无人机边界识别算法

论文翻译

A CROSS-BORDER DETECTION ALGORITHM FOR AGRICULTURAL SPRAYING UAV

摘要

在农业部门，喷洒无人驾驶飞行器（UAV）的一项重要任务是在达到农田边界后立即返回。最初，他们需要手动控制，这是一项繁琐的工作。本文介绍了一种有效的图像处理算法，可根据从机载摄像头接收的图像自动检测农田边界。首先，采用基于可控滤波器的包围抑制方法来检测主要边界，然后分别使用非最大值抑制（NMS）和滞后阈值化对图像进行细化和二值化。其次，将不同抑制系数的结果融合，并修剪毛刺。然后使用种子生长方法连接断点。最后，提出了一种基于线段的改进马尔可夫随机场（MRF）模型来筛选出假边界。分类的结果取决于保留段的最大长度。实验结果和离线现场测试表明，该算法可以从复杂的农田图像中准确地检测不同类型的农场边界。该算法的平均检测精度和完整性分别为85.6％和83.6％。与其他方法相比，该算法具有高可靠性，鲁棒性和可扩展性，适用于其他应用。

**关键词：**农业喷涂无人机，跨境检测，马尔可夫随机场（MRF），可控滤波器，环绕抑制。

主体部分

由于高效率和低劳动强度，无螺旋飞行器（UAV）在农业航空作业领域的应用迅速发展，如精确播种，植被检测和农药喷洒。不仅因为无人机在农业航空运行中是有效的，而且它们也可以在地面机器无法进入的地形中做得很好。例如，在农药应用中，与传统方法相比，无人机喷洒可节省约40％的农药，减少了环境污染（Zhu和Wang，2014）。媛媛等（2013）使用10％毒死蜱杀虫剂进行无人机玉米螟预防试验，达到80.7％的最佳预防效果。雌性玉米穗的农药液滴沉积密度达到15.6滴/ cm2。薛等人。 （2016）设计了一种带有电子控制系统的无人机，用于根据GPS坐标激活喷射，允许在预编程位置进行路线规划和自由应用。 Chen等人（2016）使用了具有不同飞行参数的单转子小型无螺旋直升机，并且表明目标区域的液滴沉积随着飞行高度的增加而减少。为了节省能量并获得更好的返回路线计划，我们使用往复式操作作为主要模式（Tang，2016）。单独地，无人机以三种状态飞行，如图1中的红色圆圈所示：（i）以特定的恒定方向操作; （ii）与边界一起飞行适当的距离; （iii）在农田的角落飞出并完成整个过程。关键步骤是确定无人机在这种不规则场中的位置，并判断它们是否需要将飞行状态从一个变为另一个。因此，该区域内的跨境检测是使用图像处理将UAVspraying系统应用于农业的主要贡献。

可以看出，判断无人机是否到达农场边界是应用无人机喷洒系统的关键（Zhu和Wang，2014; West和Kimber，2015）。在原始解决方案中，人类观察者需要站在农田旁并远程控制无人机。这是对劳动力的浪费，而不是真正无法拆卸的车辆。从而，在人工干预最少的情况下，在农业航空运行中自主使用无人机是必要的。
很少有作者使用地理围栏方法作为可能的解决方案（Zimbelman等，2017）。它通常基于一个区域或地点，而不是准确确定精确的位置。也就是说，它是现实世界中的虚拟围栏，可以动态生成并可以在不影响实际的情况下进行销毁。它假设用户从墙壁移动到另一个墙壁并留在墙壁内。地理围栏涉及用户定义的位置周围的附近区域。
地理围栏的关键是定位，主要的定位技术是实时动态（RTK）和全球定位系统（GPS）。这些技术的精度可达到厘米级，非常稳定可靠。然而，这种技术中最大和众所周知的问题之一是能量摄取。例如，具有1000mAh容量的典型电池仅在6小时内耗尽（Zhuang等人，2010）。因此，他们依赖辅助设备，价格相当高。
图像中存在的信息量是巨大的，并且具有低能耗的相机便宜且便携，因此几乎在包括农业成像的每个领域中引领计算机视觉（CV）应用（Prasad等人，2017）。王等人（2015）提出了一种喷射飞机的跨界控制系统。在边界上设置的地面站捕获图像，进一步分析这些图像以进行跨境检测。但是，该方案不适用于不规则边界的农田，地面站不能像滚动农田那样设置。除此之外，这些彩色作物图像可以进一步用于植物物种（Prasad等，2017）和叶病检测（Prasad等，2016），这是不可能使用地理围栏。为此，一些边界检测算法基于Hough变换和随机算法设计。陈等人（1998）提出了一种在图像中具有蓝色信息的稻田路径检测算法。此外，霍夫变换用于检测行进方向线。 Marchant等人（1995）从作物照片中导出车辆引导信息。作物几何形状的优点在于辅助相机校准以得到可以检测平行作物行的霍夫变换。 Bakker等（2008）通过智能合并灰度图像，设计了一种基于Hough变换的行识别方法。Chateau等（1997）提出了一种基于数据融合的方法来检测农业移动机器的收获限制。它使用算法计算亮度和纹理参数，并定义它们之间的相关函数。胡等人（2007）使用基于边缘检测器的模糊If-Then-Else推理规则，其中最大熵原理应用于参数调整过程。 2007年，张等人提出了一种基于机器视觉的不同边界检测算法用于麦田。边界正是霍夫变换拟合的结果。在此之后，已经采取了许多努力来提高其准确性和适用性（Diao等，2015; Yong和Weili，2015; Yiping等，2016; Teng等人2016）。 在农业加工中，采用带比或归一化差异作为图像模型的潜在输入是一种基本方法（Latha，2014）。据信，物体可以分为绿色（植物）和非绿色（其他），过量的颜色Ex-C过滤器用于去除红色和蓝色成分，绿色作为强度值（Latha， 2014）。然而，它不适用于与植物颜色相似的田间杂草，因为它影响植物检测的准确性。2013年，朱等人提出了一种高度依赖于颜色信息的曲线边界检测方法;因此，它可能不适用于灰度或伪彩色图像。
为了实现最小的人为干预，低成本和可忽略的辅助设备要求，本文提出了一种基于机载摄像机拍摄的图像的自动边界检测算法。上述方法的常见问题是检测到的边界限于斜率或颜色分量，但是所提出的算法可以检测具有任何形状和强度的边界。它高效，低计算，具有更高的可靠性和更广泛的适用性。

材料和方法

。。。。。