
-
生物通官微
陪你抓住生命科技
跳动的脉搏
面向视觉农业导航系统的RGB田野图像稳健透明作物行检测
《Precision Agriculture》:Robust and transparent crop-row detection from RGB field imagery for vision-based agricultural guidance systems
【字体: 大 中 小 】 时间:2026年10月23日 来源:Precision Agriculture 7.6
编辑推荐:
摘要目的从田间影像中鲁棒地检测作物行,是农业导引系统和在多变田间条件下运行的机器人系统的一项重要感知能力。然而,许多现有方法依赖于强几何假设、特定作物配置或大规模标注数据集。方法本研究提出了一种透明的确定性图像处理框架,用于在RGB图像中自动检测作物行。该方法逐步提取植被结构
从田间影像中鲁棒地检测作物行,是农业导引系统和在多变田间条件下运行的机器人系统的一项重要感知能力。然而,许多现有方法依赖于强几何假设、特定作物配置或大规模标注数据集。
本研究提出了一种透明的确定性图像处理框架,用于在RGB图像中自动检测作物行。该方法逐步提取植被结构,分析其空间组织,重建方向间隙,并通过基于质心的引导、骨架化、多项式建模、线连接和延伸来推导作物行几何信息。该框架不需要关于行数、行距、种植几何、相机校准或作物身份的先前知识。
实验使用覆盖多种作物和田间条件的1373张人工标注图像进行。在包含150张图像的公共留出测试集上,所提方法在行数平均绝对误差(2.3行)、横向平均绝对误差(8.9像素)和均方根误差(10.4像素)方面均达到最低点估计值,并且在所评估方法中取得了最高的精确率(95.3%)、召回率(93.7%)和F1分数(94.3%)。配对统计分析表明,这些差异并非在所有参考方法和指标中均得到一致支持。逐步消融分析进一步支持了终端结构精化阶段的贡献。
所提框架提供了一种透明的、弱先验的作物行重建方法,无需针对特定作物的训练。其在评估场景中的稳定表现支持进一步将其作为农业导引系统的感知组件进行研究,但仍需进行独立的外部验证和操作性验证。