实现自动导航和自动精确喷施。主要内容包括基于图像特征序[6]
列反向获取车辆的运动参数、车辆路径识别和基于Kalman滤波的目标恢复。在文献 中他们进一步完善了该视觉导航和自动喷施系统，通过静态图像处理测试对系统性能进行了分析，将农业机械的视觉导航、自动喷施和控制转向功能模块进行了协调和规划，在农业机械[7]
自主作业系统的研制方面做了一些有益的探索。瑞典的Astrand 等提出了基于矩形条的视觉导航系统垄行识别算法。其特点是采用Hough变换在矩形条内提取目标线，目标线的条数与垄行宽度相对应，属于某一垄行的“目标线”必定相交于图外一“虚点”，利用这些条件可通过检测目标线条数决定垄行，然后取多个垄行的平均得到行垄信息，有效地抑制了杂草噪声的影响，实验的标准偏差为厘米级。其特点是有效利用了多垄信息克服杂草噪声[8]
影响。澳大利亚的Billingsley 等开发出一种成功的农业机械视觉导航系统。该系统采用条形框捕获作物行像素，然后在条形框内通过回归的方法拟合出垄线；同时，通过计算条形框内目标像素的距来去除杂草等噪声。在视觉系统摄像头安置的视角下，可在三个条形框内对垄像素进行回归处理，所拟合出的三条垄线必定相交。利用该相交点的序列值变化与条形框的中心位置变化可分别估算出系统的航向角参数和侧向距离参数。该系统在棉田实验取得了较好效果，能够保持2cm系统精度。其特点是尽量避免较大的计算，在不影响数据处理的情况下直接访问内存(DMA)图像数据，提高了系统的实时性；其不足之处是：条形框内目标垄像素数的判断具有不确定性，且条形框的形状参数设置会影响垄线的拟合。因此，在作物生长比较规整、土地比较平坦和垄行结构比较清晰的条件下，该系统具有较好的[9]
性能。比利时的Leemans 针对收获期菊苣垄田特点，提出了可适Hough变换识别垄沟线算法。该算法采用中值滤波器去除土壤背景和阴影，通过神经网络确定作物植株位置。但当作物根部与土壤具有相同颜色，光照条件变化时，作物与土壤背景的分割仍较困难。采用可适Hough变换提取各目标类垄线，并计算垄线的参考位置与角度，其鲁棒性较强，试验结果较好，能够满足农田视觉导航要求；但当作物垄出现缺失时，算法将导致不期望的结果。在[10]
另一篇文献 中，作者进一步开发了基于播种线识别的辅助视觉导航系统，田间试验结果的(包括系统)误差小于100mm，可满足农田条播作业视觉导航的要求，并指出该系统对摄[11]
像头的安装要求较高。美国的Zhang 采用了GPS、GDS、罗盘和视觉传感器等多源信息融合技术构建农田自动导航系统，分析了各传感器的优势，并指出信息融合是实现农田自动[12]
导航较好的方式。此后，Han 等提出基于视觉的导航基准线算法。该算法先采用K均值聚类分割垄行，然后计算目标区域矩识别垄行，最后构建代价函数确定导航线。对大豆田30幅图像的试验结果：平均RMS侧向误差为1.0cm，平均代价为4.99；相对15幅谷子田图像的处理结果：平均RMS侧向误差为2.4cm，平均代价为7.27，可满足农田机器视觉导航作业的[13]
精度要求。Bakker 等为了改善视觉导航图像处理的速度，提出了基于灰度图像的Hough变换和图像融合的垄线检测方法。大棚环境下每幅图像的处理速度达到0.5～1.3s，但缺[14]
乏对垄线结构的信息的获取。Pajares 等针对严重杂草侵害的玉米田，提出基于模板匹配的垄行自动识别算法。该算法考虑了田间机器人位姿信息对垄线匹配的影响，但垄线模[15]
板的形式受到限制，会影响其识别的准确性。Guerrero 等设计了采用专家系统识别垄线，利用了绿色加强算法，并采用Otsu方法进行二值化阈值获取，最后基于Theil-Sen进行垄线矫正处理。但在农业机械低速作业情况下，该算法的时间开销较大，最短的时间消耗为
0.476s，随图像背景复杂甚至到达9s。
[0003] 参考文献：
[0004] [1]Marchant John A.，Brivot Renaud.Real-time tracking of plant rows using a Hough transform[J].Real-Time Imaging，1995，1(15)：363-371[0005] [2]Marchant J.A..Tracking of row structure in three crops using image analysis[J].Computers and Electronics in Agriculture，1996，15(2)：161-179[0006] [3]Marchant J.A.，Hague T.，Tillett N.D..Row-following accuracy of an autonomous vision-guided agricultural vehicle[J].Computers and Electronics in Agriculture，1997，16(2)：165-175
[0007] [4]Pla F.，Sanchiz J.M.，Marchant J.A.，et al..Building perspective models to guide a row crop navigation vehicle[J].Image and Vision Computing，1997，15(6)：465-473
[0008] [5]Sanchiz J.M.，Pla F.，Marchant J.A.，Brivot R..Structure from motion techniques applied to crop field mapping[J].Image and Vision Computing.1996，14(5)：353-363
[0009] [6]Sanchiz J.M.，Pla F.，Marchant J.A..An approach to the vision tasks involved in an autonomous crop protection vehicle.Engineering Applications of Artificial Intelligence，1998，11(2)：175-187
[0010] [7]Ｂjo″rn Astrand，Albert-Jan Baerveldt.A vision based row-following system for agricultural field machinery[J].Mechatronics，2005，15(2)251-269[0011] [8]Billingsley J.，Schoenfishch M..The successful development of a vision guidance system for agriculture[J].Computers and Electronics in Agriculture，1997，16(2)：147-163
[0012] [9]Leemans V.，Destain M.-F..Line cluster detection using a variant of the Hough transform for culture row localization[J].Image and Vision Computing，2006，24(5)：541-550
[0013] [10]Leemans V.，Destain M.-F..A computer-vision based precision seed drill guidance assistance[J].Computers and Electronics inAgriculture，2007，59(1)：1-12
[0014] [11]Zhang Qin，Reid John F..Automated guidance control for agricultural tractor using redundant sensors.EIC-41(UILU-ENG-99-7004)，1999.[0015] [12]Han S.，Zhang Q.，Ni B.，et al..A guidance directrix approach to vision-based vehicle guidance systems[J].Computers and Electronics inAgriculture，2004，43(3)：179-195.
[0016] [13]BakkerTijmen，Wouters Hendrik，Asselt Kees van，et al..A vision based row detection system for sugar beet[J].Computers and Electronics in Agriculture，2008，60(3)：87-95.
[0017] [14]Montalvo M.，Pajares G.，Guerrero J.M.，et al..Automatic detection of crop rows in maize fields with high weeds pressure[J].Expert Systems with Applications，2012，1(15)：11889-11897
[0018] [15]Guerrero J.M.，Guijarro M.，，Montalvo M.，et al..Automatic expert system based on images for accuracy crop row detection in maize fields[J].Expert Systems with Applications，2013，40(2)：656-664
[0019] [16]Zhibin Zhang，Caixia Liu，Xiaodong Xu.A Green Vegetation Extraction Based-RGB Space in Natural Sunlight[J].Advanced Materials Research，2011，225-226：660-665
发明内容
[0020] 本发明针对现有农业机械视觉导航多垄线识别算法的实时性、鲁棒性和适应性问题，在已有绿色作物图像分割算法基础上，为了改善垄线识别的准确性和实时性，设计了垄行图像背景噪声除去滤波器；提出了基于一维线的Hough变换垄线识别，较大程度地改善了传统基于Hough变换识别垄线的实时性；充分利用了垄线结构的先验知识，结合专家系统进行垄线结果的甄别，以找出正确的垄线。提高了农业机械视觉导航系统的鲁棒性和适应性。最大可识别垄线数可达5条，整个垄线识别过程的时间消耗在普通PC计算机配置环境下仅为0.4s，从而可为农业机械视觉导航系统提供多垄线的结构信息，有利于其获得准确、实时，鲁棒性高的导航序列参数。
[0021] 本发明的技术方案如下：
[0022] 一种基于一维Hough变换和专家系统的早期苗田垄线识别算法，包括如下步骤：
[0023] A1、垄田图像的预处理：
[0024] 1)对获取的农田图像进行绿色提取和二值化处理；
[0025] 2)对二值化处理后的图像进行除噪处理；
[0026] A2、基于专家系统的垄线识别
[0027] 1)基于一维Hough变换提取垄线
[0028] 田间机器人视觉系统所拍摄的图像的高度、宽度均为已知，沿图像水平中位线上对每个像素点，进行式(1)所示的Hough变换提取垄线：即在过该像素点角度范围(0°～180°)内找出所有直线上数据点最多的线，然后，将统计出该线的角度和线上数据点量，分别记入统计数组LocalMaxAngle[0..width-1]、LocalMaxData[0..width-1]；式(1)为一维Hough变换找垄线表达式，其中，ρ为点(x0，h)到直角坐标原点的距离，width，height分别为处理图像的宽度和高度，h＝height/2；
[0029] ρ＝x0cosθ+hsinθ，θ∈[0，180]，x0∈[0，width] (1)
[0030] 2)查找特征最明显的第一条垄线
[0031] 查找统计数组中数据量最大的点及其角度，作为图像范围内垄线特征最明显的第一条垄线，并记录其与中位线的交点和夹角。同时，对对第一条垄线上的垄线特征进行提取：垄线最大空白区域，即最大的连续背景点区域；垄线数据点平均分布p，即按式(2)进行处理
[0032]
[0033] 其中，Ai为连续作物点区域，m为作物点个数，n为该垄线上的区域个数；作物宽度，即沿第一条垄线自其与中位线交点向下，在垄线最大空白区域和数据点平均分布纵向范围内，进行作物宽度统计，找出作物最宽处像素量，即为作物宽度。同时，对中位线上与第一条垄线交点左、右作物宽度内的统计数组做清零处理，以确保在确认的垄线周围作物宽度内不出现第二条疑似垄线。并将第一条垄线记录到垄线链表中。
[0034] 3)查找其余垄线
[0035] 选择统计数组新的最大值，通过交点、角度，并结合获得的第一条垄线特征参数判断待测垄线是否为符合实际情况的垄线，具体推理、判断过程为：
[0036] R1：待测垄线与第一条垄线是否有交点；若有，交点位置是否位于图像上方图像地平线位置以上区域(图像上方1/5区域)，若不是则为错误垄线，将该错误垄线与中位线交点位置的统计数组值置零，选择新的垄线，返回3)，重新开始查找其余垄线；若交点在图像地平线下方，进入R2，继续判断；
[0037] R2：待测垄线上的垄线最大空白区域、垄线数据点平均分布特征同第一条垄线是否相同，若不同，将统计数组中待测垄线与中位线交点位置的统计数组值置零，选择新的垄线，返回3)，重新开始查找其余垄线；若相同，进入R3，继续判断；
[0038] R3：若待测垄线和第一条垄线最大空白区域、垄线数据点平均分布特征相同，且第二条确认垄线尚未确定，确定为第二条确认线，同时进行垄线关系参数设定：垄线间是否存在交点，第二条确认垄线同第一条确认垄线存在交点，则设置垄线存在交点标记为真，否则设置垄线存在交点标记为假；垄线间宽度，第二条确认垄线和中位线交点同第一条确认垄线和中位线交点间隔像素数量为垄线间宽度；将确认垄线连入垄线链表，在中位线上，其与确认垄线交点左、右作物宽度内统计数组值清零，确保在确认的垄线周围作物宽度内不出现其它条疑似垄线，转3)，重新开始查找其余垄线；若不为第二条确认垄线，则进入R4，进行线间关系检测；
[0039] R4：待测垄线与垄线链表中记录所有线依次进行比较：比较待测垄线最大空白区域、垄线数据点平均分布特征与第一条垄线是否相符；待测线与链表节点记录线线间关系是否符合实际，包括垄线间是否存在交点、垄线间距离。如果垄线间位置关系与已记录的垄线存在交点标记、垄线间宽度一致，即确认为下一条垄线，将确认出的垄线记入垄线链表。并在统计数组中，将确认垄线同中位线交点左、右垄线宽度范围内数组值置零；若待测垄线与链表节点记录线特征不一致，为错误垄线，在统计数组中将错误垄线与中位线交点处的统计值置零，并在统计数组中选择下一个最大值，若选择出的统计数组最大值小于给定阈值，垄线确认过程结束。否则返回R3。
[0040] 本发明具有以下有益效果：
[0041] 1)采用基于一维线的Hough变换获取多垄线，改善了农业机械视觉导航系统多垄线识别的实时性；
[0043] 图1为待识别的垄田原图；
[0044] 图2为绿色提取二值化效果；
[0045] 图3为基于统计的滤波效果；
[0046] 图4为基于一维Hough变换提取垄线原理；
[0047] 图5为全部确认垄线；
[0048] 图6为基于一维Hough变换提取的垄线；
[0049] 图7为专家系统推理获取垄线结果。
具体实施方式
[0050] 以下结合具体实施例，对本发明进行详细说明。
[0051] 1、垄田图像的预处理：
[0052] 1)对获取的农田图像进行绿色提取和二值化处理
[0053] 采用文献[16]中的绿色提取方法，即在RGB空间中，若像素的Red，Green，Blue值存在关系：Green＞Red且Green＞Blue，则该像素点被认定为作物点。对全图像所有像素点的Red，Green，Blue分量进行比较、判断，对于作物点设置为黑色，非作物点设置为白色，生成二值图像便于后续程序的处理，如图1、图2所示。
[0054] 2)对二值化处理后的图像进行去噪处理
[0055] 二值化后图像噪声点太多，不宜直接进行垄线识别，需要进行去噪声处理。若采用中值或均值滤波的方法，则算法消耗时间较大。本文采用基于统计的方法，即对每个象素点，一般采用3*3结构对覆盖区域进行作物点、非作物点统计，如果作物点数量大于非作物点数量，则被检测点被设置为黑色(作物点颜色)；反之，被设置为白色(非作物点颜色)，被检测的像素点置于3*3模板中心，图2的处理结果如图3所示。
[0056] 2、基于专家系统的垄线识别
[0057] 1)基于一维Hough变换提取垄线
[0058] 田间机器人视觉系统所拍摄的图像的高度、宽度均为已知，如图4所示，沿图像水平中位线上对每个像素点，进行式(1)所示的Hough变换提取垄线：即在过该像素点角度范围(0°～180°)内找出所有直线上数据点最多的线，然后，将统计出该线的角度和线上数据点量，分别记入统计数组LocalMaxAngle[0..width-1]、LocalMaxData[0..width-1]；式(1)为一维Hough变换找垄线表达式，其中，ρ为点(x0，h)到直角坐标原点的距离，width，height分别为处理图像的宽度和高度，h＝height/2。图4中的width，height同式(1)。
[0059] ρ＝x0cosθ+hsinθ，θ∈[0，180]，x0∈[0，width] (1)
[0060] 2)查找特征最明显的第一条垄线
[0061] 查找统计数组中数据量最大的点及其角度，作为图像范围内垄线特征最明显的第一条垄线，并记录其与中位线的交点和夹角。同时，对对第一条垄线(First)上的垄线特征进行提取：垄线最大空白区域(MaxBlank)，即最大的连续背景点区域；垄线数据点平均分布(DataAverage)，即按式(2)进行处理和获取
[0062]
[0063] 其中，p为分布密度，Ai为连续作物点区域，m为作物点个数，n为该垄线上的区域个数；作物宽度(CropWidth)，即沿第一条垄线自其与中位线交点向下(越靠图像下方作物特征越明显)，在垄线最大空白区域和数据点平均分布纵向范围内(MaxBlank+DataAverage)，进行作物宽度统计，找出作物最宽处像素量，即为作物宽度。同时，对中位线上与第一条垄线交点左、右作物宽度内的统计数组(i_max-CropWidth～i_max+CropWidth)做清零处理，以确保在确认的垄线周围作物宽度内不出现第二条疑似垄线。并将第一条垄线记录到垄线链表(LineList)中。图5为基于图3提取垄线的结果。
[0064] 3)查找其余垄线
[0065] 选择统计数组新的最大值(LocalMaxdata[i_max])，通过交点、角度，并结合获得的第一条垄线特征参数判断待测垄线是否为符合实际情况的垄线，具体推理、判断过程为：
[0066] R1：待测垄线与第一条垄线(First)是否有交点；若有，交点位置是否位于图像上方图像地平线位置以上区域(图像上方1/5区域)，若不是则为错误垄线，将该错误垄线与中位线交点位置的统计数组值(LocalMaxData[i_max]、LocalMaxAngle[i_max])置零，选择新的垄线，返回3)，重新开始查找其余垄线；若交点在图像地平线下方，进入R2，[0067] 继续判断；
[0068] R2：待测垄线上的垄线最大空白区域、垄线数据点平均分布特征同第一条垄线(First)是否相同，若不同(利用垄线的空白区域特征和数据分布特征，若待测垄线特征同第一条垄线特征进行比较，空白区域长度超出三倍第一条垄线最大空白区域(3*MaxBlank)，或数据分布长度小于第一条垄线数据点分布的一半(0.5*DataAverage)判断为垄线过长或该待测垄线与第一条垄线差异太大，该待测垄线为错误垄线)，将统计数组中待测垄线与中位线交点位置的统计数组值(LocalMaxData[i_max]、LocalMaxAngle[i_max])置零，选择新的垄线，返回3)，重新开始查找其余垄线；若相同，进入R3，继续判断；
[0069] R3：若待测垄线和第一条垄线(Fisrt)最大空白区域、垄线数据点分布特征相同，且第二条确认垄线尚未确定，确定为第二条确认线(Second)，同时进行垄线关系参数设定：垄线间是否存在交点，第二条确认垄线同第一条确认垄线存在交点，则设置垄线存在交点标记为真(LineAcrossed＝True)，否则设置垄线存在交点标记为假(LineAcrossed＝False)；垄线间宽度，第二条确认垄线和中位线交点同第一条确认垄线和中位线交点间隔像素数量为垄线间宽度(Line_Line_Width)；将确认垄线连入垄线链表(LineList)，在中位线上，其与确认垄线交点左、右作物宽度内统计数组值(i_max-CropWidth～i_max+CropWidth)清零，确保在确认的垄线周围作物宽度(CropWidth)内不出现其它条疑似垄线，转3)，重新开始查找其余垄线；若不为第二条确认垄线，则进入R4，进行线间关系检测；
[0070] R4：待测垄线与垄线链表(LineList)中记录所有线依次进行比较：比较待测垄线最大空白区域、垄线数据点平均分布特征与第一条垄线是否相符；待测线与链表节点记录线线间关系是否符合实际，包括垄线间是否存在交点、垄线间距离。如果垄线间位置关系与已记录的垄线存在交点标记(LineAcross)、垄线间宽度(Line_Line_Width)一致，即确认为下一条垄线，将确认出的垄线记入垄线链表(LineList)。并在统计数组中，将确认垄线同中位线交点左、右垄线宽度范围内数组值(i_max-CropWidth～i_max+CropWidth)置零；若待测垄线与链表节点记录线特征不一致，为错误垄线，在统计数组中将错误垄线与中位线交点处的统计值(LocalMaxData[i_max]、LocalMaxAngle[i_max])置零，并在统计数组中选择下一个最大值。若选择出的统计数组最大值小于给定阈值(LocalMaxData[i_max]＜Threshold)，垄线确认过程结束。否则返回R3。
[0071] 图6为典型的采用基于一维Hough变换提取垄线结果，其中方框处为符合实际的垄线远端交点，圆圈处为不符合实际的垄线交点，RLine1，RLine2，RLine3为三条符合实际的确认垄线；Error1～Error6为要排除的错误垄线。三条符合实际的确认垄线是统计数组中查找出数据点汇集比较密集的线，RLine1是第一条确认的垄线，即统计数组中最大值的线。RLine2为第二条确认垄线。这两条线的确认可确定图像范围内所有垄线的大部分特征(最大空白区域，平均数据分布，垄线间隔)。Error1～Error6可通过与RLine1～RLine3交点，采用如下两规则进行排除：
[0072] R5：交点位于图像地平线以下；
[0073] R6：确认垄线左、右垄线宽度范围内不再可能的垄线出现。
[0074] 图7为专家系统推理获取垄线结果。图7中，给定阈值(Threshold)为最少垄线上存在数据点数，可以为0。为提高计算时间可设为垄线数据点分布(DataAverage)或适当量。
[0075] 应当理解的是，对本领域普通技术人员来说，可以根据上述说明进行改进或变换：通过垄行图像中单条中位线，或通过其它单条水平线进行纵向垄线确认；确认水平垄线时也可以通过单条中位线进行确认，线的位置可以是中线也可以位于其它可以确认出线的位置。确认出垄线后，为防止再次将被确认点选择为待测点，需要将垄线、中位线交点附近作物宽度范围内的数据量清零处理。第一条垄线确认出后，记入线表，要进行垄线特征提取，包括垄线上的作物横向、纵向宽度，其它待测线要同已确认垄线进行垄线特征比较；第二条垄线确认出后，记入线表，要进行垄线间关系特征提取，包括垄线间距、是否相交，其它待测线要同线表所有线进行线间关系比较。所有这些改进和变换都应属于本发明所附权利要求的保护范围。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种机器人视觉导航地图的创建方法 | 2020-05-14 | 79 |
| 医疗机器人视觉注册方法 | 2020-05-15 | 344 |
| 足球机器人视觉快速识别方法 | 2020-05-15 | 421 |
| 机器人视觉跟踪方法 | 2020-05-11 | 520 |
| 一种机器人视觉系统 | 2020-05-11 | 899 |
| 工业机器人视觉抓具 | 2020-05-12 | 727 |
| 一种用于实训的机器人视觉引导装置 | 2020-05-16 | 532 |
| 一种机器人视觉定位方法 | 2020-05-16 | 556 |
| 机器人视觉抓取方法 | 2020-05-11 | 844 |
| 一种汽车用六轴机器人视觉抓取装置 | 2020-05-13 | 25 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
QQ群二维码
意见反馈
意见反馈