基于特征點(diǎn)鄰域Hough變換的水稻秧苗行檢測

王姍姍 余山山 張文毅 王興松

(1.東南大學(xué)機(jī)械工程學(xué)院， 南京 211189； 2.農(nóng)業(yè)農(nóng)村部南京農(nóng)業(yè)機(jī)械化研究所， 南京 210014)

0 引言

作為精準(zhǔn)農(nóng)業(yè)的重要組成部分，農(nóng)業(yè)機(jī)器人視覺導(dǎo)航技術(shù)越來越受關(guān)注[1-4]，并已廣泛應(yīng)用于農(nóng)作物種植、除草、施藥、收獲等[5-8]作業(yè)環(huán)節(jié)。水稻秧苗行檢測可為插秧機(jī)的自動導(dǎo)航和水稻行間除草提供依據(jù)，是水田農(nóng)業(yè)機(jī)械智能化的重要組成部分[9-10]，促進(jìn)了精準(zhǔn)農(nóng)業(yè)的發(fā)展。

目前，國內(nèi)外專家學(xué)者主要對玉米、小麥、蔬菜等旱地作物的作物行檢測進(jìn)行了研究，對水田水稻秧苗行檢測的研究極少。最小二乘法已被廣泛用于作物行中心線提取[11]，與Hough變換相比，最小二乘法計(jì)算簡單、實(shí)時性好，但其準(zhǔn)確性易受噪聲影響，導(dǎo)致作物行中心線提取的魯棒性差[12]。MONTALVO等[13-14]將最小二乘法應(yīng)用于具有高雜草密度的玉米田作物行圖像檢測。JIANG等[15]在假設(shè)作物行間距相等的基礎(chǔ)上，采用多個感興趣區(qū)域(ROI)移動的方法將特征點(diǎn)進(jìn)行聚類，該算法在高雜草密度的作物圖像中可以成功提取特征點(diǎn)，但作物行等間距的前提條件使該方法在實(shí)際農(nóng)田環(huán)境中應(yīng)用受限。司永勝等[16]提出基于最小二乘法的早期作物行中心線檢測算法，利用特征點(diǎn)的鄰近關(guān)系對目標(biāo)點(diǎn)分類，用最小二乘法對作物行的特征點(diǎn)集進(jìn)行擬合，然而在分類過程中，當(dāng)前點(diǎn)的選擇對分類以及直線擬合有很大影響，容易受到噪聲點(diǎn)干擾。ZHANG等[17]提出一種玉米田穩(wěn)健作物行檢測方法，該方法先采用基于Ostu的雙閾值結(jié)合粒子群優(yōu)化的改進(jìn)分割算法將作物行從背景中分離，然后通過位置聚類算法和最短路徑確認(rèn)最終的聚類特征點(diǎn)集，最后采用最小二乘法擬合作物行。

Hough變換和一些原始變換形式已被廣泛用于基于視覺的農(nóng)業(yè)導(dǎo)航系統(tǒng)中的作物行檢測[18-21]，結(jié)合顏色特征和閾值處理將作物從圖像中分割出來，通過Hough變換及其改進(jìn)方法提取作物行的中心線，這適用于低雜草密度分布情況下的作物行檢測。JI等[22]提出一種基于梯度的隨機(jī)Hough變換算法，該算法可以有效地適應(yīng)植株密度的變化，比標(biāo)準(zhǔn)Hough變換的速度更快，檢測準(zhǔn)確率更高。JIANG等[23]提出了Hough變換與消隱點(diǎn)約束相結(jié)合的算法。張勤等[24]提出一種基于最小核值相似區(qū)(SUSAN)的除草機(jī)器人導(dǎo)航方法，根據(jù)SUSAN角點(diǎn)提取秧苗特征點(diǎn)，使用改進(jìn)的順序聚類算法和基于已知點(diǎn)的Hough變換提取秧苗行中心線。Hough 變換受噪聲影響小，魯棒性強(qiáng)，但存在峰值檢測難和計(jì)算量大等問題。

針對水稻秧苗行檢測容易受到雜草噪聲和農(nóng)田環(huán)境光照變化等因素影響的問題，為提高秧苗行檢測的魯棒性和精度，本文基于卷積神經(jīng)網(wǎng)絡(luò)(Faster RCNN)獲得秧苗特征點(diǎn)，提出一種基于秧苗特征點(diǎn)鄰域的Hough變換算法，計(jì)算特征點(diǎn)鄰域Hough空間的峰值，以解決Hough變換峰值檢測困難的問題，從而準(zhǔn)確提取秧苗行中心線。

1 材料與方法

1.1 圖像采集

本研究使用的圖像采集于江蘇省鹽城市的水稻實(shí)驗(yàn)田，選擇機(jī)插秧苗作為研究對象，在秧苗的第1個雜草萌發(fā)期即機(jī)插后8～12 d，此時的雜草主要以禾本科和異型莎草科雜草為主，分別在晴天和陰天情況下，在水稻實(shí)驗(yàn)田采集不同位置(不同密度的雜草分布和秧苗生長狀況)圖像。

將佳能數(shù)碼相機(jī)安裝在可移動支架上進(jìn)行靜態(tài)圖像采集，相機(jī)離地高度約1.0 m，相機(jī)中心線相對于垂直方向的傾斜角約為30°，相機(jī)隨著支架移動以采集不同位置的水稻秧苗行圖像。獲得的圖像通過 USB線傳輸?shù)接?jì)算機(jī)，采集的原始水稻秧苗行圖像的分辨率為2 592像素×1 728像素，以jpeg格式存儲在RGB顏色空間，圖1為不同情況下采集的水稻秧苗行圖像。

圖1 具有代表性的水稻秧苗行圖像Fig.1 Representative images of rice seedling rows

1.2 軟硬件環(huán)境

采用Windows 10系統(tǒng)，CPU為Intel i7-6900K，8核16線程，主頻3.20 GHz，32 GB DDR4內(nèi)存，英偉達(dá)GTX1080Ti顯卡。采用軟件為CUDA9.0、CUDNN7.1、Python3.6，Tensorflow 1.10 框架搭建深度學(xué)習(xí)環(huán)境，Visual Studio 2015配置OpenCV4.0圖像處理庫。

1.3 水稻秧苗檢測及特征點(diǎn)提取

1.3.1圖像預(yù)處理

2018年7月在江蘇省鹽城市的水稻實(shí)驗(yàn)田采集了約1 000幅水稻秧苗圖像，采集的原始水稻秧苗行圖像的分辨率為2 592像素×1 728像素，過高的分辨率導(dǎo)致增加訓(xùn)練參數(shù)和時間耗費(fèi)，因此先對原始圖像進(jìn)行縮放，縮放為原分辨率的1/4，則縮放后的分辨率為648像素×432像素。采集圖像的80%作為訓(xùn)練集，20%作為測試集。然后使用LabelImg工具對樣本集中的水稻秧苗進(jìn)行逐一標(biāo)注，生成對應(yīng)的xml格式的目標(biāo)框位置文件。

1.3.2基于Faster RCNN的水稻秧苗檢測模型

基于Faster RCNN[25]的水稻秧苗檢測模型框架如圖2所示。①使用13 Conv+13 ReLU+4 Pooling提取圖像特征,生成一組特征圖，其中Conv層的卷積核尺寸為3×3，填充為1，步長為1，Pooling層的卷積核尺寸為2×2, 步長為2，輸出特征圖的尺寸是輸入圖像的1/16，該特征圖被共享用于后續(xù)Region proposal networks (RPN)層和全連接層。② RPN用于生成能夠區(qū)分前景和背景的精確候選區(qū)域，RPN層通過Softmax分類錨點(diǎn)框?qū)儆谇熬斑€是背景，再利用Bounding box回歸修正錨點(diǎn)框獲得精確的候選框。③ROI Pooling 層利用RPN生成的候選框和VGG16得到特征圖，從特征圖中得到候選特征圖(尺寸、位置由RPN生成)，并通過Pooling層生成固定尺寸的輸出。④Classifier層對ROI Pooling層形成固定尺寸的特征圖進(jìn)行全連接操作，利用Softmax進(jìn)行秧苗和背景的分類，同時利用Bounding box回歸操作獲得秧苗的精確位置，完成秧苗目標(biāo)識別和精確定位。

圖2 基于Faster RCNN的水稻秧苗檢測模型結(jié)構(gòu)Fig.2 Rice seedling detection model structure based on Faster RCNN

秧苗檢測中感興趣區(qū)域搜索使用Faster RCNN 中的RPN 模塊，錨點(diǎn)框的中心點(diǎn)坐標(biāo)就是當(dāng)前特征圖的像素點(diǎn)映射到輸入圖像上對應(yīng)區(qū)域的中心點(diǎn)，設(shè)置不同尺寸和不同長寬比可以在輸入圖像上獲得不同尺寸的先驗(yàn)錨點(diǎn)框。本研究選擇3種尺寸、3種長寬比，對當(dāng)前特征圖的每個點(diǎn)從原圖中標(biāo)記出9個錨點(diǎn)框。其中在生成錨點(diǎn)框時，先定義一個尺寸為16×16的基準(zhǔn)錨點(diǎn)框，長寬比的參數(shù)設(shè)置為[0.5, 1, 2]，根據(jù)輸入圖像中秧苗尺寸，設(shè)定3 種尺寸為 [2, 4, 8]；經(jīng)過尺寸和長寬比不同的組合，形成 [32, 32]、[16, 32]、[32, 16]、[64, 64]、[32, 64]、[64, 32]、[128, 128]、[128, 64]、[64, 128]共9種錨點(diǎn)框。

針對水稻秧苗數(shù)據(jù)集，需要把原始的多類檢測模型修改為針對水稻秧苗檢測的單類檢測模型。水稻秧苗檢測模型使用VGG16網(wǎng)絡(luò)的13個卷積層提取水稻秧苗圖像的特征，并在Classifier層保留VGG16網(wǎng)絡(luò)的前兩個全連接層，由于模型只檢測單個類別，需要去掉VGG16網(wǎng)絡(luò)的最后一個全連接層，如圖2所示，Classifier層兩個全連接層后的輸出包括cls_score和bbox_predict，其中cls_score層用于分類，輸出p=(p0,p1)表示屬于背景和秧苗的概率；bbox_predict層輸出Bounding box回歸的位置偏差。

1.4 水稻秧苗行中心線識別

利用水稻秧苗檢測模型得到水稻秧苗的特征點(diǎn)即預(yù)測框的中心點(diǎn)后，由于插秧機(jī)的前進(jìn)方向不完全筆直，受地形坡度等影響，水稻秧苗行曲率較大。傳統(tǒng)的Hough變換對曲率較大的作物行檢測效果較差，本文提出一種基于特征點(diǎn)鄰域的Hough變換算法，可以用來識別不同曲率的水稻秧苗行，并且對孤立的雜草噪聲不敏感，相對于最小二乘法具有較好的魯棒性。該方法主要包括基于特征點(diǎn)鄰域的Hough圖像計(jì)算和基于直方圖投影的峰值參數(shù)計(jì)算。

1.4.1基于特征點(diǎn)鄰域的Hough圖像計(jì)算

Hough變換的主要思想是將直角坐標(biāo)系下的直線映射為參數(shù)空間下的峰值點(diǎn)，假設(shè)直線方程為r=xcosθ+ysinθ，其中r表示該直線到原點(diǎn)的距離，θ表示該直線經(jīng)過原點(diǎn)的垂線與x軸之間的夾角。Hough變換將x、y作為已知量，那么直角坐標(biāo)系下的直線方程在參數(shù)空間表示為點(diǎn)(r,θ)。直角坐標(biāo)系下的每個點(diǎn)對應(yīng)參數(shù)空間的一條曲線，直角坐標(biāo)系下的一條直線上有多個點(diǎn)，在參數(shù)空間對應(yīng)多條曲線，這些曲線相交于一點(diǎn)，該點(diǎn)坐標(biāo)值即為所求參數(shù)r和θ。

如圖3所示，水稻秧苗預(yù)測框的中心點(diǎn)即為秧苗的特征點(diǎn)，用紅色點(diǎn)表示。水稻秧苗檢測模型得到的特征點(diǎn)不一定在一條直線上，可能分布于直線兩側(cè)，本文提出對秧苗特征點(diǎn)的鄰域進(jìn)行Hough變換，假設(shè)特征點(diǎn)的鄰域是[xi-d,xi+d](圖3中用藍(lán)線表示，鄰域長度設(shè)置為2d)，以每個特征點(diǎn)為鄰域中心，把特征點(diǎn)鄰域內(nèi)的所有點(diǎn)映射到Hough參數(shù)空間。

圖3 特征點(diǎn)鄰域示意圖Fig.3 Schematic of neighborhood of feature points

特征點(diǎn)鄰域的Hough空間計(jì)算方法如下：

(1)建立一個二維圖像hough_2D，寬度方向表示距離r，高度方向表示角度θ，遍歷所有水稻秧苗特征點(diǎn)的鄰域，對每個鄰域點(diǎn)按照θ從-45°到45°，精度為1°，計(jì)算出相應(yīng)的距離r，并且每當(dāng)有相同的距離r和角度θ出現(xiàn)時，hough_2D中對應(yīng)位置(r,θ)的像素進(jìn)行累加：p(r,θ)←p(r,θ)+Δp。獲得的基于特征點(diǎn)鄰域的Hough空間圖像如圖4所示。

圖4 基于特征點(diǎn)鄰域的Hough空間圖像Fig.4 Hough space image based on feature point neighborhood

(2)然后對圖像hough_2D進(jìn)行閾值處理去除大部分噪聲，首先計(jì)算圖像hough_2D的像素最大值pmax，并以pmax的1/2作為閾值Tp遍歷圖像，根據(jù)圖像的像素p(r,θ)和Tp的關(guān)系，如果p(r,θ)

圖5 閾值處理后的圖像hough_2D Fig.5 Hough_2D after threshold processing

(3)最后對hough_2D進(jìn)行形態(tài)學(xué)處理，去除一些孤立噪聲，先進(jìn)行腐蝕操作再進(jìn)行膨脹操作。其中腐蝕操作去除噪聲，消除小物體，膨脹操作平滑物體輪廓，連接溝壑。設(shè)置結(jié)構(gòu)元素分別為3×3、5×5的矩形元素，腐蝕膨脹后的效果如圖6所示，5×5的矩形結(jié)構(gòu)元素過大，導(dǎo)致部分前景被消除，本文選擇3×3的矩形結(jié)構(gòu)元素對hough_2D進(jìn)行形態(tài)學(xué)處理。

圖6 不同矩形結(jié)構(gòu)元素的形態(tài)學(xué)處理結(jié)果Fig.6 Morphological post-processing results of different rectangular structural elements

1.4.2基于直方圖投影的峰值參數(shù)計(jì)算

對形態(tài)學(xué)處理的結(jié)果進(jìn)行直方圖變換，并對直方圖進(jìn)行垂直投影計(jì)算峰值區(qū)域的距離索引，然后在距離索引范圍內(nèi)對每個峰值區(qū)域進(jìn)行聚類操作，具體步驟如下：

圖7 hough_2D的距離直方圖分布Fig.7 Distance histogram distribution of hough_2D

(2)對直方圖進(jìn)行垂直投影，記錄每個非零區(qū)域的距離索引，具體如下：設(shè)置非零區(qū)域的開始距離索引為bi，結(jié)束距離索引為ei，每次進(jìn)入非零區(qū)域的距離為bi的值，每次進(jìn)入空白區(qū)域的距離為ei的值。

(3)將開始距離索引值和結(jié)束距離索引值相近的2個區(qū)域合并，計(jì)算bi+1-ei的差值，如果該差值小于設(shè)定閾值Tr，則區(qū)域i和區(qū)域i+1合并為一個區(qū)域，最終得到的bk和ek分別保存了峰值區(qū)域的開始距離索引和結(jié)束距離索引。

(4)hough_2D在每個開始距離索引bk和對應(yīng)的結(jié)束距離索引ek范圍內(nèi)進(jìn)行聚類操作，統(tǒng)計(jì)每個峰值區(qū)域的像素最大值，以該值對應(yīng)的像素作為種子點(diǎn)，尋求周圍像素相同的點(diǎn)進(jìn)行聚類，對聚類后的每個峰值區(qū)域求出質(zhì)心(cxk,cyk)，即為所求秧苗行中心線的參數(shù)(rk,θk)。

該算法得到的秧苗行中心線識別結(jié)果如圖8所示。綜上所述，基于特征點(diǎn)鄰域Hough變換的水稻秧苗行檢測流程如圖 9所示。

圖8 秧苗行中心線識別結(jié)果Fig.8 Recognition results of centerlines of seedling rows

圖9 基于特征點(diǎn)鄰域Hough變換的秧苗行檢測流程Fig.9 Detection process of seedling row centerlines based on Hough transform of feature point neighborhood

2 實(shí)驗(yàn)

2.1 秧苗位置檢測

圖10 基于Faster RCNN的水稻秧苗檢測模型的損失值曲線Fig.10 Loss curve of rice seedling detection model based on Faster RCNN

對標(biāo)注好的水稻秧苗樣本，采用在ImageNet數(shù)據(jù)集上訓(xùn)練得到的模型參數(shù)VGG16.ckpt，對基于Faster RCNN的水稻秧苗檢測模型進(jìn)行遷移學(xué)習(xí)，初始網(wǎng)絡(luò)參數(shù)設(shè)置如下：初始學(xué)習(xí)率為0.001，權(quán)值衰減系數(shù)為0.000 5，動量系數(shù)為0.9，批尺寸設(shè)置為32，最大迭代次數(shù)設(shè)置為10 000次。訓(xùn)練過程中, 對算法的各項(xiàng)指標(biāo)進(jìn)行動態(tài)記錄，隨著迭代次數(shù)的增加，損失值的變化趨勢如圖10所示。訓(xùn)練集最初的損失值在4.5左右，開始時下降速度較快，迭代4 000次后，損失值在1.0到1.5之間振蕩，之后損失值下降速度減慢，迭代6 000次后，損失值下降到1.0以下，迭代8 000次后，損失值在0.5左右振蕩，最小損失值為0.25。

對于不同的置信度閾值，精度和召回率會發(fā)生變化，選取多個閾值，可以獲得相應(yīng)的精度和召回率。繪制精度-召回率曲線如圖11所示。由圖11可以看出，當(dāng)召回率為0時，精度是1.0，當(dāng)召回率逐漸增加到0.4時，精度變化幅度很小，從1.0下降到0.85左右，當(dāng)召回率增加到0.5時，精度降低到0.8以下，根據(jù)精度-召回率曲線和坐標(biāo)軸之間的面積，可以計(jì)算出秧苗的平均精度(AP)為0.484 2。AP值較低的原因?yàn)椋阂詢A斜角度拍攝得到的原始圖像中水稻秧苗之間有重疊，人工很難標(biāo)注出完整的秧苗，標(biāo)注框之間會有重疊(密集標(biāo)注導(dǎo)致標(biāo)注框數(shù)量較多)，2棵水稻秧苗的分界對于模型來說沒有很明確；秧苗的外觀非常相似，預(yù)測出的秧苗框和標(biāo)注框的重疊性多種多樣，導(dǎo)致交并比(IOU)不高，AP值較低。雖然AP值較低，但是不影響后續(xù)秧苗中心線的識別。因?yàn)轭A(yù)測秧苗框的中心點(diǎn)反映了秧苗行的成行趨勢，如果有雜草被誤識別為秧苗，提出的基于特征點(diǎn)鄰域的Hough變換算法對孤立的中心點(diǎn)(誤識別的雜草)不敏感，具有較好的魯棒性。

圖11 基于Faster RCNN的水稻秧苗檢測模型的精度-召回率曲線Fig.11 P-R curve of rice seedling detection model based on Faster RCNN network

采用測試集評估基于Faster RCNN的水稻秧苗檢測模型的預(yù)測值和標(biāo)簽值的統(tǒng)計(jì)像素偏差，結(jié)果如表1所示。

表1 基于Faster RCNN的水稻秧苗檢測模型統(tǒng)計(jì)偏差Tab.1 Statistical deviation of rice seedling detection model based on Faster RCNN

圖12 基于Faster RCNN的水稻秧苗檢測模型的測試效果Fig.12 Test effect of rice seedling detection model based on Faster RCNN

使用訓(xùn)練好的基于Faster RCNN的水稻秧苗檢測模型對水田秧苗圖像進(jìn)行測試，測試效果如圖12所示。

2.2 秧苗行中心線提取

為了判斷秧苗行中心線的識別準(zhǔn)確性，需要人工標(biāo)注秧苗行中心線作為衡量基準(zhǔn)。人工標(biāo)注的秧苗行中心線與算法提取的秧苗行中心線之間的夾角為誤差角，該誤差角用來衡量算法提取秧苗行中心線的識別精度。本文算法參數(shù)設(shè)置如下：d=10 cm，θ∈[-45°,45°]，Δp=20。

對比本文算法和標(biāo)準(zhǔn)Hough變換對測試集中的200幅圖像的識別準(zhǔn)確率和算法平均運(yùn)行時間，識別準(zhǔn)確率的判斷標(biāo)準(zhǔn)是單個秧苗行的識別精度超過3°，即認(rèn)為秧苗行識別失敗。測試集包括晴天采集的秧苗圖像 60 幅，陰天采集的秧苗圖像50幅，高雜草密度的秧苗圖像40幅，低雜草密度的秧苗圖像50幅，本文算法和標(biāo)準(zhǔn)Hough變換的性能比較結(jié)果如表2所示。

表2 不同算法的性能比較Tab.2 Performance comparison of different algorithms

本文算法是在秧苗特征點(diǎn)鄰域的基礎(chǔ)上通過直方圖投影、種子點(diǎn)聚類操作對秧苗行在參數(shù)空間的峰值區(qū)域進(jìn)行定位，通過表2可知，該算法對測試集的200 幅秧苗行圖像的平均識別準(zhǔn)確率達(dá)到92%，比標(biāo)準(zhǔn)Hough變換算法的平均識別準(zhǔn)確率提升19個百分點(diǎn)，但算法運(yùn)行時間達(dá)0.458 s，比標(biāo)準(zhǔn)Hough變換的運(yùn)行時間高26 ms。后續(xù)需要考慮對算法進(jìn)行優(yōu)化改進(jìn)，以提高算法的檢測速度。本文算法在農(nóng)機(jī)行駛速度不超過1.5 m/s時，可以滿足每秒2幀的實(shí)時性要求。

對于測試集中不同雜草密度分布下的水稻秧苗行圖像，對比本文算法和標(biāo)準(zhǔn)Hough變換對4個不同秧苗行的中心線識別精度，對比結(jié)果如表3所示。

由表3可知，本文算法對低雜草密度的秧苗行中心線的平均識別精度為0.460 5°，對高雜草密度的秧苗行中心線的平均識別精度為0.495 3°。標(biāo)準(zhǔn)Hough變換對低雜草密度的秧苗行中心線的平均識別精度為1.389 9°，對高雜草密度的秧苗行中心線的平均識別精度為1.461 3°。

圖13從左至右分別是低雜草密度秧苗圖像、高雜草密度秧苗圖像、晴天秧苗圖像和陰天秧苗圖像。

表3 不同雜草密度分布下的秧苗行中心線識別精度對比Tab.3 Comparison of centerline recognition accuracy of seedling rows with different weed densities (°)

對于不同雜草密度分布的秧苗行圖像，圖13a為采用本文算法的秧苗行中心線識別效果。由圖13a可以看出，本算法對秧苗行中心線的識別不受雜草噪聲和光照變化的影響，具有較好的魯棒性，識別出的4個秧苗行中心線和人工標(biāo)注的中心線相比，都具有較小的角度偏差，并且對藍(lán)色區(qū)域內(nèi)的彎曲秧苗行也可以準(zhǔn)確識別，但當(dāng)秧苗行的曲率較大時，識別精度會降低。

圖13b為采用標(biāo)準(zhǔn)Hough變換的秧苗行中心線識別效果。由圖13b可以看出，標(biāo)準(zhǔn)Hough變換對于雜草密度分布不均和光照變化的情況，在一定的角度偏差范圍內(nèi)可以識別出秧苗行，其中部分秧苗行相對于人工標(biāo)注的中心線產(chǎn)生較大偏差；尤其當(dāng)秧苗行曲率較大的時候，此時秧苗特征點(diǎn)較為分散，標(biāo)準(zhǔn)Hough變換對秧苗行的檢測結(jié)果具有較大的誤差(藍(lán)色區(qū)域所示)。

圖13 不同雜草密度和光照條件下的秧苗行中心線識別效果對比Fig.13 Comparison of recognition effects of centerlines of seedling rows under different weed densities and light conditions

3 結(jié)論

(1)在雜草萌發(fā)期，建立不同光照條件、不同雜草密度和不同秧苗生長狀況的水稻秧苗行圖像數(shù)據(jù)庫，采用基于Faster RCNN的目標(biāo)檢測模型對秧苗位置進(jìn)行檢測，以獲得秧苗特征點(diǎn)。根據(jù)基于特征點(diǎn)鄰域Hough變換識別秧苗行中心線，可以有效解決秧苗行周圍背景噪聲和雜草噪聲的影響，對光照不均、秧苗行曲率較大的問題，具有較好的魯棒性。

(2)通過對測試集200 幅圖像進(jìn)行測試可知，本文算法對秧苗行中心線的平均識別準(zhǔn)確率為92%，高于標(biāo)準(zhǔn)Hough變換。

(3)采用本文算法和標(biāo)準(zhǔn)Hough變換對測試集中不同雜草密度分布下的水稻秧苗行圖像進(jìn)行了秧苗行中心線識別精度對比，結(jié)果表明，本文算法對不同雜草密度分布下的秧苗行平均識別精度小于0.5°，能夠準(zhǔn)確提取秧苗行中心線。