[发明专利]水稻秧苗行线提取方法、装置、计算机设备和存储介质

说明书

本发明涉及一种水稻秧苗行线提取方法，包括步骤：获取水稻秧苗田间图像；通过预先训练好的深度卷积神经网络模型对水稻苗田间图像进行识别，得到水稻秧苗田间图像中的各秧苗坐标；对多个秧苗坐标进行聚类，并识别当前作业秧苗行；对当前作业秧苗行上的秧苗坐标进行线性回归，得到当前秧苗行线。通过预先训练好的深度卷积神经网络和聚类算法的应用，更好的排除水稻田间的环境因素干扰，能够更准确地识别当前秧苗行线，指导插秧机自动驾驶。

技术领域

本发明涉及图像处理领域，特别是涉及一种水稻秧苗行线提取方法、装置、计算机设备和存储介质。

背景技术

农业田间导航技术为现代化农业生产机械的作业提供导航信息，已经被应用于各种农业机械设备中。在用于播种的农业设备中，农业田间导航的重要性尤为明显。

目前，国内外农业田间导航的研究主要集中在机器视觉导航方面。孟庆宽等人构建与光照无关的Cg分量，选择2Cg-Cr-Cb特征因子对图像进行灰度化处理，根据图像中作物行的特点建立玉米作物行直线方程的约束模型，利用粒子群算法对作物行直线进行寻优求解，进而得到导航线。为适应多种光照条件引起的图像对比度不明显或过饱和现象，Romeo等设计了一种基于图像直方图分析的作物-背景图像分割系统，该系统通过直方图判别图像的对比度和饱和度来选择合适的小麦苗图像分割方法。

苗带图像信息的准确识别与导航线提取的准确度，是实现播种设备精准作业的前提。在应用传统的机器视觉方法识别水稻秧苗行线，为水稻插秧机导航的实现过程中，发明人发现至少存在如下问题：插秧阶段水稻田间环境复杂，水层较薄，传统的图像识别方法很难准确的识别水稻秧苗行线，指导水稻插秧机自主驾驶。

发明内容

基于此，有必要针对水稻秧苗行线识别不够准确的问题，提供一种水稻秧苗行线提取方法、装置、计算机设备和存储介质。

一方面，本发明实施例提供一种水稻秧苗行线提取方法，包括：

获取水稻秧苗田间图像；

通过预先训练好的深度卷积神经网络模型对水稻秧苗田间图像进行识别，得到水稻秧苗田间图像中的各秧苗坐标；

对多个秧苗坐标进行聚类，并识别当前作业秧苗行；

对当前作业秧苗行上的秧苗坐标进行线性回归，得到当前秧苗行线。

在其中一个实施例中，获取水稻秧苗田间图像之前，还包括：

获取水稻秧苗田间图像的样本数据，水稻秧苗田间图像的样本数据包括多种自然条件、光照角度和品种的水稻秧苗田间图像；

根据水稻秧苗田间图像的样本数据对深度卷积神经网络模型进行训练。

在其中一个实施例中，深度卷积神经网络模型为Faster RCNN神经网络模型。

在其中一个实施例中，对多个秧苗坐标进行聚类，识别当前作业秧苗行的过程包括：

通过聚类算法对多个秧苗坐标进行分类，得到各秧苗坐标对应的行分类信息；

根据各个秧苗坐标、各个秧苗坐标对应的行分类信息和水稻秧苗田间图像的中心坐标，识别当前作业秧苗行。

在其中一个实施例中，聚类算法为层次聚类算法。

在其中一个实施例中，根据各个秧苗坐标、各个秧苗坐标对应的行分类信息和水稻秧苗田间图像的中心坐标，识别当前作业秧苗行的过程包括：

当各秧苗坐标的第一轴向坐标值的平均值大于水稻秧苗田间图像的中心坐标的第一轴向坐标值时，确认第一轴向坐标值最小的秧苗坐标对应的行分类信息，为当前作业秧苗行的行分类信息；