基于無人機(jī)遙感影像的多生育期冬小麥種植行檢測方法

楊蜀秦 林豐山 徐鵬輝 王鵬飛 王 帥 寧紀(jì)鋒

(1.西北農(nóng)林科技大學(xué)機(jī)械與電子工程學(xué)院，陜西楊凌 712100；2.農(nóng)業(yè)農(nóng)村部農(nóng)業(yè)物聯(lián)網(wǎng)重點(diǎn)實(shí)驗(yàn)室，陜西楊凌 712100；3.西北農(nóng)林科技大學(xué)信息工程學(xué)院，陜西楊凌 712100；4.陜西省農(nóng)業(yè)信息感知與智能服務(wù)重點(diǎn)實(shí)驗(yàn)室，陜西楊凌 712100)

0 引言

大田環(huán)境下小麥采用成行種植以增加光暴露、提供換氣通道，方便進(jìn)行除草和施肥作業(yè)[1-2]。種植行方向的識別和準(zhǔn)確定位不僅是農(nóng)機(jī)視覺導(dǎo)航的基礎(chǔ)[3-4]，而且對于作物種植情況分析、精準(zhǔn)施藥、中耕除草和優(yōu)化農(nóng)田管理等工作都有重要意義[5-11]。

無人機(jī)遙感具備靈活機(jī)動(dòng)、時(shí)效性強(qiáng)和分辨率高等優(yōu)勢，已被廣泛用于小麥長勢監(jiān)測[12]、產(chǎn)量估算[13]和倒伏面積提取[14]等農(nóng)情信息分析。許多研究者基于無人機(jī)遙感影像采用超綠特征和霍夫變換等傳統(tǒng)圖像處理方法開展了種植行提取研究，并已在小麥種植行和玉米壟估計(jì)中取得了較好的效果。如王曉杰[15]采用超綠特征、基于移動(dòng)窗的特征點(diǎn)提取以及霍夫變換、聚類等方法提取小麥、大豆等作物種植行；蘇偉等[16]應(yīng)用霍夫變換提取育種玉米壟數(shù)，精度可達(dá)90%以上；RAMESH等[17]采用k均值算法、數(shù)學(xué)形態(tài)學(xué)和幾何運(yùn)算的空間方法檢測番茄行；BASSO等[18]采用超綠特征提取、閾值分割和霍夫變換等檢測玉米種植行。但是這些方法僅適用于作物行完整的田間條件下，當(dāng)面臨種植行稀疏、雜草干擾和封壟等情況時(shí)，傳統(tǒng)的種植區(qū)域提取和種植行檢測方法效果較差。

近年來，利用深度學(xué)習(xí)有效的特征表示和端到端的學(xué)習(xí)能力[19]，將其應(yīng)用于作物種植行檢測的工作逐漸增多。PANG等[20]基于Masking Scoring R-CNN模型檢測玉米種植行區(qū)域，在不考慮地形條件時(shí)，準(zhǔn)確度較高；BAH等[21]提出一種基于CNN的霍夫變換組成的CRowNet方法，檢測甜菜地種植行。然而，文獻(xiàn)[20]提出的方法僅提取種植行區(qū)域，并未考慮種植行中心線的檢測。而且，文獻(xiàn)[20-21]均未考慮在作物拔節(jié)期時(shí)趨于封壟的種植行提取。

本文結(jié)合深度學(xué)習(xí)和傳統(tǒng)方法，分別利用其小麥種植行區(qū)域檢測精度高和種植行中心線檢測計(jì)算復(fù)雜度低的優(yōu)勢，研究多生育生長條件下的小麥種植行中心線提取問題。根據(jù)種植行整體性先驗(yàn)信息，構(gòu)建SegNet[22]深度語義分割模型，提取小麥種植行區(qū)域；基于霍夫變換對種植行中心線預(yù)檢測的結(jié)果，提出采用二分k均值聚類方法去除偽直線，優(yōu)化種植行中心線檢測效果，以期實(shí)現(xiàn)復(fù)雜環(huán)境下小麥種植行提取。

1 數(shù)據(jù)采集與處理

1.1 實(shí)驗(yàn)區(qū)域和設(shè)備

實(shí)驗(yàn)地點(diǎn)位于陜西省關(guān)中平原中部的楊凌農(nóng)業(yè)高新技術(shù)產(chǎn)業(yè)示范區(qū)曹新莊小麥育種試驗(yàn)田，中心坐標(biāo)(34°18′23.23″N，108°05′57.54″E)，屬于溫帶半干旱或半濕潤氣候，年平均氣溫11～13℃，年降水量500～700 mm。如圖1a所示，小麥種植區(qū)域長約175 m，寬約98 m，面積約17 150 m2。該區(qū)域所種植冬小麥于2020年10月中旬播種，2021年6月中旬收獲。

圖1 實(shí)驗(yàn)區(qū)域和拍攝設(shè)備

圖像采集設(shè)備為大疆精靈4型多光譜版無人機(jī)，如圖1b所示。該設(shè)備搭載1個(gè)可見光相機(jī)及5個(gè)多光譜相機(jī)。由于可見光傳感器具有更高的分辨率，因此本研究采用可見光圖像進(jìn)行小麥種植行提取。

1.2 數(shù)據(jù)采集和分析

采用無人機(jī)采集分蘗期和拔節(jié)期2個(gè)階段的冬小麥農(nóng)田遙感影像，飛行具體參數(shù)如表1所示。每幅遙感圖像分辨率約為4 000像素×15 000像素，通過Pix4Dmapper軟件拼接。為方便處理，將拼接后的全景圖像分割成分辨率為256像素×256像素的若干子圖，在子圖上檢測小麥種植行，并進(jìn)行評價(jià)。

表1 小麥農(nóng)田無人機(jī)影像參數(shù)

圖2列出了冬小麥分蘗期和拔節(jié)期不同情況下的種植行區(qū)域。其中，圖2a、2d包括了清晰完整的小麥種植行，圖2b中存在雜草脅迫情況，圖2c、2e為種植行稀疏或不完整，而圖2f中種植行趨于封壟。可以看出，這些復(fù)雜因素對小麥種植行中心線的提取造成了一定的困難。

圖2 分蘗期和拔節(jié)期小麥無人機(jī)遙感圖像

1.3 數(shù)據(jù)集制作

采用開源軟件LabelMe對拼接后的無人機(jī)遙感影像進(jìn)行手工標(biāo)注，標(biāo)注時(shí)將作物種植條形區(qū)域中有“僅存綠色作物”、“僅存裸土”和“種植行存在斷行”這3種情況，同歸為“種植行”類，并將標(biāo)注后的圖像裁剪為256像素×256像素的子圖作為網(wǎng)絡(luò)輸入，如圖3所示。

圖3 冬小麥無人機(jī)遙感圖像的數(shù)據(jù)標(biāo)注

2個(gè)時(shí)期小麥遙感影像中均包含11塊相互獨(dú)立的小麥種植區(qū)域，從分蘗期和拔節(jié)期的圖像中各選取1塊區(qū)域作為測試集，然后按照比例9∶1劃分18塊區(qū)域作為訓(xùn)練集，2塊區(qū)域作為驗(yàn)證集，將訓(xùn)練集、驗(yàn)證集和測試集按照分辨率256像素×256像素進(jìn)行分割，得到共2 165幅訓(xùn)練集圖像以及241幅驗(yàn)證集圖像，測試集包含75幅分蘗期圖像和147幅拔節(jié)期圖像。最后通過添加噪聲、旋轉(zhuǎn)以及亮度和飽和度變化等數(shù)據(jù)增強(qiáng)方式將最終的訓(xùn)練集擴(kuò)充至10 000幅圖像，以提高模型魯棒性。

2 檢測方法

本文從種植行區(qū)域提取和行中心線確定兩方面考慮小麥種植行檢測，其中，小麥種植行區(qū)域的魯棒提取是行中心線確定的關(guān)鍵。由圖2可以看出，小麥種植行具有明顯的紋理特征，這一特征可借助深度語義分割模型進(jìn)行識別和優(yōu)化；其次，對于具有一定寬度的小麥種植行，直接采用霍夫變換難以得到準(zhǔn)確的中心線，因此提出采用二分k均值聚類優(yōu)化霍夫變換的直線檢測結(jié)果。

2.1 基于深度語義分割的小麥種植行區(qū)域提取

像素級分類是語義分割領(lǐng)域里一個(gè)研究熱點(diǎn)。其中，SegNet作為一種代表性的語義分割方法，主要由編碼器、解碼器和逐像素分類器組成，具有對稱簡潔的Encoder-Decoder結(jié)構(gòu)。如圖4所示，SegNet網(wǎng)絡(luò)結(jié)構(gòu)的左半部分是編碼網(wǎng)絡(luò)，由經(jīng)過預(yù)訓(xùn)練的VGG16的前13層作為特征提取層，并通過丟棄全連接層在保留高分辨率特征映射的同時(shí)，有效減少參數(shù)量。解碼器與編碼器對應(yīng)，同樣具有13層，將低分辨率的特征圖映射為與輸入相同的分辨率，并送入分類器為每個(gè)像素獨(dú)立地產(chǎn)生類別概率。

圖4 基于SegNet的小麥種植行區(qū)域提取網(wǎng)絡(luò)模型

編碼器由5個(gè)block組成，每個(gè)block進(jìn)行卷積、批標(biāo)準(zhǔn)化和ReLU激活操作，并通過最大池化的方法實(shí)現(xiàn)下采樣。針對下采樣會(huì)降低特征圖分辨率，從而損失邊界信息這一不利于語義分割的問題，SegNet在解碼器部分使用相應(yīng)編碼器的最大池化步驟中計(jì)算的池化索引進(jìn)行非線性上采樣，逐步恢復(fù)特征信息，改善邊界描述。因此SegNet核心在于解碼器，通過釋放編碼器中存儲(chǔ)的位置信息得到較為完整的邊緣，在語義分割領(lǐng)域中得以廣泛使用。

2.2 基于二分k均值聚類的小麥種植行中心直線檢測

基于深度語義分割模型提取小麥種植行區(qū)域后，需進(jìn)一步確定小麥種植行的中心直線。針對每個(gè)小麥種植行區(qū)域，采用霍夫變換直線檢測，從參數(shù)空間中可得到多組候選點(diǎn)，從中確定最優(yōu)的可表示種植行區(qū)域主方向的點(diǎn)。在農(nóng)作物種植行提取任務(wù)中多采用k均值聚類確定數(shù)據(jù)點(diǎn)的質(zhì)心，從而得到最接近種植行區(qū)域中心的直線。然而，該方法容易陷入局部最優(yōu)解而造成錯(cuò)檢和漏檢。為此，本文提出采用二分k均值聚類檢測小麥種植行中心的方法。

二分k均值聚類算法改進(jìn)自k均值聚類，它將整個(gè)數(shù)據(jù)集看成一個(gè)整體，求其平均值作為初始質(zhì)心。首先，對數(shù)量僅為1個(gè)的初始質(zhì)心進(jìn)行二均值聚類并產(chǎn)生2個(gè)新的質(zhì)心，接著對每個(gè)質(zhì)心所代表的類計(jì)算其誤差平方和，選擇使得總誤差平方和最大的類再次進(jìn)行二均值聚類。依此類推，直到產(chǎn)生的質(zhì)心數(shù)等于給定的聚類質(zhì)心個(gè)數(shù)，即圖像中包含的種植行條數(shù)。該方法能夠避免算法陷入局部最優(yōu)解，魯棒性強(qiáng)，因此本文將霍夫變換算法中每組表示直線的極坐標(biāo)參數(shù)作為聚類算法的樣本數(shù)據(jù)，應(yīng)用二分k均值聚類，得出代表每條種植行的聚類質(zhì)心，從而消除種植行中存在的冗余直線。

在提取種植行區(qū)域后，對語義分割預(yù)測圖像的像素進(jìn)行垂直方向的投影，種植行區(qū)域所在列即為峰值，峰值點(diǎn)的個(gè)數(shù)即為每幅子圖中所包含的種植行條數(shù)，并將其作為后續(xù)進(jìn)行聚類過程所需提取的聚類質(zhì)心的個(gè)數(shù)，因此本文所用方法可自適應(yīng)地獲取聚類質(zhì)心個(gè)數(shù)k。但這同時(shí)導(dǎo)致了后續(xù)處理依賴于種植行區(qū)域提取的效果，前一步處理若能夠達(dá)到較精確程度，那么后續(xù)經(jīng)過聚類后的結(jié)果即可避免出現(xiàn)直線錯(cuò)漏的情況。

2.3 實(shí)驗(yàn)方案

首先比較DeepLabv3+[23]、Segformer[24]和SegNet 3種深度學(xué)習(xí)模型與傳統(tǒng)特征提取方法在小麥種植區(qū)域提取的結(jié)果，選取最優(yōu)模型進(jìn)行小麥圖像預(yù)處理。其次，基于提取的小麥種植行區(qū)域，采用霍夫直線檢測以及提出的二分k均值聚類方法檢測種植行中心線，驗(yàn)證所提出方法的有效性。

2.3.1深度學(xué)習(xí)小麥種植行區(qū)域提取模型構(gòu)建和精度評價(jià)

SegNet、Segformer與DeepLabv3+模型采用經(jīng)過裁剪和數(shù)據(jù)增強(qiáng)后的256像素×256像素圖像作為輸入，預(yù)測時(shí)采用相同尺寸的圖像進(jìn)行種植行區(qū)域提取。

實(shí)驗(yàn)用的顯卡為GeForce RTX 2080Ti，顯存為10 GB，操作系統(tǒng)為 Ubuntu 16.04。特別地，SegNet模型深度學(xué)習(xí)框架采用Pytorch 1.2.0，編程語言及版本為Python 3.6.10，迭代次數(shù)為30 000次，批尺寸為6，學(xué)習(xí)率為1×10-4，動(dòng)量參數(shù)為0.9。Segformer模型深度學(xué)習(xí)框架采用Pytorch 1.7.1，編程語言及版本為Python 3.7.0，迭代次數(shù)為160 000次，批大小為6, 采用Poly策略動(dòng)態(tài)調(diào)整學(xué)習(xí)率。DeepLabv3+模型深度學(xué)習(xí)框架采用Tensorflow 1.14，編程語言及版本為Python 3.6.5。迭代次數(shù)為30 000次，批大小為6，初始學(xué)習(xí)率為0.05，結(jié)束學(xué)習(xí)率為6×10-6，權(quán)重衰減以及動(dòng)量參數(shù)分別為0.000 8和0.9。

采用平均像素精度(Mean pixel accuracy, MPA)[25]衡量語義分割算法精度，通過分別計(jì)算每個(gè)類被正確分類像素?cái)?shù)的比例，最后累加求平均的方式獲得。

2.3.2小麥種植行中心線精度評價(jià)

在種植行直線檢測階段，采用提出的作物行檢測算法分別處理小麥分蘗期和拔節(jié)期的遙感圖像，檢測所得的作物行中心直線為預(yù)測直線，標(biāo)注結(jié)果中作物行區(qū)域的中心直線作為真實(shí)直線，測量預(yù)測直線與真實(shí)直線相對水平方向角，定義2條直線的最大夾角為作物行的角度偏差，當(dāng)預(yù)測直線角度相對真實(shí)直線角度為順時(shí)針方向偏移時(shí)，偏差角為正值，反之則為負(fù)值。當(dāng)預(yù)測直線相對真實(shí)直線發(fā)生水平方向平移時(shí)，定義平移距離為作物行的位置偏差，向右偏移時(shí)位置偏差為正值，反之則為負(fù)值，最后計(jì)算位置、角度偏差的標(biāo)準(zhǔn)差。角度偏差和位置偏差計(jì)算式為

(1)

(2)

式中θmean——平均角度偏差

n——圖像中種植行數(shù)量

θi——第i條種植行對應(yīng)的種植直線角度偏差

ρmean——平均位置偏差

ρi——第i條種植行對應(yīng)的種植直線位置偏差

3 結(jié)果與討論

3.1 實(shí)驗(yàn)結(jié)果

3.1.1基于超綠特征方法和深度語義分割的小麥種植行區(qū)域提取比較

基于超綠特征的傳統(tǒng)方法和2種深度語義分割模型對小麥種植區(qū)域提取的結(jié)果如表2所示。可以看出，在分孽期和拔節(jié)期，基于超綠特征的傳統(tǒng)方法在檢測速度上有優(yōu)勢，但在小麥種植區(qū)域提取精度上卻遠(yuǎn)低于深度語義分割方法，顯然這一指標(biāo)在檢測問題中更為看重，其中，SegNet提取的小麥種植區(qū)域精度最高。在分孽期和拔節(jié)期，SegNet比DeepLabv3+分別提高3.8、0.5個(gè)百分點(diǎn)，檢測速度快28 f/s；在種植行區(qū)域提取任務(wù)上，Segformer-B0相較于SegNet精度相近，然而檢測速度慢15 f/s。因此，綜合考慮精度和推理速度，本實(shí)驗(yàn)采用SegNet方法提取小麥種植區(qū)域。

圖5為采用傳統(tǒng)方法和SegNet語義分割模型進(jìn)行小麥種植行區(qū)域提取的結(jié)果對比。在圖5a中，分蘗期小麥種植行稀疏，傳統(tǒng)方法的檢測結(jié)果如圖5b所示，由于是基于超綠特征檢測，僅能分割出綠色作物，因此小麥種植行區(qū)域出現(xiàn)嚴(yán)重缺失，而在圖5c中，深度語義分割方法得到完整的種植行，提取效果較傳統(tǒng)方法具有明顯的優(yōu)勢；在圖5d中，拔節(jié)期小麥種植行出現(xiàn)封壟，由于跨行連接處亮度較暗，因此造成傳統(tǒng)提取方法在連接處分割效果較差(圖5e)，而圖5f則顯示基于SegNet的方法仍能保持較好的分割效果，體現(xiàn)了深度語義分割的魯棒性。

圖5 基于超綠特征的方法與深度語義分割方法提取小麥種植區(qū)域比較

3.1.2基于二分k均值聚類的小麥種植行中心直線確定結(jié)果

表3對比了本文提出的二分k均值聚類和k均值聚類確定種植區(qū)域中心線的結(jié)果，表中Sl和Sd分別表示位置偏差和角度偏差的標(biāo)準(zhǔn)差。可以看出，2種方法對基于SegNet語義分割提取的小麥種植區(qū)域均能較好地檢測行中心線。與k均值聚類中心線檢測相比，二分k均值聚類方法直線檢測的漏、誤檢條數(shù)最低，說明后者具有魯棒性強(qiáng)、不易陷入局部最優(yōu)解的優(yōu)點(diǎn)。綜上所述，采用本文方法進(jìn)行小麥種植行直線的檢測，分蘗期和拔節(jié)期小麥種植行直線平均位置偏差的絕對值分別為0.55、0.11 cm；平均角度偏差的絕對值分別為0.001 1、0.000 37 rad，標(biāo)準(zhǔn)差低，檢測精度高。

表3 小麥分蘗期和拔節(jié)期種植區(qū)域中心線檢測結(jié)果比較

圖6為雜草脅迫下2種中心線檢測方法的結(jié)果比較。圖6a和圖6c中的數(shù)據(jù)點(diǎn)顯示了檢測到的直線參數(shù)，其中橫坐標(biāo)為位置ρ，縱坐標(biāo)為角度θ，相同顏色的點(diǎn)屬于同一種植行，“+”號表示算法直線檢測的結(jié)果。可以看出，在圖6a中，k均值聚類方法檢測結(jié)果出現(xiàn)了偏差，“+”表示的聚類質(zhì)心陷入了局部最優(yōu)解，不能準(zhǔn)確反映每類數(shù)據(jù)點(diǎn)的中心，其結(jié)果如圖6b所示，出現(xiàn)了明顯的漏檢和誤檢。本文所采用的二分k均值聚類對中心線的檢測結(jié)果如圖6c所示，“+”表示的聚類質(zhì)心基本處于每一類數(shù)據(jù)點(diǎn)的中心，從圖6d可以看出，每個(gè)作物行均得到了準(zhǔn)確的檢測結(jié)果。

圖6 二分k均值和傳統(tǒng)的k均值聚類小麥種植行中心線檢測比較

3.1.3多生育期冬小麥遙感圖像種植行檢測結(jié)果

采用本文所述冬小麥大田種植行檢測算法對測試集中75幅分蘗期圖像及147幅拔節(jié)期圖像進(jìn)行連續(xù)處理，并組合回原圖尺寸。處理結(jié)果如圖7所示，中心線在大圖中基本能夠保持連續(xù)，然而拼接處的部分中心線仍存在1～3像素的錯(cuò)位，對應(yīng)實(shí)際地面尺寸則存在1～5 cm的誤差。

圖7 冬小麥大田種植行檢測結(jié)果

3.2 討論

3.2.1基于深度語義分割的多種小麥種植行表型提取分析

表4為SegNet網(wǎng)絡(luò)模型在幾種復(fù)雜小麥種植行表型條件下的分割精度，其中，“稀疏”和“雜草脅迫”多出現(xiàn)于分蘗期，而“斷行”與“封壟”多出現(xiàn)于拔節(jié)期。實(shí)驗(yàn)表明，在稀疏、雜草脅迫和封壟條件下，SegNet的MPA可達(dá)93%以上，而對斷行現(xiàn)象的處理略差，但MPA也達(dá)到87.1%。

表4 復(fù)雜情況下深度語義分割模型提取的小麥種植區(qū)域MPA

3.2.2復(fù)雜條件下小麥種植行中心線確定分析

圖8為拔節(jié)期作物行出現(xiàn)斷行時(shí)，SegNet和超綠特征檢測的種植區(qū)域?qū)罄m(xù)種植行中心線確定的影響。如圖8a方法流程預(yù)處理圖像所示，基于超綠特征的種植區(qū)域難以提取完整的種植行，因此霍夫變換出現(xiàn)了漏檢的情況。而由于SegNet模型強(qiáng)大的特征學(xué)習(xí)能力，即使出現(xiàn)斷行，也仍被認(rèn)為是與其他種植行相同的類，最終能夠完整分割并得到正確的行中心線檢測結(jié)果，如圖8b方法流程中的聚類結(jié)果所示。

圖8 拔節(jié)期作物行斷行條件下兩種方法處理結(jié)果對比

針對分蘗期中小麥行出現(xiàn)過于稀疏的現(xiàn)象，圖9對比了傳統(tǒng)圖像處理方法及本文所提出的方法處理過程及結(jié)果?？梢?，與斷行類似，稀疏條件下小麥特征點(diǎn)分布零散，導(dǎo)致直線檢測算法無法成功檢測中心直線，造成漏檢；而SegNet模型預(yù)測圖對每條稀疏作物行區(qū)域較為敏感，在稀疏條件下作物行仍保持分割完整。

圖9 分蘗期小麥圖像稀疏條件下兩種方法處理結(jié)果對比

圖10表示在麥田趨于封壟時(shí)，作物行間小麥特征點(diǎn)分布密集，超綠特征的分割結(jié)果對直線檢測算法造成較大干擾，從此產(chǎn)生誤檢并出現(xiàn)很大偏差(圖10b)，而語義分割仍能保持較強(qiáng)的魯棒性，作物行獨(dú)立并仍能完好地分割(圖10c)。

圖10 拔節(jié)期小麥圖像封壟條件下兩種方法處理結(jié)果對比

圖11為傳統(tǒng)圖像處理方法和本文所提算法在一定雜草脅迫下分蘗期小麥圖像的種植行檢測提取過程，顯然，傳統(tǒng)圖像處理方法以及本文所提方法都能一定程度上避免雜草噪聲的影響，最終處理結(jié)果趨于一致。

圖11 分蘗期小麥圖像雜草脅迫條件下兩種方法處理結(jié)果對比

綜上所述，種植行直線檢測效果取決于預(yù)處理結(jié)果。在傳統(tǒng)圖像處理方法中，對于小麥圖像預(yù)處理不可避免地需要根據(jù)圖像特征和研究者的個(gè)人經(jīng)驗(yàn)應(yīng)用多種閾值參數(shù)以達(dá)到去除雜草、避免光照或陰影等自然因素的影響，而在本文提出的方法中，引入深度學(xué)習(xí)方法替代預(yù)處理過程，僅需訓(xùn)練出合適的模型即可對麥田圖像進(jìn)行批量分割處理，并能對作物行區(qū)域達(dá)到很好的分割效果，后續(xù)即可應(yīng)用多種直線檢測算法提取農(nóng)田作物種植行，大大提高了檢測過程的魯棒性。

4 結(jié)論

(1)針對多時(shí)相小麥圖像種植行中心線檢測，提出基于深度語義分割和霍夫變換的小麥種植行檢測方法。在小麥種植區(qū)域提取中，深度學(xué)習(xí)方法具有像素級分類和可克服光照影響的優(yōu)點(diǎn)，檢測性能顯著優(yōu)于基于超綠特征的傳統(tǒng)方法；在小麥種植區(qū)域中心線檢測方面，針對基于霍夫變換的k均值聚類方法容易陷入局部最優(yōu)解而造成錯(cuò)檢和漏檢，提出采用二分k均值聚類方法對檢測結(jié)果進(jìn)行改進(jìn)，顯著提升檢測精度。

(2)小麥種植區(qū)域的準(zhǔn)確提取是中心線檢測的關(guān)鍵。實(shí)驗(yàn)結(jié)果表明，SegNet語義分割方法對于稀疏、雜草脅迫、斷行和封壟等復(fù)雜條件下的種植區(qū)域分割MPA達(dá)93%以上，斷行條件下仍達(dá)到87.1%。結(jié)合提出的二分k均值聚類方法，對分蘗期和拔節(jié)期小麥種植行直線平均位置偏差的絕對值分別為0.55、0.11 cm，平均角度偏差的絕對值分別為0.001 1、0.000 37 rad，標(biāo)準(zhǔn)差低，檢測精度高。