姚杰 張春雨 彭勇 周爽

摘要：針對(duì)小麥?zhǔn)崭钸吘壥艿禁湶纭⑼寥?、光照等環(huán)境因素影響導(dǎo)致的導(dǎo)航線提取精度低、運(yùn)行速度慢等問(wèn)題，為實(shí)現(xiàn)小麥精準(zhǔn)化收獲作業(yè)而提出一種基于水平投影和梯度下降的小麥?zhǔn)斋@邊緣導(dǎo)航線提取方法。首先通過(guò)LAB閾值分割、形態(tài)學(xué)濾波等進(jìn)行圖像分割，然后進(jìn)行水平投影以提取出小麥?zhǔn)斋@邊緣偽特征點(diǎn)，將偽特征點(diǎn)進(jìn)行最小二乘擬合從而獲得邊緣特征點(diǎn)所在的ROI區(qū)域，并對(duì)該區(qū)域進(jìn)行Canny邊緣檢測(cè)來(lái)提取出邊緣特征點(diǎn)，最后利用梯度下降算法擬合出小麥?zhǔn)斋@邊緣導(dǎo)航線，從而解決傳統(tǒng)算法中所遇到的導(dǎo)航線擬合精度低、擬合速度慢等問(wèn)題。試驗(yàn)結(jié)果表明：在小麥已收割和未收割區(qū)域?qū)Ρ榷群艿偷那闆r下，處理一張分辨率為640像素×360像素的圖像平均耗時(shí)163 ms，生成的導(dǎo)航基準(zhǔn)線成功率高達(dá)95%，為智能農(nóng)業(yè)機(jī)械在麥田中的自主行走提供一種可靠的、實(shí)時(shí)的導(dǎo)航方法。

關(guān)鍵詞：農(nóng)業(yè)機(jī)械；視覺(jué)；導(dǎo)航；水平投影；梯度下降

中圖分類號(hào)：S232： TP242

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：20955553 （2024） 02021506

收稿日期：2023年2月23日 ?修回日期：2023年3月15日

基金項(xiàng)目：安徽高校協(xié)同創(chuàng)新項(xiàng)目（GXXT—2019—036）；安徽省重點(diǎn)研發(fā)項(xiàng)目（1604a0902134）

第一作者：姚杰，男，1999年生，安徽淮南人，碩士研究生；研究方向?yàn)橹悄苻r(nóng)業(yè)裝備。Email： 596932942@qq.com

通訊作者：張春雨，男，1971年生，安徽阜陽(yáng)人，教授，碩導(dǎo)；研究方向?yàn)橹悄苻r(nóng)業(yè)裝備。Email： 382182415@qq.com

Extraction method of wheat harvesting edge navigation line based on computer vision

Yao Jie1， 2， Zhang Chunyu1， Peng Yong1， 2， Zhou Shuang2

（1. College of Mechanical Engineering， Anhui Polytechnic University， Wuhu， 241000， China；

2. School of Mechanical Engineering， Anhui Science and Technology University， Fengyang， 233100， China）

Abstract：

Aiming at the problems of low precision and slow speed of navigation line extraction caused by environmental factors such as stubble， soil and light on wheat harvest edge， a method of wheat harvesting edge navigation line extraction based on horizontal projection and gradient descent was proposed to realize precise wheat harvesting operations. Firstly， the image was segmented by LAB threshold segmentation and morphological filtering， then the horizontal projection was performed to extract the pseudofeature points of wheat harvesting edge， the pseudofeature points were least squares fitted to obtain the ROI region where the edge feature points were located， and the edge feature points were extracted by Canny edge detection of the region， and finally the wheat harvesting edge navigation line was fitted by the gradient descent algorithm， thus it solved the problems of low accuracy and slow fitting speed of the navigation line encountered in traditional algorithms. The experimental results showed that the average time required to process an image with a resolution of 640×360 pixels was 163 ms with a low contrast between harvested and unharvested areas of wheat， and the success rate of the generated navigation baseline was as high as 95%， which provided a reliable and realtime navigation method for autonomous walking of intelligent agricultural machinery in wheat fields.

Keywords：

agricultural machinery; machine vision; navigation; horizontal projection; gradient descent

0 引言

隨著我國(guó)現(xiàn)代智能農(nóng)業(yè)機(jī)械的快速發(fā)展，農(nóng)業(yè)機(jī)械自動(dòng)導(dǎo)航技術(shù)成為了智慧農(nóng)業(yè)和精準(zhǔn)農(nóng)業(yè)的關(guān)鍵技術(shù)之一，并已廣泛應(yīng)用于農(nóng)田耕作、施肥以及作物收割等農(nóng)業(yè)生產(chǎn)活動(dòng)中［12］。近年來(lái)學(xué)者們?cè)谵r(nóng)業(yè)自主導(dǎo)航方面的研究主要集中在棉花、玉米、水稻等圖像背景易于分割的作物上。如：楊洋等［3］提出了基于車輪正前方可行走動(dòng)態(tài)感興趣區(qū)域（Region of Interest，ROI）的玉米行導(dǎo)航線實(shí)時(shí)提取算法；郭祥雨［4］提出一種適用于水稻授粉期作物行導(dǎo)航線快速提取的方法；Montalvo等［5］針對(duì)玉米地多雜草環(huán)境采用二次Otsu算法實(shí)現(xiàn)雜草和作物之間的分割并擬合出導(dǎo)航線。由于小麥邊緣受到麥茬、土壤、光照等環(huán)境因素影響，嚴(yán)重影響到了小麥導(dǎo)航線的提取精度以及提取速度，為此提出一種基于水平投影與梯度下降的小麥邊緣導(dǎo)航線提取新方法，實(shí)現(xiàn)小麥?zhǔn)崭钸吘壘珳?zhǔn)、快速提取。

1 邊緣預(yù)處理

1.1 圖像LAB閾值分割

學(xué)者們?cè)趯?duì)作物與背景顏色相差較大的RGB圖像，常采用RGB分量抑制方法將圖片進(jìn)行灰度化處理（如超綠化法［68］），但是由于受到土壤、麥茬、枯草等因素的影響造成小麥作物已收獲區(qū)域與未收獲區(qū)域顏色相近，故RGB分量抑制法的分割效果并不理想（圖1（b））。從提取的RGB分量灰度直方圖（圖2（a））可知，對(duì)于小麥圖像的R、G、B三個(gè)分量均未出現(xiàn)明顯波谷，因此無(wú)法使用該方法來(lái)進(jìn)行閾值分割。

（a） 原始圖像

（b） 二值圖像

（a） RGB灰度直方圖

（b） LAB灰度直方圖

基于上述問(wèn)題，將RGB顏色空間轉(zhuǎn)化為L(zhǎng)AB顏色空間，利用LAB顏色模型的亮度和色彩信息來(lái)對(duì)圖像進(jìn)行灰度處理。由圖2（b）可知，小麥圖像在B分量上出現(xiàn)了明顯的波峰和波谷，故可通過(guò)最大熵法（Maximum Entropy Method，MEM）進(jìn)行小麥植株與背景圖像的二值分割。最大熵法公式如式（1）所示。

H（t）=

－∑ti=0pi∑ti=0pilnpi∑ti=0pi－

∑L－1i=t+1pi∑L－1i=t+1pilnpi∑L－1i=t+1pi

（1）

式中：

H（t） ——背景區(qū)域熵與目標(biāo)區(qū)域熵之和；

t——單顏色分量分割閾值；

L——圖像的灰度級(jí)數(shù)量；

∑ti=0pi——前景部分概率；

∑L-1i=t+1pi——背景部分概率。

當(dāng)在B分量下圖像的熵H（t）達(dá)到最大時(shí)的灰度值即為最佳分割閾值t*，t*計(jì)算公式如式（2）所示。

t*=Argmax0

（2）

最后采用最大熵法分別求取出LAB圖像3個(gè)分量的最佳分割閾值為L(zhǎng)min=0， Amin=255， Bmin=0； Lmax=255， Amax=0， Bmax=163，并對(duì)小麥圖像進(jìn)行了二值分割，其結(jié)果如圖3（b）所示。

（a） LAB灰度處理圖像

（b） 二值圖像

1.2 圖像濾波

在圖像預(yù)處理的過(guò)程中，由于受到麥田中麥茬、土壤、光照等因素影響導(dǎo)致二值圖像出現(xiàn)孔洞和椒鹽等噪聲。目前使用較多的圖像降噪算法包括：均值濾波、形態(tài)學(xué)濾波以及中值濾波等方法［910］。根據(jù)試驗(yàn)比較得出采用卷積核大小為5×5的中值濾波器相比其他濾波算法有著更顯著的降噪能力。即

F（x，y）=median{f（i，j）}

（i，j）∈Mask（5×5）

（3）

式中：

F（x， y） ——

濾波窗口濾波后的像素灰度值；

f（i， j） ——

濾波窗口濾波前的像素灰度值；

Mask（5×5）——

濾波窗口為5×5的像素集合。

從圖4中可以看出，中值濾波可以有效地去除二值圖像中的小面積噪聲并保持收獲邊緣的基本形狀特征不變。

2 邊緣檢測(cè)

圖像在分割過(guò)程中常產(chǎn)生大量噪聲點(diǎn)，為實(shí)現(xiàn)計(jì)算機(jī)區(qū)分出邊緣特征點(diǎn)和干擾點(diǎn)，根據(jù)小麥二值圖像的特性提出了一種采用水平投影變換和Canny檢測(cè)來(lái)提取小麥?zhǔn)斋@邊緣特征點(diǎn)的新方法。其原理是通過(guò)水平投影和最小二乘法提取出邊緣特征點(diǎn)所在的ROI區(qū)域，并用Canny算子對(duì)該ROI區(qū)域進(jìn)行邊緣特征點(diǎn)檢測(cè)。

2.1 邊緣偽特征點(diǎn)提取

通過(guò)采用水平投影算法將二值圖像（圖4）的行像素值進(jìn)行累加從而獲得邊緣偽特征點(diǎn)S，如圖5（a）所示。偽特征點(diǎn)提取公式如式（4）所示。

S（row）=∑wcol=0I（row，col） row∈（0，h）

（4）

式中：

h、w——圖像的高度、寬度像素尺寸；

row、col——

圖像像素的行序號(hào)和列序號(hào)；

I——

圖像第row行第col列像素值。

點(diǎn)（row，col）處的水平像素值累加結(jié)果如圖5（b）所示，圖中白色區(qū)域（即已收獲區(qū)域）與黑色區(qū)域（即未收獲區(qū)域）的交界線可近似視為小麥?zhǔn)斋@邊緣輪廓線。

（a） 小麥?zhǔn)斋@邊緣偽特征點(diǎn)

（b） 小麥?zhǔn)斋@邊緣偽輪廓

2.2 邊緣特征區(qū)域提取

小麥?zhǔn)斋@邊緣特征點(diǎn)存在于偽特征點(diǎn)S附近，對(duì)提取出的邊緣偽特征點(diǎn)進(jìn)行最小二乘法擬合即可計(jì)算出邊緣特征點(diǎn)所在的ROI區(qū)域，如圖6所示。最小二乘法損失函數(shù)如式（5）所示。

δ=∑ni=1（yi－y^i）2

（5）

式中：

δ——?dú)埐钇椒胶停?/p>

yi——擬合點(diǎn)的縱坐標(biāo)；

y^i——擬合直線上點(diǎn)的縱坐標(biāo)；

n——擬合點(diǎn)數(shù)量。

進(jìn)而求得擬合直線的斜率k以及截距b

k=n∑ni=1xiyi－∑ni=1xi∑ni=1yi

n∑ni=1xi2－∑ni=1xi2

b=∑ni=1x2i∑ni=1yi－∑ni=1xi∑ni=1xiyi

n∑ni=1xi2－∑ni=1xi2

（6）

式中：

xi——擬合點(diǎn)的橫坐標(biāo)。

2.3 邊緣特征點(diǎn)提取

傳統(tǒng)Canny檢測(cè)算子是對(duì)圖像中的所有區(qū)域進(jìn)行邊緣檢測(cè)，故導(dǎo)致計(jì)算機(jī)在對(duì)圖像邊緣檢測(cè)后的結(jié)果中常伴隨大量的干擾點(diǎn)。這將增加邊緣導(dǎo)航線提取精度和時(shí)間［1113］，如圖7（a）所示，其中干擾點(diǎn)數(shù)為663，占總待擬合點(diǎn)數(shù)的62%。Canny算法是利用Sobel水平和垂直算子與輸入圖像卷積計(jì)算來(lái)獲得幅值G和角度θ，并根據(jù)角度對(duì)幅值進(jìn)行非極大值抑制來(lái)計(jì)算出邊界，即

Gx=

121

000

－1－2－1

×A

Gy=

－101

－202

－101

×A

（7）

式中：

Gx、Gy——水平、垂直方向的幅值；

A——輸入圖像。

通過(guò)式（7）可以求得

G=Gx2+Gy2

θ=arctanGyGx

（8）

對(duì)前文所提取的邊緣特征點(diǎn)ROI區(qū)域（圖6）進(jìn)行Canny算子邊緣檢測(cè)，程序計(jì)算結(jié)果如圖7（b）所示，計(jì)算機(jī)利用本文的算法已經(jīng)將大量的干擾點(diǎn)與邊緣特征點(diǎn)區(qū)分開(kāi)來(lái)，證明了本文算法的可行性。

（a） 傳統(tǒng)Canny算子

（b） 本文邊緣檢測(cè)算法

3 邊緣擬合

由圖8可知，感知損失函數(shù)對(duì)噪聲點(diǎn)不敏感，但是該函數(shù)對(duì)判定邊界附近點(diǎn)的懲罰力度很低，且在原點(diǎn)處不可導(dǎo)，故計(jì)算難度大；最小二乘損失函數(shù)對(duì)離群點(diǎn)、噪聲非常敏感；Hough變換檢測(cè)出來(lái)的都是一些離散的線段，由于每一條線段都有它的直線特征，所以導(dǎo)致目標(biāo)不明確［1415］。

基于上述邊緣點(diǎn)擬合算法所存在的擬合速度慢、擬合精度低以及抗干擾能力弱等問(wèn)題，提出了一種基于梯度下降算法的邊緣特征點(diǎn)擬合方法。在損失函數(shù)上選定起點(diǎn)位置并將該點(diǎn)負(fù)梯度方向作為搜索方向，此時(shí)該方向?yàn)楫?dāng)前位置的最快下降方向，以本文損失函數(shù)梯度作為下降步長(zhǎng)進(jìn)行迭代，可以最快尋找到極小值位置。由于損失函數(shù)值σ越小則邊緣點(diǎn)的擬合效果越好［1619］，故可利用梯度下降算法計(jì)算出使得損失函數(shù)值最小時(shí)所對(duì)應(yīng)的擬合直線斜率k以及截距b。即

σ=∑ni=12×1+12（yi－y^i）2i－2

（9）

ki=ki－1－ασki－1

bi=bi－1－ασbi－1

（10）

式中：

σ——損失函數(shù)值；

α——機(jī)器學(xué)習(xí)率。

從圖9可以看出，本文邊緣擬合方法平均擬合優(yōu)度R2為0.98，相比最小二乘法擬合優(yōu)度更好；相比感知損失函數(shù)擬合結(jié)果相近，但是本文方法耗時(shí)更短；相比Hough變換目標(biāo)更加明確，不會(huì)生成多目標(biāo)直線，對(duì)干擾點(diǎn)不敏感，為精準(zhǔn)、快速的提取邊緣導(dǎo)航線提供重要保障。

（a） 最小二乘法

（b） 感知損失函數(shù)

（c） Hough變換

（d） 本文邊緣擬合

4 試驗(yàn)結(jié)果及分析

本文算法在處理器為Intel （R） Core （TM） i5－9400F CPU@ 2.9 GHz、內(nèi)存8 GB、顯卡GTX1660系列、操作系統(tǒng)為Windows 10 64位的電腦上使用Python語(yǔ)言在PyCharm仿真環(huán)境下實(shí)現(xiàn)。由于在不同收獲時(shí)期小麥的生長(zhǎng)特征存在著一定差異，為了驗(yàn)證本文算法的有效性和優(yōu)越性，本文分別對(duì)邊緣殘缺、邊緣濃密以及邊緣稀疏三種不同生長(zhǎng)狀況的100張640像素×360像素的小麥圖像進(jìn)行了試驗(yàn)驗(yàn)證，試驗(yàn)結(jié)果如圖10所示。

從圖10分析可知，本文算法能夠在不同場(chǎng)景下成功提取出小麥?zhǔn)斋@邊緣導(dǎo)航線，且該方法不易受到干擾點(diǎn)的影響，算法穩(wěn)定性強(qiáng)，能夠準(zhǔn)確地計(jì)算出小麥的邊緣特征點(diǎn)并進(jìn)行精確擬合。

最后，本文將小麥?zhǔn)斋@邊緣導(dǎo)航線提取精度以及提取時(shí)間來(lái)作為算法性能的評(píng)價(jià)指標(biāo)分別對(duì)不同算法進(jìn)行比較。如表1所示，試驗(yàn)結(jié)果表明：本文導(dǎo)航線提取算法相比LAB+Canny+最小二乘算法的平均提取精度提高了17%；相比LAB+Canny+感知損失函數(shù)擬合算法的平均提取速度快了39 ms，而平均提取精度提高了10%；相比LAB+Canny+霍夫變換算法的平均提取速度快了20 ms，而平均提取精度提高了6%。本文方法有效地解決了傳統(tǒng)算法處理過(guò)程中所遇到的耗時(shí)長(zhǎng)、抗干擾能力差等問(wèn)題，可為智能農(nóng)業(yè)機(jī)械自動(dòng)導(dǎo)航作業(yè)提供理論參考。

（a） 小麥邊緣殘缺

（b） 小麥邊緣濃密

（c） 小麥邊緣稀疏

5 結(jié)論

1） ?本文通過(guò)LAB灰度處理結(jié)合最大熵法在小麥已收獲和未收獲區(qū)域?qū)Ρ榷群艿偷那闆r下仍可有效地將小麥植株與背景圖像進(jìn)行二值分割。

2） ?本文通過(guò)水平投影與最小二乘法相結(jié)合的方法來(lái)為Canny算子提供最優(yōu)的ROI邊緣檢測(cè)區(qū)域，這使得干擾點(diǎn)的占比由從前約62%降低到5%以下，從而解決了在小麥已收獲和未收獲區(qū)域?qū)Ρ榷群艿偷那闆r下小麥?zhǔn)斋@邊緣特征點(diǎn)難以提取的問(wèn)題。

3） ?本文通過(guò)梯度下降方法來(lái)最快尋找到損失函數(shù)極小值位置，試驗(yàn)數(shù)據(jù)表明采用梯度下降方法的擬合優(yōu)度約為0.98，而采用最小二乘法等其它擬合方法的擬合優(yōu)度約為0.83，從而解決了傳統(tǒng)算法中存在的導(dǎo)航線擬合精度低、抗干擾能力低等問(wèn)題。

4） ?通過(guò)試驗(yàn)驗(yàn)證表明：本文算法處理一張640像素×360像素的圖像平均耗時(shí)僅為163 ms，準(zhǔn)確率為95%，在受麥茬干擾、不同生長(zhǎng)密度等情況下仍具有較強(qiáng)的魯棒性，為智能化農(nóng)業(yè)機(jī)械在麥田中的自主行走提供了一種可靠的、實(shí)時(shí)的導(dǎo)航方法。

參 考 文 獻(xiàn)

［1］張漫， 季宇寒， 李世超， 等. 農(nóng)業(yè)機(jī)械導(dǎo)航技術(shù)研究進(jìn)展［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2020， 51（4）： 1-18.

Zhang Man， Ji Yuhan， Li Shichao， et al. Research progress of agricultural machinery navigation technology ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2020， 51（4）： 1-18.

［2］姬長(zhǎng)英， 周俊. 農(nóng)業(yè)機(jī)械導(dǎo)航技術(shù)發(fā)展分析［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2014， 45（9）： 44-54.

Ji Changying， Zhou Jun. Current situation of navigation technologies for agricultural machinery ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2014， 45（9）： 44-45.

［3］楊洋， 張博立， 查家翼， 等. 玉米行間導(dǎo)航線實(shí)時(shí)提取［J］. 農(nóng)業(yè)工程學(xué)報(bào)， 2020， 36（12）： 162-171.

Yang Yang， Zhang Boli， Zha Jiayi， et al. Realtime extraction of navigation line between corn rows ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2020， 36（12）： 162-171.

［4］郭祥雨. 無(wú)人飛機(jī)水稻和油菜制種田作業(yè)視覺(jué)輔助導(dǎo)航方法研究［D］. 北京： 中國(guó)農(nóng)業(yè)科學(xué)院， 2021.

Guo Xiangyu. Research on visual aidnavigation method for UAV rice and rape seed farming operations ［D］. Beijing： Chinese Academy of Agricultural Sciences， 2021.

［5］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， 39（15）： 11889-11897.

［6］李霞， 蘇筠皓， 岳振超， 等. 基于中值點(diǎn)Hough變換玉米行檢測(cè)的導(dǎo)航線提取方法［J］. 農(nóng)業(yè)工程學(xué)報(bào)， 2022， 38（5）： 167-174.

Li Xia， Su Junhao， Yue Zhenchao， et al. Extracting navigation line to detect the maize seedling line using medianpoint Hough transform ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2022， 38（5）： 167-174.

［7］梁習(xí)卉子， 陳兵旗， 姜秋慧， 等. 基于圖像處理的玉米收割機(jī)導(dǎo)航路線檢測(cè)方法［J］. 農(nóng)業(yè)工程學(xué)報(bào)， 2016， 32（22）： 43-49.

Liang Xihuizi， Chen Bingqi， Jiang Qiuhui， et al. Detection method of navigation route of corn harvester based on image processing ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2016， 32（22）： 43-49.

［8］宮金良， 王祥祥， 張彥斐， 等. 基于邊緣檢測(cè)和區(qū)域定位的玉米根莖導(dǎo)航線提取方法［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2020， 51（10）： 26-33.

Gong Jinliang， Wang Xiangxiang， Zhang Yanfei， et al. Extraction method of corn rhizome navigation lines based on edge detection and area localization ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2020， 51（10）： 26-33.

［9］焦崇珊， 宋懷波. 基于超像素分割算法的大田小麥導(dǎo)航路徑獲?。跩］. 江蘇農(nóng)業(yè)科學(xué)， 2020， 48（14）： 255-260.

Jiao Chongshan， Song Huaibo. Detection of field wheat navigation path using superpixel segmentation algorithm ［J］.Jiangsu Agricultural Sciences， 2020， 48（14）： 255-260.

［10］王愛(ài)臣， 張敏， 劉青山， 等. 基于區(qū)域生長(zhǎng)和均值漂移聚類的苗期作物行提取方法［J］. 農(nóng)業(yè)工程學(xué)報(bào)， 2021， 37（19）： 202-210.

Wang Aichen， Zhang Min， Liu Qingshan， et al. Seedling crop row extraction method based on regional growth and mean shift clustering ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2021， 37（19）： 202-210.

［11］馬馳. 獼猴桃樹(shù)干智能檢測(cè)與行間導(dǎo)航線生成方法研究［D］. 楊凌： 西北農(nóng)林科技大學(xué)， 2021.

Ma Chi. Research on intelligent detection of kiwi trunk and generation of navigation line between rows ［D］. Yangling： Northwest A & F University， 2021.

［12］李云伍， 徐俊杰， 王銘楓， 等. 丘陵山區(qū)田間道路自主行駛轉(zhuǎn)運(yùn)車及其視覺(jué)導(dǎo)航系統(tǒng)研制［J］. 農(nóng)業(yè)工程學(xué)報(bào)， 2019， 35（1）： 52-61.

Li Yunwu， Xu Junjie， Wang Mingfeng， et al. Development of autonomous driving transfer trolley on field roads and its visual navigation system for hilly areas ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2019， 35（1）： 52-61.

［13］Lu W， Zeng M， Wang L， et al. Navigation algorithm based on the boundary line of tillage soil combined with guided filtering and improved antinoise morphology ［J］. Sensors， 2019， 19（18）： 3918.

［14］陳子文， 李偉， 張文強(qiáng)， 等. 基于自動(dòng)Hough變換累加閾值的蔬菜作物行提取方法研究［J］. 農(nóng)業(yè)工程學(xué)報(bào)， 2019， 35（22）： 314-322.

Chen Ziwen， Li Wei， Zhang Wenqiang， et al. Vegetable crop row extraction method based on accumulation threshold of Hough transformation ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2019， 35（22）： 314-322.

［15］王姍姍， 余山山， 張文毅， 等. 基于特征點(diǎn)鄰域Hough變換的水稻秧苗行檢測(cè)［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2020， 51（10）： 18-25.

Wang Shanshan， Yu Shanshan， Zhang Wenyi， et al. Detection of rice seedling rows based on Hough transform of feature point neighborhood ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2020， 51（10）： 18-25.

［16］宋宇， 劉永博， 劉路， 等. 基于機(jī)器視覺(jué)的玉米根莖導(dǎo)航基準(zhǔn)線提取方法［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2017， 48（2）： 38-44.

Song Yu， Liu Yongbo， Liu Lu， et al. Extraction method of navigation baseline of corn roots based on machine vision ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2017， 48（2）： 38-44.

［17］譚任虎， 胡小平， 彭向前， 等. 一種基于輪廓邊緣的直線擬合算法［J］. 傳感技術(shù)學(xué)報(bào)， 2022， 35（3）： 376-382.

Tan Renhu， Hu Xiaoping， Peng Xiangqian， et al. A line fitting algorithm based on contour edge ［J］. Chinese Journal of Sensors and Actuators， 2022， 35（3）： 376-382.

［18］Diwakar M， Kumar M. CT image denoising using NLM and correlationbased wavelet packet thresholding ［J］. IET Image Processing， 2018， 12（5）： 708-715.

［19］宮金良， 孫科， 張彥斐， 等. 基于梯度下降和角點(diǎn)檢測(cè)的玉米根莖定位導(dǎo)航線提取方法［J］. 農(nóng)業(yè)工程學(xué)報(bào)， 2022， 38（13）： 177-183.

Gong Jinliang， Sun Ke， Zhang Yanfei， et al. Extracting navigation line for rhizome location using gradient descent and corner detection ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2022， 38（13）： 177-183.