基于無人機(jī)遙感影像的育種玉米壟數(shù)統(tǒng)計(jì)監(jiān)測(cè)

蘇 偉，蔣坤萍，閆 安，劉 哲，張明政，王 偉

（1. 中國農(nóng)業(yè)大學(xué)土地科學(xué)與技術(shù)學(xué)院，北京 100083；2. 山東省滕州市田崗學(xué)校，滕州 277519）

0 引 言

優(yōu)良的玉米品種具有高產(chǎn)、抗倒伏、抗病蟲害等優(yōu)點(diǎn)，玉米育種工作對(duì)于農(nóng)業(yè)生產(chǎn)具有重要意義[1]。育種地塊的壟數(shù)作為玉米育種的重要參數(shù)之一，可以輔助獲取玉米育種基地內(nèi)不同品種的種植面積、研究種植格局及其不同種植格局下光的利用率、光合有效輻射等情況。但是，目前獲取壟數(shù)的方法多為人工調(diào)查，費(fèi)時(shí)、費(fèi)力且很容易出錯(cuò)，限制了大面積地塊玉米壟數(shù)的獲取。無人機(jī)平臺(tái)在快速獲取區(qū)域范圍內(nèi)農(nóng)作物表型信息方面具有優(yōu)勢(shì)，且機(jī)動(dòng)靈活、適合復(fù)雜農(nóng)田環(huán)境、作業(yè)效率高、成本低，逐漸成為高通量獲取農(nóng)作物表型信息的重要手段，初步應(yīng)用于小麥倒伏面積、冠層葉面積指數(shù)提取等工作中[2-4]。

目前，國內(nèi)外對(duì)育種玉米壟數(shù)提取的研究報(bào)道不多見，類似的報(bào)道多見于農(nóng)業(yè)機(jī)械視覺導(dǎo)航定位對(duì)農(nóng)作物單壟的直線提取。姜國權(quán)等[5]基于尺寸為640×480像素的圖像，利用基于機(jī)器視覺和隨機(jī)方法的策略提取了小麥、玉米、大豆的種植行信息；袁佐云等[6]提出了基于投影法和穩(wěn)健回歸法對(duì)位置點(diǎn)進(jìn)行線性擬合提取作物行；馬紅霞等[7]、呂萌[8]、趙瑞嬌等[9]、孫雪琪等[10]使用Hough變換提取單條作物行；孟慶寬等[11]基于線性相關(guān)系數(shù)約束的作物行中心檢測(cè)方法提取玉米種植行的中心線；Jiang等[12]提出基于多數(shù)ROI（Region Of Interest）統(tǒng)計(jì)特征檢測(cè)作物行線；Vidovi?等[13]、S?gaard 等[14]、Choi等[15]、Torii[16]基于機(jī)器學(xué)習(xí)的方法提取農(nóng)作物行；姜國權(quán)等[17]利用圖像灰度變換和Otsu自動(dòng)閾值化的方法檢測(cè)玉米的種植行；刁智華等[18]利用形態(tài)學(xué)細(xì)化和偽分支剔除相結(jié)合的方法提取玉米作物行；孟慶寬等[19]利用粒子群方法提取玉米種植行從而用于農(nóng)機(jī)導(dǎo)航路徑的識(shí)別；韓永華等[20]利用小波變換及 Otsu分割方法提取青菜地的種植行；王曉杰[21]、董勝等[22]利用Hough變換方法檢測(cè)作物種植行。以上方法都能提取農(nóng)作物行，但目前多數(shù)研究對(duì)象是單條作物行或單張相片視野內(nèi)的幾條作物行的問題，尚未在較大面積的壟數(shù)提取上運(yùn)用與檢驗(yàn)。鑒于此，本研究基于無人機(jī)超低空遙感技術(shù)獲取的高分辨率遙感影像，尋求一種適合提取大面積范圍內(nèi)玉米壟數(shù)的算法，即嘗試通過影像灰度化處理、投影法和Hough變換提取研究區(qū)內(nèi)育種基地多地塊的玉米壟數(shù)。

1 數(shù)據(jù)來源和處理方法

1.1 無人機(jī)遙感影像獲取

無人機(jī)超低空遙感試驗(yàn)于2016年1月6日在金色農(nóng)華種業(yè)科技股份有限公司崖城育種基地進(jìn)行，該基地位于海南省三亞市崖州區(qū)西部，中心位置為 109°11′05″N,18°25′17″E，總面積約 15 hm2，種植了各生育期的玉米。崖州區(qū)屬熱帶海洋性季風(fēng)氣候，年平均氣溫25 ℃以上。

飛行試驗(yàn)使用固定翼瑞士eBee Ag精細(xì)農(nóng)業(yè)用無人機(jī)，搭載Canon S110 RGB相機(jī)（包括紅、綠、藍(lán)3個(gè)波段，分辨率為1200萬像素，質(zhì)量為198 g），開展無人機(jī)育種玉米種植信息獲取試驗(yàn)。試驗(yàn)當(dāng)天天氣狀況良好，晴朗無風(fēng)。eBee Ag無人機(jī)帶有地面?zhèn)鞲衅髟O(shè)備和機(jī)載人工智能設(shè)備，可自動(dòng)獲取高精度的無人機(jī)POS信息（拍照瞬間的位置參數(shù)、姿態(tài)參數(shù)）。無人機(jī)飛行時(shí)天氣晴朗無云，飛行高度為70 m，飛行速度為6 m/s，旁向重疊為70 %，航向重疊為70%，飛行時(shí)間為12:00左右。飛行覆蓋區(qū)域?yàn)檎麄€(gè)崖城育種基地，共采集高清數(shù)碼照片 212張、一個(gè)POS文件txt格式。經(jīng)后處理軟件Pix4Dmapper拼接，獲得崖城育種基地的正射影像圖(*.tif)、數(shù)字表面模型圖(*.tif)和三維點(diǎn)云數(shù)據(jù)(*.txt)。通過一個(gè)架次的飛行獲取了金色農(nóng)華海南崖城育種基地包括苗期、拔節(jié)期、成熟期的3個(gè)育種地塊的UAV影像，3個(gè)地塊的無人機(jī)影像及其局部放大圖如圖 1所示，拔節(jié)期玉米地塊面積約20 000 m2，種植株距為0.3 m、行距為0.6 m，南北走向，自北向南分為擴(kuò)繁、測(cè)配和品比制種 3個(gè)功能區(qū)，是育種基地功能區(qū)最多的一個(gè)地塊。拔節(jié)期的玉米植株較大，但葉片未完全覆蓋地面，植株尚未封壟，不同玉米種植行之間的玉米葉片只有少數(shù)發(fā)生交叉；苗期的玉米較小，相鄰壟之間葉片互不交叉，影像上具有明顯的裸土特征；成熟期的玉米已經(jīng)完全封壟，不同玉米種植行之間的玉米葉子存在嚴(yán)重的交叉，影像上是明顯的植被特征。

圖1 玉米育種基地?zé)o人機(jī)影像及其局部放大圖Fig.1 UAV image and partial enlargement of corn breeding trial

1.2 壟數(shù)提取方法

Hough變換是一種有效的直線檢測(cè)方法[23]，對(duì)隨機(jī)噪聲和部分遮蓋不敏感[24-31]。因?yàn)镠ough變換算法具有很大的盲目性，且需要的存儲(chǔ)空間和計(jì)算量都較大[25]，本研究采用基于一點(diǎn)的改進(jìn)Hough變換方法從無人機(jī)影像中檢測(cè)育種玉米的種植壟數(shù)。首先，計(jì)算無人機(jī)影像的超綠特征(2G-R-B)，并進(jìn)行二值化優(yōu)化處理；然后，對(duì)開運(yùn)算處理后的二值影像進(jìn)行分割投影，在左邊界和右邊界的判斷基礎(chǔ)上，提取玉米壟的中心點(diǎn)；最后，對(duì)中心點(diǎn)影像進(jìn)行Hough變換，根據(jù)Hough影像峰值點(diǎn)的數(shù)量計(jì)算所分析地塊的壟數(shù)。具體壟數(shù)提取流程如圖 2所示。

圖2 育種玉米種植壟數(shù)提取流程圖Fig.2 Flowchart for extracting the line number for breeding corn

1.2.1 超綠特征提取與壟線候選點(diǎn)檢測(cè)

1）超綠特征提取

對(duì)比分析無人機(jī)影像上土壤和玉米冠層在紅、綠、藍(lán)可見光波段的反射特性可知：玉米冠層對(duì)綠波段具有較高的反射率，對(duì)紅波段和藍(lán)波段有較低的反射率；而土壤背景在紅波段、綠波段和藍(lán)波段的反射率依次降低，且三波段間反射率的差異并不大。無人機(jī)影像特征空間上玉米冠層和土壤的光譜反射特點(diǎn)是：玉米冠層具有較高的G值，高于玉米冠層的R值和B值；土壤背景的R值、G值和B值依次減小且相差不大。因此，采用超綠特征(2G-R-B)方法[7]進(jìn)行特征提取，以更好的區(qū)分玉米冠層和土壤背景。常見的超綠特征因子計(jì)算方法有2G-R-B、2g-r-b及1.262g +0.884r +0.311b，其中r、g、b分別為歸一化后的R、G、B值。王曉杰[21]研究表明，利用2G-R-B計(jì)算的超綠特征因子對(duì)植被與土壤的分割效果要優(yōu)于其他2種，本文對(duì)3種特征的計(jì)算結(jié)果結(jié)論與之相同，因此，采用2G-R-B計(jì)算的超綠特征因子，如下

由于玉米葉片生長(zhǎng)方向的隨機(jī)性，二值化后的影像壟間通常有細(xì)長(zhǎng)的突刺甚至連接，對(duì)壟數(shù)的提取存在一定的干擾性。圖像形態(tài)學(xué)的開運(yùn)算（先腐蝕運(yùn)算，后膨脹運(yùn)算）可以把比結(jié)構(gòu)元素小的突刺濾掉，切斷細(xì)長(zhǎng)搭連而起到分離作用，同時(shí)保證不產(chǎn)生全局的幾何失真[32]。因此，研究過程中使用二值形態(tài)學(xué)開運(yùn)算進(jìn)行腐蝕與膨脹處理，以消除壟間的突刺或者連接。2）壟線候選點(diǎn)檢測(cè)

為準(zhǔn)確提取壟線在 Hough變換前檢測(cè)壟線的候選點(diǎn)，候選點(diǎn)檢測(cè)方法的原理見參考文獻(xiàn)[33]中對(duì)于定位點(diǎn)的檢測(cè)方法。該研究中使用 1×n的窗口對(duì)超綠特征影像從上到下、從左到右逐像素掃描并計(jì)算區(qū)域內(nèi)的目標(biāo)像素?cái)?shù)，n的選擇由影像空間分辨率和目標(biāo)對(duì)象的大小而定。為選取最優(yōu)掃描窗口，本研究選擇了苗期、拔節(jié)期、成熟期的3個(gè)地塊的育種玉米UAV影像，根據(jù)壟距分別使用1×15、1×25、1×50的窗口搜索并檢測(cè)用于壟數(shù)提取的候選點(diǎn)。此處，候選點(diǎn)是可能有直線出現(xiàn)的位置。

1.2.2 影像分割投影法

玉米的播種規(guī)律一般是條播方式沿直線種植，各壟線之間相互平行、壟間距基本相等，玉米的壟播在無人機(jī)影像上呈有規(guī)律的綠色條帶分布。基于玉米壟的這些結(jié)構(gòu)特點(diǎn)，為提高Hough變換速度，沿壟線方向?qū)τN地塊影像進(jìn)行等間距分割，得到若干個(gè)影像分割條帶用于后續(xù)的 Hough變換及壟數(shù)提取。本研究中所涉及的 3個(gè)地塊的玉米種植株距都為0.3 m、行距為0.6 m，無人機(jī)影像空間分辨率為 0.06 m，為提高影像處理速度，采用5～10個(gè)像素行（列）作為分割間距。對(duì)每個(gè)影像條進(jìn)行投影得到投影直方圖曲線，曲線上的峰值點(diǎn)對(duì)應(yīng)的列坐標(biāo)（行坐標(biāo)）為壟線中心點(diǎn)的位置，即每一壟的中點(diǎn)位置。

設(shè)原始影像的大小為w列、h行，因壟線方向與正北方向夾角較小，則分割后的影像條大小為w列、h行，g(i,j)為無人機(jī)影像上點(diǎn)(i, j)的像素值，s(j)為影像條第 j列進(jìn)行投影后得到的像素值之和，m為影像條所有像素的均值。

式中i =1, 2, …, h，j =1, 2, …, w。根據(jù)影像條中投影值s(j)的直方圖曲線及影像條均值m可以確定玉米壟線的邊界，繼而找到壟線中心點(diǎn)并進(jìn)行標(biāo)記。判斷規(guī)則為：當(dāng)投影值 s(j-1)＜m＜s(j+1)時(shí)，s(j)標(biāo)記為壟的左邊界；當(dāng)投影值 s(j-1)＞m＞s(j+1)時(shí)，s(j)標(biāo)記為壟的右邊界；左、右邊界的中點(diǎn)則是該影像條中壟線的中心點(diǎn)。

1.2.3 Hough變換原理

Hough變換是根據(jù)影像空間和Hough參數(shù)空間的對(duì)偶性原理，將影像中每個(gè)特征點(diǎn)映射到參數(shù)空間累加陣列的多個(gè)累加器中，通過統(tǒng)計(jì)各個(gè)累加器的計(jì)數(shù)檢測(cè)出極值，從而確定是否存在直線并獲得直線參數(shù)[6,25,32]。為避免Hough變換的盲目性，基于前文提取的候選點(diǎn)進(jìn)行累加器的判斷和計(jì)算，基于Hough變換的點(diǎn)-正弦曲線的對(duì)偶性，將壟候選點(diǎn)影像由影像空間變換到極坐標(biāo)參數(shù)空間，使用式(3)將點(diǎn)(x, y)變換到極坐標(biāo)下的正弦曲線(ρ, θ)。設(shè)置一個(gè)大小為(ρ, θ)的累加器A，記錄每個(gè)點(diǎn)(x, y)變換后所有θ取值對(duì)應(yīng)的ρ值出現(xiàn)的次數(shù)。

式中ρ為原點(diǎn)到直線的垂直距離，θ為ρ與x軸的夾角。

1）設(shè)置累加器數(shù)組A (ρ, θ)初始值均為0，其中θ的取值范圍是[0 °,180°]，步長(zhǎng)為1°，ρ 的取值范圍是[0,N]，N為3個(gè)地塊對(duì)角上的像素個(gè)數(shù)；

2）將影像中像素值為1的點(diǎn)坐標(biāo)帶入公式(3)，遍歷所有的θ取值，計(jì)算每個(gè)θ取值對(duì)應(yīng)的ρ值；

3）每計(jì)算一個(gè)θ取值對(duì)應(yīng)的ρ值，累加器A中坐標(biāo)為(ρ, θ)的值加 1；

4）遍歷 3個(gè)地塊的中心點(diǎn)影像，累加器中較大值對(duì)應(yīng)的(ρ, θ)即影像空間中的直線在極坐標(biāo)參數(shù)空間中的變換。

2 結(jié)果與分析

2.1 超綠特征影像灰度化結(jié)果

本研究中利用無人機(jī)影像的超綠特征分離玉米冠層和背景土壤，超綠特征提取結(jié)果與灰度化處理結(jié)果如圖3所示。整個(gè)研究區(qū)的超綠特征像素值在[0, 154]內(nèi)變化，此時(shí)尚無法判斷所分析像素是玉米冠層還是背景土壤。將超綠灰度影像的均值作為閾值，進(jìn)行影像二值化處理，得到如圖3b所示的拔節(jié)期地塊的超綠特征影像的二值化結(jié)果。玉米處在拔節(jié)期，尚未封壟但不同行之間的葉片存在少數(shù)交叉的情況，從圖3d可以明顯看出二值化后的影像存在相鄰兩壟連接的問題，這是由于玉米葉片生長(zhǎng)方向的不確定引起的，壟間存在葉片的相互交叉現(xiàn)象所致。使用 5×1的窗口作為結(jié)構(gòu)元素，對(duì)二值影像進(jìn)行形態(tài)學(xué)開運(yùn)算（先腐蝕運(yùn)算，后膨脹運(yùn)算），運(yùn)算的結(jié)果如圖3e所示，圖3d、3e為其局部放大圖，可以看出：經(jīng)過影像的開運(yùn)算處理后，部分壟線邊界突刺問題被消除并斷開相鄰兩壟線間的細(xì)小連接，有效去除影像噪音，提高提取精度。

圖3 拔節(jié)期地塊無人機(jī)影像超綠特征計(jì)算、二值化及開啟運(yùn)算結(jié)果Fig.3 Super-green feature, thresholding results, and opening results of jointing stage corn

2.2 玉米壟中心點(diǎn)提取結(jié)果

以拔節(jié)期地塊為例論述使用分割投影法提取條狀壟線中心點(diǎn)的步驟：拔節(jié)期地塊的影像大小為10 097行×6 591列，綜合考慮影像處理速度和中心點(diǎn)提取精度，采用5個(gè)像素行作為分割間距，從而得到5行×6 591列的影像分割條（如圖 4a）。使用式（2）計(jì)算每個(gè)像素條列坐標(biāo)上的投影值，投影直方圖曲線如圖4b所示，計(jì)算像素條所有像素的均值。

二值化影像圖4a中白色像素值為1，是玉米冠層像素；黑色像素值為0，是背景土壤像素；圖4b是圖4a對(duì)應(yīng)位置上的投影值，可以看出：玉米冠層像素的投影值高于背景土壤像素的投影值，且種植越密集值越大。此外，從圖4b可以看出：玉米冠層像素的投影值s(j)明顯高于兩端的背景土壤像素的投影值，且每條壟線對(duì)應(yīng)一個(gè)峰值，峰值點(diǎn)的縱坐標(biāo)j是該條壟線的中心點(diǎn)對(duì)應(yīng)的縱坐標(biāo)。

對(duì)每個(gè)影像條，以均值m作為閾值判斷每個(gè)峰值點(diǎn)的列坐標(biāo)。遍歷每個(gè)影像條的s(j)數(shù)組，比較與均值m的大小關(guān)系，左右邊界的中點(diǎn)值認(rèn)為是該影像條中峰值的列坐標(biāo)，即壟線的中心點(diǎn)列坐標(biāo)，中心點(diǎn)橫坐標(biāo)記為該影像條中間像素行的行號(hào)。遍歷每個(gè)影像分割條，得到研究區(qū)拔節(jié)期地塊的壟線中心點(diǎn)影像，圖 5為其局部圖結(jié)果。圖5a為影像開運(yùn)算結(jié)果的局部放大圖，圖5b為該區(qū)域?qū)?yīng)的壟中心點(diǎn)提取結(jié)果，可以看出：所有的壟中心線都被檢測(cè)出，但是目前的壟中心點(diǎn)連線后的中心線為曲線，尚不具備理想的玉米壟的直線特征。

圖4 影像分割條及其投影值直方圖Fig.4 One strip of UAV image and its histogram

圖5 投影法提取的玉米壟中心點(diǎn)Fig.5 Extracted lines of corn plants using projection method

2.3 壟線中心點(diǎn)影像Hough變換及峰值點(diǎn)提取結(jié)果

研究區(qū)拔節(jié)期地塊的 Hough變換結(jié)果圖如圖 6a所示，影像中點(diǎn)越黑表示在該點(diǎn)交匯的正弦曲線越多，即對(duì)應(yīng)的影像空間在該參數(shù)處存在直線的可能性越大。研究區(qū)內(nèi)玉米的沿直線條播方式確定了每條壟線有相同的斜率，對(duì)偶變換到極坐標(biāo)下有相同的 θ參數(shù)，表現(xiàn)在Hough影像上為每條壟線變換后點(diǎn)坐標(biāo)有相同的 θ列坐標(biāo)。根據(jù)這一特性，取 Hough影像中像素值最大點(diǎn)的 θ列坐標(biāo)，認(rèn)為是各壟線在變換域的角度參數(shù)θ。根據(jù)無人機(jī)影像的分辨率和玉米壟距的大小，確定以 θ列坐標(biāo)為中心截取左右各25個(gè)像素的Hough影像條，使用改進(jìn)的投影法提取影像條的峰值點(diǎn)，該峰值點(diǎn)的個(gè)數(shù)即為壟線的條數(shù)。

為了達(dá)到精確提取壟線條數(shù)，對(duì)分割投影法進(jìn)行改進(jìn)。Hough影像條的兩端存在很長(zhǎng)的 0值區(qū)域，從而拉低了整個(gè)影像條的均值，如果繼續(xù)以此均值作閾值將產(chǎn)生極大的誤差。根據(jù)Hough影像條的直方圖曲線峰值極高的特點(diǎn)，選擇影像條中非 0像素值的均值作為閾值進(jìn)行判斷峰點(diǎn)的邊界，從而保證所有峰值點(diǎn)坐標(biāo)的正確提取，圖6b為研究區(qū)拔節(jié)期地塊無人機(jī)影像的Hough峰值點(diǎn)提取結(jié)果，圖6c為其局部放大圖。根據(jù)提取的峰值點(diǎn)的坐標(biāo)參數(shù)(ρ, θ)，經(jīng)Hough逆變換在影像空間中繪出求得的玉米壟所在的直線。表1為3個(gè)生育期的育種玉米地塊的壟數(shù)提取結(jié)果，用于試驗(yàn)的苗期玉米壟數(shù)為43壟，使用1×15、1×25、1×50的窗口檢測(cè)候選點(diǎn)后通過Hough變換分別提取了42、45、58壟，提取精度分別為97.67%、95.35%、88.37%；用于試驗(yàn)的拔節(jié)期玉米壟數(shù)為74壟，使用前面3個(gè)尺寸的窗口檢測(cè)候選點(diǎn)后通過Hough變換分別提取的壟數(shù)為 74、74、105壟，提取精度分別為100.00%、100.00%、58.11%；用于試驗(yàn)的玉米壟數(shù)為44壟，使用前面 3個(gè)尺寸的窗口檢測(cè)候選點(diǎn)后通過 Hough變換分別提取的壟數(shù)分別為46、40、49壟，提取精度分別為95.45%、90.91%、88.64%。上述試驗(yàn)表明：利用1×15窗口的提取精度最高，原因是該尺寸與壟距接近。

上述研究結(jié)果表明：利用該研究所提出的基于影像分割投影法和Hough變換可以正確提取不同生育期的玉

米壟數(shù)，其中以拔節(jié)期的玉米壟數(shù)提取精度最高，此時(shí)的玉米植株在UAV影像上可以識(shí)別且又尚未封壟，只有少數(shù)葉片存在交叉情況，是提取種植壟數(shù)的最佳時(shí)相；就候選點(diǎn)檢測(cè)來講，與玉米種植的壟間間隔相近的窗口尺寸是壟數(shù)監(jiān)測(cè)的最佳尺寸。對(duì)于成熟期玉米植株，已經(jīng)完全封壟，相鄰壟之間的玉米葉片相互交叉，所以壟數(shù)提取的誤差較大。

圖6 變換域影像、Hough變換峰值點(diǎn)及局部放大圖Fig.6 Image in transform domain, peak points of Hough transform and its zoomed picture

表1 不同窗口下基于UAV影像的壟數(shù)提取統(tǒng)計(jì)結(jié)果Table 1 Statistical result of extracted corn plants lines using UAV images at different candidate detection windows

3 結(jié) 論

本文針對(duì)玉米育種中需要快速提取區(qū)域范圍內(nèi)育種玉米種植壟數(shù)的需求，基于無人機(jī)影像，通過提取影像的超綠特征、影像的分割投影Hough變換，成功提取了育種玉米地塊的種植壟數(shù)，為玉米育種提供一種有用的表型參數(shù)。

1）在無人機(jī)影像的 RGB彩色空間中，超綠特征(2G-R-B)可以有效區(qū)分綠色植被與背景土壤信息，這是基于無人機(jī)影像的農(nóng)作物表型信息提取的一項(xiàng)必要工作，也可作為農(nóng)作物分類的一種專家知識(shí)。

2）利用基于壟數(shù)提取候選點(diǎn)的Hough變換方法，可以準(zhǔn)確地從無人機(jī)影像中提取玉米種植的壟數(shù)，且以拔節(jié)期為最佳提取時(shí)間，本研究基于74壟處于拔節(jié)期的無人機(jī)影像，使用1×15窗口檢測(cè)候選點(diǎn)后通過Hough變換可以正確提取出74壟玉米，提取精度為100%。該方法簡(jiǎn)單、易于實(shí)現(xiàn)，能夠有效提取條狀壟線的中心點(diǎn)。

該研究的優(yōu)勢(shì)在于充分利用UAV影像上玉米種植壟的高空間分辨率超綠特征，利用基于候選點(diǎn)的Hough變換方法對(duì)玉米壟幾何特征的表達(dá)，較為成功地提取了處于 3個(gè)不同生育期的玉米地塊的壟數(shù)信息，為玉米育種種植信息的提取、大田玉米的農(nóng)事活動(dòng)（如施肥、噴藥等）提供可靠數(shù)據(jù)，也可以作為基于遙感影像的線狀地物（如道路、河流等）骨架線提取的方法。不足之處在于該方法適用于拔節(jié)期玉米植株（提取精度 100%），苗期的玉米植株太?。ㄌ崛【?7.67%）、成熟期的玉米植株（提取精度為95.45%）存在葉片相互交叉的情況，在基于候選點(diǎn)的Hough變換時(shí)各個(gè)方向上累加器的計(jì)數(shù)沒有太大差異，因而檢測(cè)出的極值不穩(wěn)定，導(dǎo)致難以檢測(cè)出正確的玉米壟數(shù)。將來的研究工作中將會(huì)針對(duì)苗期玉米植株和成熟期玉米植株情況進(jìn)行深入研究，以減少壟數(shù)提取的各種限制條件。

致謝：感謝金色農(nóng)華種業(yè)科技股份有限公司提供海南三亞崖城育種基地作為無人機(jī)超低空遙感監(jiān)測(cè)的試驗(yàn)基地。

[1] 蘇偉，吳代英，武洪峰，等. 基于最大熵模型的玉米冠層LAI升尺度方法[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2016, 34(7): 165－172.Su Wei, Wu Daiying, Wu Hongfeng, et al. Upscaling method for corn canopy LAI using MaxEnt model[J]. Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE), 2016, 32(7): 165－172. (in Chinese with English abstract)

[2] 楊貴軍，李長(zhǎng)春，于海洋，等. 農(nóng)用無人機(jī)多傳感器遙感輔助小麥育種信息獲取[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2015, 31(21):184－190.Yang Guijun, Li Changchun, Yu Haiyang, et al. UAV based multi-load remote sensing technologies for wheat breeding information acquirement[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(21): 184－190. (in Chinese with English abstract)

[3] 劉建剛，趙春江，楊貴軍，等. 無人機(jī)遙感解析田間作物表型信息研究進(jìn)展[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2016, 32(24): 98－106.Liu Jiangang, Zhao Chunjiang, Yang Guijun, et al. Review of field-based phenotyping by unmanned aerial vehicle remote sensing platform[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016,32(24): 98－106. (in Chinese with English abstract)

[4] Yang G, Liu J, Zhao C, et al. Unmanned aerial vehicle remote sensing for field-based crop phenotyping: current status and perspectives [J]. Frontiers in Plant Science, 2017, 8:1－26.

[5] 姜國權(quán)，柯杏，杜尚豐，等. 基于機(jī)器視覺和隨機(jī)方法的作物行提取算法[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2008, 39(11): 85－88.Jiang Guoquan, Ke Xing, Du Shangfeng, et al. Detection algorithm of crop rows based on machine vision and randomized method [J]. Transactions of the Chinese Society for Agricultural Machinery, 2008, 39(11): 85－88. (in Chinese with English abstract)

[6] 袁佐云，毛志懷，魏青. 基于計(jì)算機(jī)視覺的作物行定位技術(shù)[J]. 中國農(nóng)業(yè)大學(xué)學(xué)報(bào), 2005, 10(3): 69－72.Yuan Zuoyun, Mao Zhihuai, Wei Qing. Orientation technique of crop rows based on computer vision [J]. Journal of China Agricultural University, 2005, 10(3): 69－72. (in Chinese with English abstract)

[7] 馬紅霞，馬明建，馬娜，等. 基于Hough變換的農(nóng)業(yè)機(jī)械視覺導(dǎo)航基準(zhǔn)線識(shí)別[J]. 農(nóng)機(jī)化研究, 2013(4): 37－39.Ma Hongxia, Ma Mingjian, Ma Na, et al. Baseline recognition based on Hough transform in the vision navigation of agricultural vehicles [J]. Journal of Agricultural Mechanization Research, 2013(4): 37－39. (in Chinese with English abstract)

[8] 呂萌. 基于 Hough變換的平行直線檢測(cè)改進(jìn)算法研究[J].微型機(jī)與應(yīng)用, 2010, 29(17): 27－29.Lv Meng. Research of the improved parallel line detection algorithm based on Hough transform [J]. Image Processing and Multimedia Technology, 2010, 29(17): 27－29. (in Chinese with English abstract)

[9] 趙瑞嬌，李民贊，張漫，等. 基于改進(jìn)Hough變換的農(nóng)田作物行快速檢測(cè)算法[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2009, 40(7): 163－165.Zhao Ruijiao, Li Minzan, Zhang Man, et al. Rapid crop-row detection based on improved Hough transformation [J].Transactions of the Chinese Society for Agricultural Machinery, 2009, 40(7): 163－165. (in Chinese with English abstract)

[10] 孫雪琪，宋小春. 一種新的改進(jìn)的Hough變換直線提取算法[J]. 計(jì)算機(jī)與數(shù)字工程, 2015(8): 1501－1503.Sun Xueqi, Song Xiaochun. A new improved Hough transform algorithm for line extraction[J]. Computer &Digital Engineering, 2015(8): 1501－1503. (in Chinese with English abstract)

[11] 孟慶寬，劉剛，張漫，等. 基于線性相關(guān)系數(shù)約束的作物行中心線檢測(cè)方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2013(增刊1): 216－223.Meng Qingkuan, Liu Gang, Zhang Man, et al. Crop rows detection based on constraint of liner correlation coefficient[J]. Transactions of the Chinese Society for Agricultural Machinery, 2013(Supp.1): 216－223. (in Chinese with English abstract)

[12] Jiang G, Wang Z, Liu H. Automatic detection of crop rows based on multi-ROIs [J]. Expert Systems with Applications,2015, 42(5): 2429－2441.

[13] Vidovi? I, Scitovski R. Center-based clustering for line detection and application to crop rows detection [J].Computers & Electronics in Agriculture, 2014, 109: 212－220.

[14] S?gaard H T, Olsen H J. Determination of crop rows by image analysis without segmentation [J]. Computers &Electronics in Agriculture, 2003, 38(2): 141－158.

[15] Choi K H, Han S K, Park K H, et al. Morphology-based guidance line extraction for an autonomous weeding robot in paddy fields[J]. Computers & Electronics in Agriculture,2015, 113: 266－274.

[16] Torii T. Research in autonomous agriculture vehicles in Japan[J]. Computers & Electronics in Agriculture, 2000,25(1): 133－153.

[17] 姜國權(quán)，王志衡，趙翠君. 基于已知點(diǎn)的作物行檢測(cè)方法[J]. 應(yīng)用基礎(chǔ)與工程科學(xué)學(xué)報(bào), 2013, 21(5): 983－990.Jiang Guoquan, Wang Zhiheng, Zhao Cuijun. An algorithm of detecting crop rows based on known-points [J]. Journal of Basic Science and Engineering, 2013, 21(5): 983－990. (in Chinese with English abstract)

[18] 刁智華，吳貝貝，魏玉泉，等. 一種快速剔除偽分枝的作物行骨架提取算法[J]. 農(nóng)機(jī)化研究, 2016(9): 17－22.Diao Zhihua, Wu Beibei, Wei Yuquan, et al. A crop row skeleton extraction algorithm based on morphological thinning and pseudo branch elimination [J]. Journal of Agricultural Mechanization Research, 2016(9): 17－22. (in Chinese with English abstract)

[19] 孟慶寬，張漫，楊耿煌，等. 自然光照下基于粒子群算法的農(nóng)業(yè)機(jī)械導(dǎo)航路徑識(shí)別[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2016, 47(6):11－20.Meng Qingkuan, Zhang Man, Yang Genghuang, et al.Guidance line recognition of agricultural machinery based on particle swarm optimization under natural illumination [J].Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(6): 11－20. (in Chinese with English abstract)

[20] 韓永華，汪亞明，孫麒，等. 基于小波變換及Otsu分割的農(nóng)田作物行提取[J]. 電子與信息學(xué)報(bào), 2016, 38(1): 63－70.Han Yonghua, Wang Yaming, Sun Qi, et al. Crop row detection based on wavelet transformation and Otsu segmentation algorithm [J]. Journal of Electronics &Information Technology, 2016, 38(1): 63－70. (in Chinese with English abstract)

[21] 王曉杰. 基于機(jī)器視覺的農(nóng)田作物行檢測(cè)方法研究[D].焦作: 河南理工大學(xué), 2016.Wang Xiaojie. Study on Crop Rows Detection with Machine Vision [D]. Jiaozuo: Henan Polytechnic University, 2016. (in Chinese with English abstract)

[22] 董勝，袁朝輝，谷超，等. 基于多學(xué)科技術(shù)融合的智能農(nóng)機(jī)控制平臺(tái)研究綜述[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2017, 33(8): 1－11.Dong Sheng, Yuan Zhaohui, Gu Chao, et al. Research on intelligent agricultural machinery control platform based on multi-discipline technology integration [J]. Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE), 2017, 33(8): 1－11. (in Chinese with English abstract)

[23] Hough V P C. Method and means for recognizing complex patterns: US3069654[P]. 1962-12-18.

[24] 陳兵旗. 實(shí)用數(shù)字圖像處理與分析（第二版）[M]. 北京：中國農(nóng)業(yè)大學(xué)出版社，2014.

[25] 趙穎，陳兵旗，王書茂. 基于機(jī)器視覺的耕作機(jī)器人行走目標(biāo)直線檢測(cè)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2006， 37(4)：81－86.Zhao Ying, Chen Bingqi, Wang Shumao. Fast detection of furrows based on machine vision on autonomous mobile robot[J]. Transactions of the Chinese Society for Agricultural Machinery, 2006, 37(4): 81－86. (in Chinese with English abstract)

[26] Zhang Lei, Wang Shumao, Chen Bingqi, et al. Crop-edge detection based on machine vision[J]. New Zealand Journal of Agricultural Research, 2007, 50(5): 1367－1374.

[27] 饒洪輝，姬長(zhǎng)英. 基于標(biāo)記信息的 Hough 變換檢測(cè)早期的作物行中心線[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2007，23(3)：146－150.Rao Honghui, Ji Changying. Crop-row detection using Hough transform based on connected component labeling[J].Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2007, 23(3): 146－150. (in Chinese with English abstract)

[28] 王曉燕，陳媛，陳兵旗，等. 免耕覆蓋地秸稈行茬導(dǎo)航路徑的圖像檢測(cè)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2009, 40(6): 158－163.Wang Xiaoyan, Chen Yuan, Chen Bingqi, et al. Detection of stubble row and inter-row line for computer vision guidance in no-till field [J]. Transactions of the Chinese Society for Agricultural Machinery, 2009, 40(6): 158－163. (in Chinese with English abstract)

[29] 趙曉霞，張鐵中，陳兵旗，等. 自然環(huán)境下桃子圖像分割算法[J]. 農(nóng)機(jī)化研究, 2009, 31(2): 107－111.Zhao Xiaoxia, Zhang Tiezhong, Chen Bingqi, et al. Study on the segmentation algorithm for peach in natural scene[J].Journal of Agricultural Mechanization Research, 2009, 31(2):107－111. (in Chinese with English abstract)

[30] 陳媛，王曉燕，陳兵旗，等. 玉米根茬圖像的分割方法[J].農(nóng)機(jī)化研究, 2009, 31(2): 17－19.Chen Yuan, Wang Xiaoyan, Chen Bingqi, et al.Segmentation of maize stubble image[J]. Journal of Agricultural Mechanization Research, 2009, 31(2): 17－19.(in Chinese with English abstract)

[31] 梁習(xí)卉子，陳兵旗，姜秋慧，等. 基于圖像處理的玉米收割機(jī)導(dǎo)航路線檢測(cè)方法[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2016, 32(22):43－49.Liangxi Huizi, Chen Bingqi, Jiang Qiuhui, et al. Detection method of navigation route of corn harvester based on image processing [J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016,32(22): 43－49. (in Chinese with English abstract)

[32] 章毓晉. 圖像工程（中冊(cè)）圖像處理[M].北京: 清華大學(xué)出版社. 2012.

[33] 張紅霞, 張鐵中, 陳兵旗. 基于模式識(shí)別的農(nóng)田目標(biāo)定位線檢測(cè)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2008, 39(2):107－111.Zhang Hongxia Zhang Tiezhong, Chen Bingqi. Detection algorithm for orientation lines based on pattern recognition[J].Transactions of the Chinese Society for Agricultural Machinery, 2008, 39(2): 107－111. (in Chinese with English abstract)