陈鹏飞^,1, 马啸^1,21中国科学院地理科学与资源研究所/资源与环境信息系统国家重点实验室,北京 100101
²中国科学院大学,北京 100049

Research Status and Trends of Automatic Detection of Crop Planting Rows

CHEN PengFei^,1, MA Xiao^1,21Institute of Geographical Science and Natural Resources Research/State Key Laboratory of Resources and Environment Information System, Chinese Academy of Sciences, Beijing 100101
²University of Chinese Academy of Sciences, Beijing 100049

责任编辑: 杨鑫浩
收稿日期:2020-09-24修回日期:2020-12-18网络出版日期:2021-07-01

基金资助:

国家自然科学基金.41871344 国家重点研发计划项目.2016YFD020060300 国家重点研发计划项目.2016YFD020060304

Received:2020-09-24Revised:2020-12-18Online:2021-07-01
作者简介 About authors
陈鹏飞,E-mail： pengfeichen@igsnrr.ac.cn




摘要
大田作物一般成行种植,以提高种植效率和方便田间管理。因此,作物种植行自动检测对于智能农机携带传感器拍摄影像实现自主导航、精准打药,乃至基于无人机搭载传感器拍摄高分辨率影像生成田间的精准管理作业单元都具有重要意义,是智慧农业管理的重要组成部分。本研究首先系统归纳总结了已有作物种植行自动检测方法,分析了Hough变换法、最小二乘法、绿色像元累积法、Blob分析法、滤波法、消隐点法等作物种植行提取方法的基本原理、发展现状与优、缺点;其次,针对已有研究,提出目前还存在的、需要探讨的科学技术问题,比如不同空间和光谱分辨率影像如何影响作物种植行提取的精度;怎样基于无人机识别不同空间分布特征的作物种植行并进行长势空间精准制图;如何构建标准化的作物种植行识别技术流程等;最后,针对种植行提取技术现状与存在的问题,提出未来的若干研究方向,包括能适应高杂草压力等复杂环境的作物种植行精准识别技术,以提高智能农机自主导航精度;能基于种植行识别结果进行作物长势精准制图,从而支撑田间精准分区的方法;耦合无人机遥感精准作物长势监测与智能农机作业的田间精准管理技术等。本文可为影像中作物种植行自动提取及其相关应用研究提供参考。
关键词： 种植行;作物;自动检测;现状;趋势

Abstract
Field crops are generally planted in rows to improve planting efficiency and facilitate field management. Therefore, the automatic detection of crop planting rows is of great significance for intelligent agricultural machinery carrying sensors to capture images to achieve autonomous navigation and precision spray pesticide, and for drones equipped with sensors to capture high-resolution images to generating field precision management zones. It is an important part of smart agriculture. This research first systematically summarized the existing crop planting row automatic detection methods, and illustrated the basic principles, development status and advantages and disadvantages of the Hough transform method, least square method, green pixel accumulation method, Blob analysis method, filtering method, and vanishing point method for crop planting row detection. Secondly, considering the previous researches, this study proposed some scientific and technical issues that needed to be study in future, such as how different spatial and spectral resolution images affected the detection accuracy of crop planting rows; how to detection of crop planting rows with different spatial distribution features and then perform accurate mapping of crop growth status based on drone images; how to establish a standardized crop planting row detection process. Finally, based on the current status and existing problems of planting row detection technology, several research directions were suggested, including crop planting row detection technology that could adapt to complex environments, such as high weed pressure, to improve the accuracy of autonomous navigation of intelligent agricultural machinery; the method of accurately mapping crop growth status based on the results of planting row recognition and then delineating of field precision management zones; coupling crop growth monitoring technology from drone images and intelligent agricultural machinery to make field precision management. This article would provide valuable references for automatic detection of crop planting rows in images and its related application researches.
Keywords：plant row;crop;automatic detection;status;trends


PDF (419KB)元数据多维度评价相关文章导出EndNote|Ris|Bibtex收藏本文
本文引用格式
陈鹏飞, 马啸. 作物种植行自动检测研究现状与趋势[J]. 中国农业科学, 2021, 54(13): 2737-2745 doi:10.3864/j.issn.0578-1752.2021.13.004
CHEN PengFei, MA Xiao. Research Status and Trends of Automatic Detection of Crop Planting Rows[J]. Scientia Acricultura Sinica, 2021, 54(13): 2737-2745 doi:10.3864/j.issn.0578-1752.2021.13.004


开放科学（资源服务）标识码（OSID）：

0 引言

农业生产与人类生存息息相关,它是同时受自然条件与社会经济条件双重制约的脆弱性产业,农田管理中涉及农业生产的每一个环节的决策都需要多门类、全方位的信息支撑^[1]。智慧农业是实现农业信息感知、定量决策、智能控制、精准投入的全新的农业生产方式^[2],它能最大程度地降低农业生产的不确定性,降低经营风险。对大田农业来说,智慧农业要求对田间作物长势进行定量、定位表征,从而达到后期定位、定量管理的目的。以遥感技术、地理信息技术、全球定位技术为支撑的“3S”技术在田间作物信息定位、定量表征方面发挥着巨大作用^[3]。大田作物一般成行种植,以增加光暴露、提供换气通道,方便进行除草与施肥作业^[4]。这使得基于高分辨率遥感影像（如无人机影像）生成作物氮素营养状况、病虫害灾情、农田旱情等的空间填图时必须考虑作物成行分布的特征。与此同时,准确提取种植行信息,对基于高分辨率影像识别田间杂草位置并生成杂草地图,支撑后期精准打药^[5,6,7];监测作物苗情,及时识别作物漏种、缺株情况并生成补种方案等具有重要意义^[8,9]。此外,作为智慧农业的重要组成部分,农业机器人视觉导航技术越来越受到关注,而识别作物种植行是进行视觉导航的基础^[10]。综上所述,准确提取作物种植行对于智慧农业管理具有重要意义。

本文系统总结了国内外已有可用于作物种植行识别的方法,并针对其优缺点进行分析,为作物种植行的提取研究提供参考。

1 国内、外作物种植行自动提取技术研究现状

目前,关于作物种植行的识别,主要的提取方法有Hough变换法、最小二乘法、绿色像元累加法、Blob分析法、滤波法和消隐点法。这6种方法都需要对获得的影像进行分类以区分植被像元和土壤像元。对影像进行分类主要包括基于像元的方法和基于对象的方法。在已有作物种植行提取研究中,多应用基于像元的分类方法,通过过绿指数等光谱指数来增强植被信息,划定阙值进而实现植被的提取^[10,11,12]。这种方法计算效率高,容易实现,但也容易出现所谓的“撒胡椒面”的现象。基于对象的分类方法能充分利用图像的光谱信息和纹理信息,在高分辨率影像分类中具有很好的效果^[13,14,15],但其计算量往往比较大。关于遥感影像分类研究已有很好的综述^[16,17,18],在这里不再累述。本综述仅针对经过图像分类生成植被、土壤二值图后进一步提取作物种植行的方法。所有方法的基本原理、优缺点、适用范围等如表1所示,详细描述如下。

Table 1
表1
表1不同作物种植行提取方法的基本原理、优缺点及适用范围
Table 1Principles, advantages and disadvantages, and application scope for different crop planting row detection method

分类方法 Class methods	基本原理 Principle	优缺点 Advantage and disadvantage	适用范围 Application scope
Hough变换法 Hough transform method	将图像空间的点变换为参数空间中的线,统计参数空间的峰值点,最终将峰值点按一定映射关系在图像空间中形成相应的种植行 Transform the points in the image space into lines in the parameter space, and then count the peak points in the parameter space, and finally form the corresponding planting rows in the image space based on peak points according to the certain relationship between the two spaces	能同时进行图像中多条种植行的提取,但也存在计算量大、容易受影像中杂草像元干扰等缺点 It has advantage that can extract multiple planting rows in the image at the same time, but it also has disadvantages such as long calculation time and easy to be affected by weed pixels	杂草压力小、数据量小的影像中作物种植行提取;可同时在无人机影像及田间农机拍摄影像中应用 It is suitable for planting row detection in images with a low weed pressure and small data volume; It can be used with both drone images and images taken from agricultural machinery
最小二乘法 Least square method	基于获取的种植行特征点,利用最小二乘拟合的方式获取种植行 Based on the obtained represent points of planting row, the least squares fitting method is used to make the planting row	具有算法简单、计算速度快等优势,但存在容易受图像中杂草像元干扰的缺点 It has advantages of simple algorithm and fast calculation speed, but it also has disadvantage of being easily affected by weed pixels	杂草压力小的影像中作物种植行提取;可同时在无人机影像及田间农机拍摄影像中应用 It is suitable for planting row detection in images with a low weed pressure; It can be used with both drone images and images taken from agricultural machinery
绿色像元累加法 Green pixel accumulation method	假定沿作物行方向上会有最大的植被绿色像元累积,据此提取作物种植行 The crop planting row is detected according to the assumption that there will be the largest accumulation of vegetation green pixels along the direction of the crop row	具有算法简单、计算速度快等优势,但存在容易受图像中杂草像元干扰的缺点 It has advantages of simple algorithm and fast calculation speed, but it also has disadvantage of being easily affected by weed pixels	杂草压力小的影像中作物种植行提取;可同时在无人机影像及田间农机拍摄影像中应用 It is suitable for planting row detection in images with a low weed pressure; It can be used with both drone images and images taken from agricultural machinery
Blob分析法 Blob analysis method	假设图中一个植被的连通区域即代表一个作物行,可以通过Blob分析确定每一个作物行连通区域的重心与长轴,从而生成种植行 Assuming that a connected area of vegetation in the image represents a crop row, Blob analysis can be used to determine gravity and long axis of each connected area to generate planting row	能耐受一定的杂草压力,但要求种植行必须呈直线分布 It has advantage that can endure a certain weed pressure, it also has disadvantage that require planting rows must be linearly distributed	杂草压力不大且影像中作物行呈直线的种植行提取;可同时在无人机影像及田间农机拍摄影像中应用 It is suitable for planting row detection in images with a low weed pressure and linearly distributed; It can be used with both drone images and images taken from agricultural machinery
滤波法 Filtering method	假定作物种植行呈特定的特征和图案,这些特征和图案可以用函数描述,基于函数来确定种植行位置 Assuming that the crop planting rows have specific features and patterns and these features and patterns can be described by function, the planting row can be determined based on the function	具有不易受杂草干扰的优势,但要求作物种植行按一定规律出现,当不存在这种规律时会产生误差 It has advantage of not being easily affected by weed pixels, but it also has disadvantage that require crop planting rows must distribute with a certain rule, and errors will occur if there exist no such rule	影像中作物种植行分布呈现规律分布;可同时在无人机影像及田间农机拍摄影像中应用 It is suitable for planting row detection that are distributed with a certain rule in images; It can be used with both drone images and images taken from agricultural machinery
消隐点法 Vanishing point method	田间拍摄影像近处的种植行显得间隔比较大,而远处的显得间隔比较小,如果把图像中作物种植行进行延长,它们会交于一点（即消隐点）,根据这一特征可进行作物种植行的提取 In the field image, planning rows in the vicinity appear to be more spaced, while those in the distance appear to be less spaced. If extend crop rows in the field image, they will meet at one point (vanishing point). According to this feature, crop planting row can be detected	具有计算速度快、能耐受一定杂草压力的优势,但要求种植行必须呈直线分布,且图像中种植行存在“消隐点” It has advantage that can endure a certain weed pressure and has a fast calculation speed, it also has disadvantage that require planting rows must be linearly distributed and have vanishing point in the image	杂草压力不大且影像中作物行呈直线并存在“消隐点”的种植行提取;仅适于在田间农机拍摄影像中应用 It is suitable for planting row detection with low weed pressure and the rows in image must be linear distributed and have vanishing point; It only can be used with images taken from agricultural machinery

新窗口打开|下载CSV

1.1 Hough变换法

Hough变换由Hough在1962年提出,用来检测图像中直线、圆、抛物线、椭圆等能够用一定函数关系描述的线^[19]。其基本原理是通过将图像空间的点变换为参数空间中的线,并将参数空间划分为均匀格网,统计参数空间中过每一格网的线数作为该格网的值,最终以参数空间格网值的峰值点按一定映射关系在图像空间中形成相应的种植行信息^[20]。利用该方法,****们基于农机携带传感器拍摄的RGB（Green, Red, Blue）影像或多光谱影像开展了大量研究,获得许多成功案例。BAKKER等^[21]利用该方法进行甜菜的种植行识别,识别的距离偏差在6—223mm之间;何洁等^[22]通过该方法进行玉米种植行的检测,其处理结果显示角度误差最高为0.2505°;ASTRAND等^[23]对甜菜3个生育期影像的种植行进行识别,最终检测结果的距离偏差为0.6—1.2 cm。除农机方面的相关研究,Hough变换法在无人机影像作物种植行提取中也有大量应用。基于无人机获取的RGB影像,OLIVEIRA等^[24]应用形态学剪切和Hough变换法成功提取了咖啡的种植行信息,进而对咖啡种植园缺株区域进行了准确识别;PÉREZ-ORTIZ等^[5]利用无人机获取多光谱影像,然后基于Hough变化法提取向日葵种植行位置信息,并设计算法对田间杂草进行了成功提取;基于无人机获取的RGB影像,苏伟等^[25]应用Hough变换法成功提取了育种玉米垄数,提取精度在90%以上。

另外,由于无人机影像有很高的重叠率,能够获取田间地物的3D点云信息,为从植被像元中剔除杂草,提高作物种植行识别精度提供了支撑。目前,少数研究者也结合Hough变化法在此方面开展了相关研究。基于无人机获取的RGB影像,WEISS和BARET利用裸露土壤、杂草和葡萄冠层在高度上的差异,很好提取了葡萄冠层像元,然后利用Hough变化法对葡萄种植行进行了提取^[26]。

Hough变换的优点是能同时开展图像中多条种植行的提取,但也存在对杂草敏感、计算量大以及存在峰值检测困难等问题^[25]。

1.2 最小二乘法

最小二乘法的基本原理是利用了最小二乘法的思路,首先从图像中获取一定数量代表性的种植行特征点,然后对特征点进行聚类以代表不同的种植行,最后对特定种植行内的特征点做最小二乘拟合获得种植行位置。其中,特征点的提取通常通过边缘检测的方法实现,即识别种植行左、右边缘位置,然后以左、右边缘位置之间的中心点为特征点。根据边缘检测方法的不同可分为水平条分割与垂直投影相结合的方法和移动窗口法2种。水平条分割与垂直投影相结合的方法,首先需要在垂直于种植行的方向将图像划分为一系列宽度相等的水平条;然后,将每个水平条在与种植行相平行的方向进行垂直投影,即计算该方向上每列的像素值之和,并生成对应的灰度曲线;最后设定阙值提取左、右边缘点,并判定其连线的中点即种植行特征点^[27]。移动窗口法是通过设定一个移动窗口自上向下,从左到右逐像素扫描整个二值图,若发现窗口内像素发生0到1的变化（假定0为土壤像元,1为植被像元）,则此时将窗口中心点视为种植行的左边缘点,当窗口内像素发生1到0的变换时,则将窗口中心点视为右边缘点,然后将左、右边缘点连线的中点作为种植行的特征点^[11]。基于最小二乘法拟合种植行直线的过程中,单次拟合仅能拟合一条种植行直线,而图中往往同时存在多条种植行,因此需要对特征点进行聚类,使每一类特征点对应一条种植行。聚类的方法有很多,包括欧氏距离、K均值聚类、基于粒子群算法的聚类等。

与Hough方法相同,最小二乘法也被广泛应用于基于农机携带传感器拍摄影像中作物种植行位置的提取。姜国权等^[10]通过移动窗口获取种植行特征点,并利用粒子群算法寻找特征点的最优聚类,最终采用最小二乘法拟合获得的种植行的平均角度误差为0.9365°。孟笑天等^[28]则通过水平条与垂直投影相结合的方法获取玉米种植行的特征点,并使用K均值进行聚类,最终获得种植行的平均角度误差为1.1411°,且识别率为91%。ZHANG等^[29]首先通过水平条与垂直投影相结合的方法来确定种植行特征点,然后依据规定的长度与角度生成以起始点为圆心的扇形缓冲区,搜索缓冲区范围内下一个特征点,不断循环以实现同一种植行内特征点的聚类,其识别的作物种植行位置较真实作物种植行位置的平均偏移角度仅有0.3903°。从算法的基本原理看,最小二乘法同样适用于无人机影像中作物种植行的提取,但目前在该方向上的应用还鲜有报道。

基于最小二乘法提取作物种植行具有算法简单、计算速度快等优势,但其同样容易受图像中杂草像元的干扰,在高杂草压力下提取种植行的效果不佳,往往需要借助于先验知识来提高识别精度^[30]。

1.3 绿色像元累积法

绿色像元累积法的基本原理是假定沿作物行方向上会有最大的植被绿色像元累积,据此可对作物种植行进行提取。该算法在基于农机携带传感器拍摄影像中作物种植行位置提取有广泛的应用。基于数码相机田间拍摄获取的RGB影像,亢洁等^[31]首先通过水平条分割与垂直投影的方法获取图像最底端一个水平条内种植行定位点,再在图像顶端依据一定步长依次选择顶部点,并与下方种植行定位点构造候选种植行直线,分别统计每个候选种植行直线所过植被像素数,所过像素数满足约束条件的候选作物种植行直线即所求的目标种植行直线,研究结果显示该算法在检测正常、有杂草和有缺株3种情况时的检测率分别为90.0%、85.7%和90.2%;除作物行呈直线的情况,该方法同样适合于作物种植行呈非直线的情况,GARCÍA- SANTILLÁN等^[32]基于农机携带传感器对田间玉米种植行进行提取,其结果表明基于绿色像元累积法,对于呈直线与曲线分布的玉米种植行提取精度分别为0.981和0.863。目前,绿色像元累积法在无人机影像中作物种植行提取方面也有相关应用研究。基于无人机获取的RGB影像,LÓPEZ-GRANADOS等^[33]基于绿色像元累积法成功提取了向日葵的种植行,并进一步对田间杂草进行了识别;HASSANEIN等^[34]基于无人机获取的RGB影像,在进行图像色彩空间转换的基础上,利用绿色像元累积法对油菜种植行进行提取;分别基于无人机获取RGB影像和多光谱影像,PEÑA等^[35]利用绿色像元累积法成功提取了向日葵田的种植行数,正确率达到100%。

总体来说,绿色像元积累的方法具有算法简单、计算效率高的优势,且其可同时应用于无人机影像和田间拍摄影像中的种植行检测,但在杂草密度较大的情况下,其容易出现检测误差。

1.4 Blob分析法

Blob分析法是指在图像中寻找同值的连通区域,并确定其大小、形状、面积的分析方式^[36]。其应用于作物种植行识别的基本原理是假设二值图中一个植被的连通区域即代表一个作物行,因此可以通过Blob分析确定每一个作物行连通区域的重心与长轴,从而生成田间作物种植行直线。目前,Blob分析法在作物种植行提取方面的应用并不多。其中,基于田间拍摄影像的种植行提取中,仅见FONTAINE和CROWE的相关研究。利用田间拍摄获取的小麦红波段和近红外波段影像,FONTAINE和CROWE根据图像的大小,以2 500个像元为阙值,分析大于2 500个像素的植被斑块,并以斑块长度和面积的乘积为参数,选择具有最大值的斑块,然后分析斑块的重心和长轴,以确定种植行的位置^[37]。结果表明,Blob方法在进行作物行检测时,对田间存在不连续的、稀疏杂草干扰有一定耐受性,但当杂草连片,尤其是将相邻作物连通构成一个植被斑块时,会出现较大的误差。在无人机影像中,Blob分析法已用于玉米、向日葵、棉花等作物的种植行提取。基于无人机获取的多光谱影像,DE CASTRO^[7]利用Blob分析法成功提取了向日葵和棉花的种植行位置,并进一步对田间杂草进行识别;PEÑA等^[38]基于无人机获取的多光谱影像,采用Blob分析法提取玉米的种植行信息,同样对田间杂草进行了识别。

Blob分析在种植行提取中应用的优点是能耐受一定的杂草压力,但因该方法以图中连通区域的几何特征为基础进行种植行检测,在高杂草压力下,误差会显著加大^[37]。另外,其只适合种植行呈直线分布时的提取,不适合种植行弯曲的情景。

1.5 滤波分析法

滤波分析法的基本原理是假定作物种植行呈特定的特征和图案,这些特征和图案可以用频度函数描述,因此可以基于滤波函数来确定种植行的位置^[39]。利用该方法,****们基于农机携带传感器拍摄的RGB影像或多光谱影像开展了许多研究,获得不少成功案例。根据相机的位置和作物的行间距,HAGUE和TILLETT通过设定滤波器进行小麦种植行的方向和位置信息的获取,其基于视频相机拍摄影像提取的种植行的位置误差为2.9 mm^[40];基于数码相机在田间从小麦冠层上方拍摄的RGB图像,BOSSU等^[41]基于小波变换分析经预处理后的土壤、植被二值影像,成功提取了小麦种植行位置,并基于种植行位置,实现对田间杂草的准确监测;基于农机携带数码相机拍摄的RGB影像,JIANG等^[42]认为作物（玉米、小麦和大豆）种植行都是等间隔的,通过在图像中布置扫描线,并在每条扫描线上利用窗口和假定的行间距来获取感兴趣区,窗口位置和行间距设定在一定范围内变化,基于窗口像元值设定代价函数来求最佳窗口位置和行间距,基于此方法其提取作物种植行的检测率在88%—94%之间;除此之外,基于滤波分析法,有少数****利用立体影像开展了相关种植行提取研究。利用农机携带立体相机拍摄的影像,KISE和ZHANG首先提取田间数字高程信息,然后基于植被与土壤的高度差提取植被像元,接着基于滤波分析法设计种植行重构函数,利用植被像元信息寻找函数最优解来识别大豆的种植行^[43]。另外,滤波分析法在无人机影像中作物种植行的提取方面也有相关应用。利用无人机携带数码相机拍摄的RGB影像,VIOIX等^[44]利用二维Gabor滤波器来提取影像中玉米的种植行信息,取得了较高的精度;基于滤波分析法,DE SOUZA等^[45]成功提取了无人机多光谱影像中甘蔗的种植行信息,并进一步实现了长势不好甘蔗植株的提取。

滤波分析法的优点是不易受杂草的干扰^[37],但其在提取种植行时必须要求作物种植行按一定规律出现,当不存在这种规律时会产生误差。

1.6 消隐点法

消隐点法的基本原理是搭载在农机上的相机往往呈一定的角度倾斜来对作物冠层进行拍摄,使得图像上近处的种植行显得间隔比较大,而远处的显得间隔比较小,如果把图像中作物种植行进行延长,它们会交于一点（即消隐点）,根据这一特征可进行作物种植行的提取。基于农机拍摄的影像,PLA等^[46]首先采用色彩分割来区分植被和土壤,然后提取植被区域的骨架信息来获得若干候选作物行直线,再通过算法确定消隐点位置,最终选择那些能够聚交到消隐点的直线作为作物种植行直线;ROMEO等^[47]基于农机拍摄RGB影像,利用消隐点法成功提取了玉米种植行信息,他们基于不同分辨率的图像检测出玉米种植行的成功率在97.1%—97.5%;王晓杰^[48]通过耦合Hough变化法和消隐点法来进行小麦种植行的提取,其首先利用Hough变化来提取候选种植行,然后针对Hough变化存在峰值监测困难的问题,利用消隐点法来去除伪种植行信息。

与Hough变换法相比,消隐点法具有计算速度快,对杂草有一定耐受性的优势。但消隐点法不适合作物行非直线的情形,且其依赖于对种植行骨架的提取,在高杂草压力下,精度会受显著影响^[49]。另外,从消隐点法的基本原理看,由于无人机影像中种植行不存在“消隐点”,所以该方法无法在无人机影像中应用。

2 存在的科学技术问题及发展方向

2.1 存在的科学技术问题

2.1.1 不同分辨率影像对作物种植行提取的影响 影像分辨率包括光谱分辨率和几何分辨率。不同影像分辨率下,作物种植行提取精度不同^[48]。目前,在作物种植行提取方面,关于影像分辨率对提取效果的影响还鲜有报道。在光谱分辨率方面,已有研究大多基于RGB影像来开展工作,而近红外波段对植被信息更加敏感,在区分植被和土壤时会有更好的效果。针对杂草、土壤、作物像元的区分,合理改变影像波段设置,探讨哪些波段更有利于三者区分,并基于它们构建传感器进行图像获取,将有利于种植行提取精度的提高。在空间分辨率方面,已有研究在选择影像分辨率时（无论是车载影像还是无人机影像）,并未给出选择依据。影像空间分辨率一方面决定了提取作物种植行的精度,另一方面也决定了数据处理的时间。不同作物植株大小不同,准确区分它们所需影像分辨率不同,需要从提取精度、数据处理效率中寻找平衡点,提出不同种植行提取方法下识别特定作物种植行所需最优几何分辨率。

2.1.2 作物行识别条件下作物长势空间制图 基于高分影像来生成作物养分、水分等田间精准管理单元,实现分区优化管理对节约农业生产成本、保护环境具有重要意义。近些年,无人机技术得到快速发展,它具有机动、灵活的特点,搭载低成本传感器可获取高时间、空间分辨率的影像^[50],尤其适合田块尺度的观测。低空无人机影像具有超高空间分辨率,使得基于其进行作物养分、水分等田间管理分区,必须要考虑作物成行分布的特点。不同作物种植行分布特征不同,同种作物不同播种条带连接处由于农机手的主观操作误差,以及不同条带间相距较远的种植行由于地势原因导致其特征并不总是保持不变,这就需要寻找合理的策略来根据识别的种植行生成作物长势空间分布图,以支撑后期精准管理。

2.1.3 作物种植行识别技术流程的标准化问题 要实现技术普及应用,需要有规范化的规程来约束数据获取、处理等各个环节。对于作物种植行提取来说,需要明确针对不同作物种植行提取,应该如何选择传感器类型、数据获取时间、数据预处理方法、种植行提取方法等,以达到应用需求。目前,在作物种植行识别领域还缺乏相关技术规程。

2.2 展望

2.2.1 面向智能农机自主行走的精准导航技术 在实际生产中,基于智能农机搭载传感器拍摄影像识别种植行,指引农机自主行走需要面对复杂的农田环境,比如不同的杂草压力、作物种植行可能是直线也可能弯曲、作物种植行分布可能不具有明显特征等。这些因素都将影响种植行识别精度。特别情况下,可能影像拍摄的角度不同也会对这些因素影响种植行识别精度的程度产生影响。因此,需要结合各种种植行识别方法,开展基于车载影像识别种植行的最佳观测角度研究。另外,近年来激光雷达技术发展迅速,基于车载或无人机机载激光雷达开展作物种植行识别也将是未来研究方向之一。

2.2.2 面向精准田间管理需求的分区技术 精准田间管理需要将具有异质性特征的作业区划分为若干同质性单元,以在不同单元根据作物需求精准施策。分区的准确性决定了田间精准管理的效果。需要研究作物种植行识别条件下作物长势空间制图技术,以及耦合作物长势空间分布图与空间异质性分析方法的高精度分区技术。

2.2.3 面向智慧农业的精准田间管理技术 智慧农业管理往往需要“天地空”一体化的技术体系支撑,有机耦合无人机与智能农机具有重要意义。在精准施肥、施药及漏播补播时,可先基于无人机遥感技术识别作物种植行,并定位行间不同位置作物长势的差异,然后智能农机在基于车载影像精准导航技术的支撑下,到达作业区域,并对作物进行精准作业。因此,耦合无人机观测和智能农机高效作业的技术体系也将是未来重要的研究方向。

参考文献 View Option 原文顺序
文献年度倒序
文中引用次数倒序
被引期刊影响因子

[1] 陈鹏飞. 无人机在农业中的应用现状与展望
浙江大学学报(农业与生命科学版), 2018, 44(4):399-406.
[本文引用: 1]

CHEN P F. Applications and trends of unmanned aerial vehicle in agriculture
Journal of Zhejiang University (Agriculture and Life Sciences), 2018, 44(4):399-406. (in Chinese)
[本文引用: 1]

[2] 赵春江. 智慧农业发展现状及战略目标研究
智慧农业, 2019, 1(1):1-7.
[本文引用: 1]

ZHAO C J. State-of-art and recommended developmental strategic objective of smart agriculture
Smart Agriculture, 2019, 1(1):1-7. (in Chinese)
[本文引用: 1]

[3] 邝继双, 汪懋华. 3S技术在农田基础地图测绘与更新中的集成应用
农业工程学报, 2003, 19(3):220-223.
[本文引用: 1]

KUANG J S, WANG M H. Application of GIS, GPS and RS for field surveying, mapping and data updating
Transactions of the Chinese Society of Agricultural Engineering, 2003, 19(3):220-223. (in Chinese)
[本文引用: 1]

[4] INTRIERI C, PONI S, REBUCCI B. Row orientation effects on whole-canopy gas exchange of potted and field-grown grapevines
Vitis, 1998, 37(4):147-154.
[本文引用: 1]

[5] PÉREZ-ORTIZ M, PEÑA J M, GUTIÉRREZ P A, TORRES- SÁNCHEZ J, HERVÁS-MARTÍNEZ C, LÓPEZ-GRANADOS F. A semi-supervised system for weed mapping in sunflower crops using unmanned aerial vehicles and a crop row detection method
Applied Soft Computing, 2015, 37:533-544.
DOI:10.1016/j.asoc.2015.08.027URL [本文引用: 2]

[6] TORRES-SÁNCHEZ J, LÓPEZ-GRANADOS F, PEÑA-BARRAGÁN J M. An automatic object-based method for optimal thresholding in UAV images: Application for vegetation detection in herbaceous crops
Computers and Electronics in Agriculture, 2015, 114:43-52.
DOI:10.1016/j.compag.2015.03.019URL [本文引用: 1]

[7] DE CASTRO A I, TORRES-SÁNCHEZ J, PEÑA J M, JIMÉNEZ- BRENES F M, CSILLIK O, LÓPEZ-GRANADOS F. An automatic random forest-OBIA algorithm for early weed mapping between and within crop rows using UAV Imagery
Remote Sensing, 2018, 10(2):285.
DOI:10.3390/rs10020285URL [本文引用: 2]

[8] DE SOUZA C H W, LAMPARELLI R A C, ROCHA J V, MAGALH ÃES P S G. Mapping skips in sugarcane fields using object-based analysis of unmanned aerial vehicle (UAV) images
Computers and Electronics in Agriculture, 2017, 143:49-56.
DOI:10.1016/j.compag.2017.10.006URL [本文引用: 1]

[9] OLIVEIRA H C, GUIZILINI V C, NUNES I P, SOUZA J R. Failure detection in row crops from UAV images using morphological operators
IEEE Geoscience and Remote Sensing Letters, 2018, 15(7):1-5.
DOI:10.1109/LGRS.2017.2781679URL [本文引用: 1]

[10] 姜国权, 杨小亚, 王志衡, 刘红敏. 基于图像特征点粒子群聚类算法的麦田作物行检测
农业工程学报, 2017, 33(11):165-170.
[本文引用: 3]

JIANG G Q, YANG X Y, WANG Z H, LIU H M. Crop rows detection based on image characteristic point and particle swarm optimization- clustering algorithm
Transactions of the Chinese Society of Agricultural Engineering, 2017, 33(11):165-170. (in Chinese)
[本文引用: 3]

[11] 姜国权, 柯杏, 杜尚丰, 张漫, 陈娇. 基于机器视觉的农田作物行检测
光学学报, 2009, 29(4):1015-1020.
[本文引用: 2]

JIANG G Q, KE X, DU S F, ZHANG M, CHEN J. Crop row detection based on machine vision
Acta Optica Sinica, 2009, 29(4):1015-1020. (in Chinese)
[本文引用: 2]

[12] VIDOVIĆ I, CUPEC R, HOCENSKI Ž. Crop row detection by global energy minimization
Pattern Recognition, 2016, 55:68-86.
DOI:10.1016/j.patcog.2016.01.013URL [本文引用: 1]

[13] 谭衢霖, JOHANSEN S. 基于像元和对象分类的城区植被高分辨率遥感制图比较研究
应用基础与工程科学学报, 2011, 19(3):441-448.
[本文引用: 1]

TAN Q L, JOHANSEN S. Evaluation of urban vegetation mapping using high spatial resolution image: pixel versus object classification comparison
Journal of Basic Science and Engineering, 2011, 19(3):441-448. (in Chinese)
[本文引用: 1]

[14] 钦伟瑾. 基于对象的城市遥感影像分类方法及应用研究——以西安市阎良区为例
[D]. 西安:长安大学, 2009.
[本文引用: 1]

QING W J. The object-oriented classification of urban remote sensing images and the application research: Take Xi’an Yanliang district for example
[D]. Xi’an: Chang An University, 2009. (in Chinese)
[本文引用: 1]

[15] MENEGUZZO D M, LIKNES G C, NELSON M D. Mapping trees outside forests using high-resolution aerial imagery: A comparison of pixel- and object-based classification approaches
Environmental Monitoring and Assessment, 2013, 185:6261-6275.
DOI:10.1007/s10661-012-3022-1URL [本文引用: 1]

[16] 李石华, 王金亮, 毕艳, 陈姚, 朱妙园, 杨帅, 朱佳. 遥感图像分类方法研究综述
国土资源遥感, 2005, 64(2):1-6.
[本文引用: 1]

LI S H, WANG J L, BI Y, CHEN Y, ZHU M Y, YANG S, ZHU J. A review of methods for classification of remote sensing images
Remote Sensing for Land and Resources, 2005, 64(2):1-6. (in Chinese)
[本文引用: 1]

[17] IMANI M, GHASSEMIAN H. An overview on spectral and spatial information fusion for hyperspectral image classification: Current trends and challenges
Information Fusion, 2020, 59(2):59-83.
DOI:10.1016/j.inffus.2020.01.007URL [本文引用: 1]

[18] 龚健雅, 钟燕飞. 光学遥感影像智能化处理研究进展
遥感学报, 2016, 20(5):733-747.
[本文引用: 1]

GONG J Y, ZHONG Y F. Survey of intelligent optical remote sensing image processing
Journal of Remote Sensing, 2016, 20(5):733-747. (in Chinese)
[本文引用: 1]

[19] HOUGH P V C. Method and means for recognizing complex patterns
US Patent 3069654. 1962-12-18.
[本文引用: 1]

[20] 张志斌, 罗锡文, 周学成, 臧英. 基于Hough变换和Fisher准则的垄线识别算法
中国图象图形学报, 2007, 12(12):2164-2168.
[本文引用: 1]

ZHANG Z B, LUO X W, ZHOU X C, ZANG Y. Crop rows detection based on hough transform and fisher discriminat criterion function
Journal of Image and Graphics, 2007, 12(12):2164-2168. (in Chinese)
[本文引用: 1]

[21] BAKKER T, WOUTERS H, ASSELT K, BONTSEMA J, TANG L, MULLER J, STRATEN G. A vision based row detection system for sugar beet
Computers and Electronics in Agriculture, 2007, 60:87-95.
DOI:10.1016/j.compag.2007.07.006URL [本文引用: 1]

[22] 何洁, 孟庆宽, 张漫, 仇瑞承, 项明, 杜尚丰. 基于边缘检测与扫描滤波的农机导航基准线提取方法
农业机械学报, 2014, 45(S1):265-270.
[本文引用: 1]

HE J, MEN Q K, ZHANG M, QIU R C, XIANG M, DU S F. Crop baseline extraction method for off-road vehicle based on boundary detection and scan-filter
Transactions of the Chinese Society for Agricultural Machinery, 2014, 45(S1):265-270. (in Chinese)
[本文引用: 1]

[23] ASTRAND B, BAERVELDT A J. A vision based row-following system for agricultural field machinery
Mechatronics, 2005, 15(2):251-269.
DOI:10.1016/j.mechatronics.2004.05.005URL [本文引用: 1]

[24] OLIVERIRA H C, GUIZILINI V C, NUNES I P, SOUZA J R. Failure detection in row crops from UAV images using morphological operators
IEEE Geoscience and Remote Sensing Letters, 2018, 15(7):991-995.
DOI:10.1109/LGRS.8859URL [本文引用: 1]

[25] 苏伟, 蒋坤萍, 闫安, 刘哲, 张明政, 王伟. 基于无人机遥感影像的育种玉米垄数统计监测
农业工程学报, 2018, 34(10):92-98.
[本文引用: 2]

SU W, JIANG K P, YAN A, LIU Z, ZHANG M Z, WANG W. Monitoring of planted lines for breeding corn using UAV remote sensing image
Transactions of the Chinese Society of Agricultural Engineering, 2018, 34(10):92-98. (in Chinese)
[本文引用: 2]

[26] WEISS M, BARET F. Using 3D point clouds derived from UAV RGB imagery to describe vineyard 3D macro-structure
Remote Sensing, 2017, 9(2):111.
DOI:10.3390/rs9020111URL [本文引用: 1]

[27] 姜国权, 柯杏, 杜尚丰, 陈娇. 基于机器视觉和随机方法的作物行提取算法
农业机械学报, 2008, 39(11):85-88, 93.
[本文引用: 1]

JIANG G Q, KE X, DU S F, CHEN J. Detection algorithm of crop rows based on machine vision and randomize method
Transactions of the Chinese Society for Agricultural Machinery, 2008, 39(11):85-88, 93. (in Chinese)
[本文引用: 1]

[28] 孟笑天, 徐艳蕾, 王新东, 何润, 翟钰婷. 基于改进K均值特征点聚类算法的作物行检测
农机化研究, 2020, 42(8):26-30.
[本文引用: 1]

MENG X T, XU Y L, WANG X D, HE R, ZHAI Y T. Crop line detection based on improved K-means feature point clustering algorithm
Journal of Agricultural Mechanization Research, 2020, 42(8):26-30. (in Chinese)
[本文引用: 1]

[29] ZHANG X, LI X, ZHANG B, ZHOU J, TIAN G, XIONG Y, GU B. Automated robust crop-row detection in maize fields based on position clustering algorithm and shortest path method
Computers and Electronics in Agriculture, 2018, 154:165-175.
DOI:10.1016/j.compag.2018.09.014URL [本文引用: 1]

[30] WINTERHALTER W, VERONIKA F, DORNHEGE C, BURGARD W. Crop row detection on tiny plants with the pattern Hough transform
IEEE Robotics and Automation Letters, 2018, 3(4):3394-3401.
DOI:10.1109/LSP.2016.URL [本文引用: 1]

[31] 亢洁, 马振. 基于轮廓查找与线扫描的作物行检测算法
科学技术与工程, 2019, 19(20):273-277.
[本文引用: 1]

KANG J, MA Z. Detection algorithm of crop row based on contour searching and line scanning
Science Technology and Engineering, 2019, 19(20):273-277. (in Chinese)
[本文引用: 1]

[32] GARCĬA-SANTILLÁN I, GUERRERO J M, MONTALVO M, PAJARES G. Curved and straight crop row detection by accumulation of green pixels from images in maize fields
Precision Agriculture, 2017, 19:18-41.
DOI:10.1007/s11119-016-9494-1URL [本文引用: 1]

[33] LÓPEZ-GRANADOS F, TORRES-SÁNCHEZ J, SERRANO-PÉREZ A, DE CASTRO A I, MESAS-CARRASCOSA F J, PEÑA J M. Early season weed mapping in sunflower using UAV technology: Variability of herbicide treatment maps against weed thresholds
Precision Agriculture, 2016. 17:183-199.
DOI:10.1007/s11119-015-9415-8URL [本文引用: 1]

[34] HASSANEIN M, KHEDR M, EL-SHEIMY N, Crop row detection procedure using low-cost UAV imagery system
International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 2019, XLII-2/W13:349-356.
DOI:10.5194/isprs-archives-XLII-2-W13-349-2019URL [本文引用: 1]

[35] PEÑA J M, TORRES-SÁNCHEZ J, SERRANO-PÉREZ A, DE CASTRO A I, LÓPEZ-GRANADOS F. Quantifying efficacy and limits of unmanned aerial vehicle (UAV) technology for weed seedling detection as affected by sensor resolution
Sensors, 2015. 15(3):5609-5626.
DOI:10.3390/s150305609URL [本文引用: 1]

[36] 赵慧. 基于Blob的运动目标检测与跟踪算法研究
[D]. 哈尔滨: 哈尔滨工业大学, 2017.
[本文引用: 1]

ZHAO H. Object detection and tracking algorithm based on blob
[D]. Harbin: Harbin Institute of Technology, 2017. (in Chinese)
[本文引用: 1]

[37] FOBTAINE V, CROWE T. Development of line-detection algorithm for local positioning in densely seeded crops
Canadian Biosystems Engineering, 2006, 48(7):19-29.
[本文引用: 3]

[38] PEÑA J M, TORRES-SÁNCHEZ J, DE CASTRO A I, KELLY M, LÓPEZ-GRANADOS F. Weed Mapping in early-season maize fields using object-based analysis of unmanned aerial vehicle (UAV) images
Plos One, 2013, 8(10):e77151.
DOI:10.1371/journal.pone.0077151URL [本文引用: 1]

[39] GARCĬA-SANTILLÁN I D, MONTALVO M, GUERRERO J M, PAJARES G. Automatic detection of curved and straight crop rows from images in maize fields
Biosystems Engineering, 2017, 156:61-79.
DOI:10.1016/j.biosystemseng.2017.01.013URL [本文引用: 1]

[40] HAGUE T, TILLETT N D. A bandpass filter-based approach to crop row location and tracking
Mechatronics, 2001, 11(1):1-12.
DOI:10.1016/S0957-4158(00)00003-9URL [本文引用: 1]

[41] BOSSU J, GEE C, JONES G, TRUCHETET F. Wavelet transform to discriminate between crop and weed in perspective agronomic images
Computers and Electronics in Agriculture, 2009, 65:133-143.
DOI:10.1016/j.compag.2008.08.004URL [本文引用: 1]

[42] JIANG G Q, WANG Z H, LIU H M. Automatic detection of crop rows based on multi-ROIs
Expert Systems with Applications, 2015, 42(5):2429-2441.
DOI:10.1016/j.eswa.2014.10.033URL [本文引用: 1]

[43] KISE M, ZHANG Q. Development of a stereovision sensing system for 3D crop row structure mapping and tractor guidance
Biosystems Engineering, 2008, 101(2):191-198.
DOI:10.1016/j.biosystemseng.2008.08.001URL [本文引用: 1]

[44] VIOIX J B, DOUZALS J P, TRUCHETET F, ASSÉMAT L, GUILLEMIN J. Spatial and spectral methods for weed detection and localization
EURASIP Journal on Advances in Signal Processing, 2002, 7:679-685.
[本文引用: 1]

[45] DE SOUZA C H W, LAMPARELLI R A C, ROCHA J V, MAGALHAES P S G. Mapping skips in sugarcane fields using object-based analysis of unmanned aerial vehicle (UAV) images
Computers and Electronics in Agriculture, 2017, 143:49-56.
DOI:10.1016/j.compag.2017.10.006URL [本文引用: 1]

[46] PLA F, SANCHIZ J M, MARCHANT J A, BRIVOT R. Building perspective models to guide a row crop navigation vehicle
Image and Vision Computing, 1997, 15(6):465-473.
DOI:10.1016/S0262-8856(96)01147-XURL [本文引用: 1]

[47] ROMEO J, PAJARES G, MONTALVO M, GUERRERO J M, GUIJARRO M, RIBERIRO A. Crop row detection in maize fields inspired on the human visual perception
The Scientific World Journal, 2012, 2012(1):484390.
[本文引用: 1]

[48] 王晓杰. 基于机器视觉的农田作物行检测方法研究
[D]. 焦作: 河南理工大学, 2016.
[本文引用: 2]

WANG X J. Study on crop rows detection with machine vision
[D]. Jiaozuo: Henan Polytechnic University, 2016. (in Chinese)
[本文引用: 2]

[49] GUERRERO J M, GUIJARRO M, MONTALVO M, ROMEO J, EMMI L, RIBEIRO A, PAJARES G. Automatic expert system based on images for accuracy crop row detection in maize fields
Expert Systems with Applications, 2013, 40(2):656-664.
DOI:10.1016/j.eswa.2012.07.073URL [本文引用: 1]

[50] 汪沛, 罗锡文, 周志艳, 臧英, 胡炼. 基于微小型无人机的遥感信息获取关键技术综述
农业工程学报, 2014, 30(18):1-12.
[本文引用: 1]

WANG P, LUO X W, ZHOU Z Y, ZANG Y, HU L. Key technology for remote sensing information acquisition based on micro UAV
Transactions of the Chinese Society of Agricultural Engineering, 2014, 30(18):1-12. (in Chinese)
[本文引用: 1]