Detección de filas de cultivo en los períodos medio y tardío de maíz bajo cobertura basada en LiDAR de estado sólido
Autores: Zhang, Shaolin; Ma, Qianglong; Cheng, Shangkun; An, Dong; Yang, Zhenling; Ma, Biao; Yang, Yang
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
2022
Detección de filas de cultivo en los períodos medio y tardío de maíz bajo cobertura basada en LiDAR de estado sólido
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Ciencias Agrícolas y Biológicas Generales
Palabras clave
Detección de hileras de cultivo
LiDAR
Algoritmos de visión artificial
Extracción de puntos característicos
Detección de la línea central de las hileras de cultivo
Navegación autónoma
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 34
Citaciones: Sin citaciones
Como el eslabón básico de la navegación autónoma en agricultura, la detección de hileras de cultivos es vital para lograr una detección precisa de las hileras de cultivos para la navegación autónoma. Los algoritmos de visión artificial se ven fácilmente afectados por factores como los cambios en la iluminación del campo y las condiciones meteorológicas, y la mayoría de los algoritmos de visión artificial detectan los primeros periodos de los cultivos, pero es desafiante detectar las hileras de cultivos bajo una alta presión de sombreado en los periodos intermedios y tardíos. En este documento, se propone un algoritmo de detección de hileras de cultivos basado en LiDAR que está dirigido a los periodos intermedios y tardíos de los cultivos, lo cual tiene un buen efecto en comparación con el algoritmo convencional de visión artificial. El algoritmo propuso los siguientes tres pasos: preprocesamiento de la nube de puntos, extracción de puntos característicos y detección de la línea central de la hilera de cultivos. En primer lugar, dividiendo las tiras horizontales de manera igual, se utiliza el algoritmo K-means mejorado y la información previa de la tira horizontal anterior para obtener los puntos candidatos de la tira horizontal actual, luego la información de los puntos candidatos se utiliza para filtrar y extraer los puntos característicos de acuerdo con el umbral correspondiente, y finalmente, se utiliza el método de mínimos cuadrados para ajustar las líneas centrales de las hileras de cultivos. Los resultados experimentales muestran que el algoritmo puede detectar las líneas centrales de las hileras de cultivos en los periodos intermedios y tardíos de maíz bajo un entorno de alto sombreado. En el periodo intermedio, la tasa promedio de extracción correcta de las líneas centrales de las hileras de maíz fue del 95.1%, y el tiempo promedio de procesamiento fue de 0.181 s; en el periodo tardío, la tasa promedio de extracción correcta de las líneas centrales de las hileras de maíz fue del 87.3%, y el tiempo promedio de procesamiento fue de 0.195 s. Al mismo tiempo, también demuestra la precisión y superioridad del algoritmo sobre el algoritmo de visión artificial, lo que puede proporcionar una base sólida para la navegación autónoma en agricultura.
Descripción
Como el eslabón básico de la navegación autónoma en agricultura, la detección de hileras de cultivos es vital para lograr una detección precisa de las hileras de cultivos para la navegación autónoma. Los algoritmos de visión artificial se ven fácilmente afectados por factores como los cambios en la iluminación del campo y las condiciones meteorológicas, y la mayoría de los algoritmos de visión artificial detectan los primeros periodos de los cultivos, pero es desafiante detectar las hileras de cultivos bajo una alta presión de sombreado en los periodos intermedios y tardíos. En este documento, se propone un algoritmo de detección de hileras de cultivos basado en LiDAR que está dirigido a los periodos intermedios y tardíos de los cultivos, lo cual tiene un buen efecto en comparación con el algoritmo convencional de visión artificial. El algoritmo propuso los siguientes tres pasos: preprocesamiento de la nube de puntos, extracción de puntos característicos y detección de la línea central de la hilera de cultivos. En primer lugar, dividiendo las tiras horizontales de manera igual, se utiliza el algoritmo K-means mejorado y la información previa de la tira horizontal anterior para obtener los puntos candidatos de la tira horizontal actual, luego la información de los puntos candidatos se utiliza para filtrar y extraer los puntos característicos de acuerdo con el umbral correspondiente, y finalmente, se utiliza el método de mínimos cuadrados para ajustar las líneas centrales de las hileras de cultivos. Los resultados experimentales muestran que el algoritmo puede detectar las líneas centrales de las hileras de cultivos en los periodos intermedios y tardíos de maíz bajo un entorno de alto sombreado. En el periodo intermedio, la tasa promedio de extracción correcta de las líneas centrales de las hileras de maíz fue del 95.1%, y el tiempo promedio de procesamiento fue de 0.181 s; en el periodo tardío, la tasa promedio de extracción correcta de las líneas centrales de las hileras de maíz fue del 87.3%, y el tiempo promedio de procesamiento fue de 0.195 s. Al mismo tiempo, también demuestra la precisión y superioridad del algoritmo sobre el algoritmo de visión artificial, lo que puede proporcionar una base sólida para la navegación autónoma en agricultura.