自适应导航线方向预测方法、装置、存储介质及农机与流程

1.本发明涉及环境感知技术领域，尤其涉及一种自适应导航线方向预测方法、装置、存储介质及农机。


背景技术：

2.随着科学技术的不断突破，农业生产向着智能化和精准化的方向发展。农业精准智能化可以使作业成本大幅减少，作业效率提高，而作为精准农业的一个重要分支，农业机械的自动导航在作物播种、喷药、施肥以及收割作业等众多方面有着十分广泛的应用，其中利用机器视觉以及深度学习技术来实现农业机械自动导航在近年来逐渐成为导航技术发展的趋势之一，而导航线方向的预测是实现自动导航技术的基础。导航线方向预测的核心是作物行的检测。目前通过视觉方式进行作物行检测一般分为传统图像处理以及深度学习两种方式。
3.传统图像处理一般通过对作物行的颜色、纹理以及三维等特征进行检测，检测效果良好。由于传统图像处理方式是通过作物行的外观特征对作物行进行检测，需要根据特定的作业环境进行合适的阈值调整来实现较好的检测效果，而实际的农田环境复杂，作物行受所处拍摄位置、光照、状态、天气等多因素影响，不同场景下的同一作物行的特征变化较大，只使用传统图像处理方式难以适应不同场景下的检测工作，鲁棒性较差。
4.深度学习方式检测作物行需要对作物行的特征提前进行标注，利用大量的、不同环境下的标注数据对深度学习检测模型进行训练，得到适合多场景的作物行检测模型，相较于传统图像算法具有较好的泛化能力，但依赖于大量的数据基础，若标注的数据量不足，则会导致模型检测精度不足，出现错检漏检现象，影响模型的检测效果。
5.传统的基于视觉的导航线方向预测一般是先通过确定roi感兴趣区域，将roi区域内包含的作物行图像进行透视变换，得到转换后竖直方向的作物行信息，再利用转换后的作物行计算导航的行进方向，由于存在人为设置的roi区域，会导致roi区域外的特征无法被检测算法使用，若roi区域内信息不完整，会丧失部分作物行的关键特征，从而影响预测算法的计算结果。


技术实现要素：

6.本发明所要解决的技术问题是针对现有技术存在的问题，提供一种自适应导航线方向预测方法、装置、存储介质及农机。
7.为解决上述技术问题，本发明实施例提供一种自适应导航线方向预测方法，包括：利用图像分割检测模型对作物行图像进行图像分割，分割出作物行图像中的作物行；对分割后的作物行图像进行二值化和开操作处理，通过自适应中心判断点算法确定作物行导航线的中心点集；对作物行导航线的中心点集进行随机采样算法拟合，获得导航线方向预测曲线；
8.其中，图像分割检测模型训练过程如下：获取原始作物行图像，对原始作物行图像
进行作物行的标注，得到图像分割检测模型所需的训练数据集；通过超绿算法将训练数据集中的原始作物行图像处理为只包括作物行的单通道图像；将单通道图像与原始作物行图像进行张量拼接，形成四通道图像；利用四通道图像对深度学习检测网络进行训练并达到预设检测精度，获得图像分割检测模型。
9.为解决上述技术问题，本发明还提供一种自适应导航线方向预测装置，包括：图像分割模块、中心点集确定模块和导航线方向预测模块；图像分割模块用于利用图像分割检测模型对作物行图像进行图像分割，分割出作物行图像中的作物行；中心点集确定模块用于对分割后的作物行图像进行二值化和开操作处理，通过自适应中心判断点算法确定作物行导航线的中心点集；曲线拟合模块用于对作物行导航线的中心点集进行随机采样算法拟合，获得导航线方向预测曲线；
10.其中，图像分割检测模型训练过程如下：获取原始作物行图像，对原始作物行图像进行作物行的标注，得到图像分割检测模型所需的训练数据集；通过超绿算法将训练数据集中的原始作物行图像处理为只包括作物行的单通道图像；将单通道图像与原始作物行图像进行张量拼接，形成四通道图像；利用四通道图像对深度学习检测网络进行训练并达到预设检测精度，获得图像分割检测模型。
11.为解决上述技术问题，本发明还提供一种计算机可读存储介质，包括指令，当指令在计算机上运行时，使计算机执行上述技术方案提供的自适应导航线方向预测方法。
12.为解决上述技术问题，本发明还提供一种自适应导航线方向预测装置，包括存储器、处理器及存储在存储器上的并可在处理器上运行的计算机程序，处理器执行程序时实现上述方案提供的自适应导航线方向预测方法。
13.为解决上述技术问题，本发明还提供一种农机，包括图像采集装置和上述技术方案提供的自适应导航线方向预测装置，图像采集装置将采集的作物行图像发送至自适应导航线方向预测装置。
14.本发明的有益效果是：将传统图像处理方法的超绿算法与深度学习方法相结合，在数据量有限的情况下增加检测模型的鲁棒性以及模型的检测精度；相较于其他导航线的预测方法，本发明完全舍弃了传统检测算法透视变换以及感兴趣区域roi的设立，提升导航线预测的精准度，使得预测方式更加标准化、自动化，抛开了人为设置区域的限制，减少人为误差的干扰。
15.本发明附加的方面及其优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明实践了解到。
附图说明
16.图1为本发明实施例提供的自适应导航线方向预测方法流程图；
17.图2为本发明实施例提供的图像分割检测模型训练及导航线方向预测流程图；
18.图3为本发明实施例提供的超绿算法、同步归一化及局部噪声滤除流程图；
19.图4为本发明实施例提供的图像分割检测流程图；
20.图5为本发明实施例提供的作物行图像的原图；
21.图6为本发明实施例提供的作物行图像分割检测结果图；
22.图7为本发明实施例提供的经分割检测的作物行图像进行二值化和开操作处理结
果图；
23.图8为本发明实施例提供的导航线方向预测结果。
具体实施方式
24.以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开的一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
25.需要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
26.图1为本发明实施例提供的自适应导航线方向预测方法流程图。如图1所示，该方法包括：
27.s1，利用图像分割检测模型对作物行图像进行图像分割，分割出作物行图像中的作物行；其中，作物行图像的原图如图5所示，作物行图像分割检测结果如图6所示。
28.s2，对分割后的作物行图像进行二值化和开操作处理，通过自适应中心判断点算法确定作物行导航线的中心点集。经分割检测的作物行图像进行二值化和开操作处理结果如图7所示。
29.s3，对作物行导航线的中心点集进行随机采样算法拟合，获得导航线方向预测曲线。导航线方向预测结果如图8所示。
30.需要说明的是，在进行自适应导航线方向预测之前，需要对图像分割检测模型进行训练。方法主要包括数据集制作，图像分割检测模型调试及训练，分割检测的图像处理和作物行自适应导航线方向预测。流程图如图2所示，具体包括如下步骤：
31.1)采集原始作物行图像，对原始作物行图像进行作物行的标注，得到图像分割检测模型所需的训练数据集。
32.原始作物行图像是作物行检测的基础，首先利用数据采集设备采集原始作物行图像数据，再通过labelme标注软件对原始作物行图像进行作物行的标注，得到图像分割检测模型所需的训练数据集。
33.2)通过超绿算法将训练数据集中的原始作物行图像处理为只包括作物行的单通道图像。
34.具体地，原始作物行rgb图像在通过深度学习网络训练之前，先使用超绿算法进行一次图像处理，如图3所示，超绿算法特征处理是通过将rgb图像中g通道扩充一倍，再分别
减去r通道和b通道，得到单通道的只包含原图像中绿色特征的矩阵，即作物行所在位置。本发明实施例中，进行超绿特征处理后，对图像进行同步范围归一化，使图像处于同一标准下；还进行局部噪声滤除，以滤除图像中的局部噪声。
35.本发明实施例中，对原始作物行图像通过超绿算法处理后，可以将阴影、枯草和土壤等图像特征进行抑制，使得作物行的图像特征更加突出。
36.3)将单通道图像与原始作物行图像进行张量拼接，形成四通道图像。
37.具体地，通过张量拼接的方法将超绿算法处理后的单通道图像与原始rgb作物行图像进行拼接，形成四通道的图像数据。
38.4)利用四通道图像对深度学习检测网络进行训练并达到预设检测精度，获得图像分割检测模型。
39.具体地，训练图像分割检测模型前，对图像分割检测模型的训练批次、batch-size、学习率等参数以及超参数的数值进行调整，在准备工作完成后开始对图像分割检测模型进行训练，训练完成后，对得到的图像分割检测模型进行验证，若验证时模型的检测精度未达到预设检测精度，则返回到参数调整的步骤重新调整参数。
40.对图像分割检测模型进行训练时，将四通道图像送至深度学习检测网络中，如图4所示，图像依次进入网络的骨干、颈部以及检测头部进行卷积、池化、特征融合以及上下采样等操作，提取图像的高维特征，最终检测头部将高维特征图进行分割，对作物行进行检测以及作物行区域进行标注，将检测结果最终呈现在原始图像上；对深度学习检测网络进行多次模型训练，直至达到预设检测精度。
41.5)利用图像分割检测模型对作物行图像进行图像分割，分割出作物行图像中的作物行。
42.具体地，当图像分割检测模型训练并验证完成后，通过图像分割检测模型对作物行图像进行作物行与非作物行的图像分割，分割出图像中位置居中、特征明显的作物行。
43.6)对分割后的作物行图像进行二值化和开操作处理，通过自适应中心判断点算法确定作物行导航线的中心点集。
44.具体地，对分割后的作物行图像通过传统图像处理方式进行灰度转换以及二值化处理，再经过形态学开操作变化，即对图像进行腐蚀膨胀处理，得到形态学变化后的二值化作物行图像，其中作物行部分像素为255，其余部分像素全为0，如图5所示。
45.对经过二值化和开操作处理后的作物行图像每隔预设像素点(如每个10个像素点)进行一次取点，然后遍历该点对应图像高度下的所有点，找到梯度变化的点，通过自适应中心判断点算法确定导航线的中心点集。
46.7)通过随机采样算法拟合出包含作物行导航线的中心点集的曲线走向，获得预测的导航线方向。
47.具体地，可以通过ransac算法拟合出包含中心点集的曲线走向，即预测的导航线方向。ransac算法曲线拟合的技术方案：通过自适应中心判断点方法确定作物行导航线的中心点位置，将这些点通过ransac算法进行筛选，ransac算法全称为随机采样算法，默认样本点中含有误差点，通过多次拟合迭代排除样本中的误差点，从而拟合出最符合要求的曲线。通过ransac算法多次迭代，去除导航线的中心点集中可能存在的误差点，将保留下的点拟合为一次和二次曲线，来应对不同作物行情况下的导航线预测，以如图5所示的作物行图
像作为原图的最终检测结果如图8所示，包含一次曲线(图中实线)和二次曲线(图中虚线)拟合的效果，其中二次拟合曲线可适应作物行略微有些弯曲偏转的情况。
48.本发明实施例将传统图像处理方法的超绿算法与深度学习方法相结合，在数据量有限的情况下增加检测模型的鲁棒性以及模型的检测精度；相较于其他导航线的预测方法，本发明完全舍弃了传统检测算法透视变换以及感兴趣区域roi的设立，提升导航线预测的精准度，使得预测方式更加标准化、自动化，抛开了人为设置区域的限制，减少人为误差的干扰。
49.可选地，在一个实施例中，通过自适应中心判断点算法确定导航线的中心点集，包括：
50.1)将二分之一作物行图像宽且沿作物行图像高递减方向上间隔预设像素点的点记为初始中心判断点。
51.对分割后的作物行图像进行二值化和开操作处理后，作物行图像中仅保留黑白两种颜色，白色为作物行，黑色为背景。中心点在自适应之前需要先初始化中心点位置，最初定义在图像宽的中心位置，即1/2图像的宽，沿图像高递减方向上间隔预设像素点的点记为初始中心判断点。
52.2)沿作物行图像高递减方向遍历所有初始中心判断点，且每间隔预设初始中心判断点进行一次中心判断点校正。
53.首次遍历时，根据当前初始中心判断点的像素值确定当前初始判断点是否位于作物行上；当初始中心判断点位于作物行上时，从初始中心判断点分别向左向右同时遍历像素点，直到遇到像素值为零的点，即遇到非作物行的点，将中心判断点更新为该点；每间隔预设初始中心判断点(如每间隔5个初始中心判断点)按照上述中心判断点校正过程进行中心判断点校正。
54.本发明实施例中，首先判断初始中心判断点的像素，若初始中心判断点的像素值为0，则说明该点未处于作物行上；若初始中心判断点像素值为255，则说明该点在某条作物行上，由于默认拍摄时镜头的方向相较于导航判断的方向不会偏差太大，即距离作物行最近的像素值为0的点更偏向于中心线位置，便从初始中心判断点分别向左向右同时遍历像素点，直到遇到像素值为0的点，即遇到非作物行的点，将中心判断点更新为该点。
55.3)遍历当前中心判断点时，确定当前图像高度下最靠近当前中心判断点的左侧作物行的中心点和右侧作物行的中心点；其中，当前中心判断点为初始中心判断点或校正后的中心判断点。
56.具体地，从当前中心判断点向左向右两个方向遍历，确定当前图像高度下最靠近当前中心判断点的左侧作物行的两个边缘点和右侧作物行的两个边缘点；通过左侧作物行的两个边缘点确定左侧作物行的中心点，通过右侧作物行的两个边缘点确定右侧作物行的中心点。
57.4)基于左侧作物行中心点和右侧作物行中心点的中点确定当前图像高度下的导航线的中心点。
58.5)基于作物行图像高递减方向上的所有导航线的中心点确定导航线的中心点集。
59.具体地，按照上述1)至4)的逻辑依次沿图像高的方向向上遍历，每经过5次遍历(即每间隔5个初始中心判断点)，进行一次中心判断点校正。
60.本发明实施例还提供一种自适应导航线方向预测装置，包括：图像分割模块、中心点集确定模块和曲线拟合模块。图像分割模块用于利用图像分割检测模型对作物行图像进行图像分割，分割出作物行图像中的作物行；中心点集确定模块用于对分割后的作物行图像进行二值化和开操作处理，通过自适应中心判断点算法确定作物行导航线的中心点集；曲线拟合模块用于对作物行导航线的中心点集进行随机采样算法拟合，获得导航线方向预测曲线。
61.其中，图像分割检测模型训练过程如下：获取原始作物行图像，对原始作物行图像进行作物行的标注，得到图像分割检测模型所需的训练数据集；通过超绿算法将训练数据集中的原始作物行图像处理为只包括作物行的单通道图像；将单通道图像与原始作物行图像进行张量拼接，形成四通道图像；利用四通道图像对深度学习检测网络进行训练并达到预设检测精度，获得图像分割检测模型。
62.本发明实施例还提供一种计算机可读存储介质，包括指令，当指令在计算机上运行时，使计算机执行上述实施例提供的自适应导航线方向预测方法。
63.本发明实施例还提供一种自适应导航线方向预测装置，包括存储器、处理器及存储在存储器上的并可在处理器上运行的计算机程序，处理器执行程序时实现上述实施例提供的自适应导航线方向预测方法。
64.本发明实施例还提供一种农机，包括图像采集装置和上述实施例提供的自适应导航线方向预测装置，图像采集装置将采集的作物行图像发送至自适应导航线方向预测装置。
65.现有技术中的作物行检测方法只运用传统图像处理或是深度学习，传统图像处理方式检测较为精准但鲁棒性差，深度学习方式在作物行检测鲁棒性强但对数据量要求较高，只使用传统图像处理方式和只是用深度学习处理方式都有各自的局限性。基于视觉的导航线方向预测由于人为增加了roi检测区域以及透视变换操作，限制了检测范围，无自适应判断，使得预测算法的检测结果精度受到影响。
66.本发明实施例提出的自适应导航线方向预测方法，主要包括将传统图像处理算法和深度学习算法相结合的作物行检测算法部分以及基于视觉的自适应中心判断点算法部分。该方法通过将yolov5深度学习检测模型的图像分割和传统图像处理中的超绿算法相结合，在有限的数据集基础上，通过在深度学习模型训练过程中增加作物行的绿色特征来弥补数据量的不足，使得检测精度进一步提升；通过自适应中心判断点算法，可以在不使用roi区域以及透视变换的基础上准确检测作物行方向导航线的中心点，再利用ransac算法进行拟合导航行进方向的曲线。
67.本发明实施例提供的自适应导航线方向预测方法将传统图像处理方法的超绿算法与深度学习方法相结合，在数据量有限的情况下增加检测模型的鲁棒性以及模型的检测精度；相较于其他导航线的预测方法，本发明完全舍弃了传统检测算法透视变换以及感兴趣区域roi的设立，提升导航线预测的精准度，使得预测方式更加标准化、自动化，抛开了人为设置区域的限制，减少人为误差的干扰。
68.本发明实施例解决了在数据量有限的情况下的不同场景作物行检测困难、检测精度不高的问题，为农业机械的自动导航提供导航线方向的准确预测。本发明实施例方案是对于现有的自动导航技术的扩展以及改进，实现基于视觉的农业机械智能化无人作业场
景。通过本发明实施例算法的决策，解决了导航在检测作物行以及导航行进方向判断的过程中需要人为设置roi区域的问题，从根源解决roi区域设置对检测结果的影响。
69.本发明实施例提供的自适应导航线方向预测方法可应用于农用机械在作业过程中的作物行检测以及导航前进方向的预测。通过将传统图像处理与深度学习相结合对作物行进行检测，再通过自适应中心判断点算法和ransac算法确定导航预测方向，从而实现农业机械的导航方向精准预测，上述方法适用范围广，适用场景丰富，检测和预测结果精准。
70.所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
71.在本技术所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。
72.作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
73.另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
74.集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。
75.以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种自适应导航线方向预测方法，其特征在于，包括：利用图像分割检测模型对作物行图像进行图像分割，分割出所述作物行图像中的作物行；对分割后的所述作物行图像进行二值化和开操作处理，通过自适应中心判断点算法确定作物行导航线的中心点集；对所述作物行导航线的中心点集进行随机采样算法拟合，获得导航线方向预测曲线；其中，所述图像分割检测模型训练过程如下：获取原始作物行图像，对所述原始作物行图像进行作物行的标注，得到图像分割检测模型所需的训练数据集；通过超绿算法将所述训练数据集中的原始作物行图像处理为只包括作物行的单通道图像；将所述单通道图像与所述原始作物行图像进行张量拼接，形成四通道图像；利用所述四通道图像对深度学习检测网络进行训练并达到预设检测精度，获得所述图像分割检测模型。2.根据权利要求1所述的方法，其特征在于，所述通过超绿算法将所述训练数据集中的原始作物行图像处理为只包括作物行的单通道图像，包括：将所述训练数据集中的原始作物行图像的rgb图像中g通道扩充一倍，再分别减去r通道和b通道，得到单通道的只包含原始作物行图像中绿色特征的矩阵。3.根据权利要求1所述的方法，其特征在于，所述利用所述四通道图像对深度学习检测网络进行训练并达到预设检测精度，包括：将所述四通道图像送至深度学习检测网络中，提取图像的高维特征，获得高维特征图；将所述高维特征图进行分割，对作物行进行检测以及作物行区域进行标注，将检测结果呈现在原始作物行图像上；对所述深度学习检测网络进行多次模型训练直至达到预设检测精度。4.根据权利要求1至3任一项所述的方法，其特征在于，所述通过自适应中心判断点算法确定作物行导航线的中心点集，包括：将二分之一所述作物行图像宽且沿所述作物行图像高递减方向上间隔预设像素点的点记为初始中心判断点；沿所述作物行图像高递减方向遍历所有初始中心判断点，且每间隔预设初始中心判断点进行一次中心判断点校正；遍历当前中心判断点时，确定当前图像高度下最靠近所述当前中心判断点的左侧作物行的中心点和右侧作物行的中心点；其中，所述当前中心判断点为初始中心判断点或校正后的中心判断点；基于所述左侧作物行中心点和右侧作物行中心点确定当前图像高度下的导航线的中心点；基于所述作物行图像高递减方向上的所有导航线的中心点确定所述作物行导航线的中心点集。5.根据权利要求4所述的方法，其特征在于，所述每间隔预设初始中心判断点进行一次中心判断点校正，包括：首次遍历时，根据当前初始中心判断点的像素值确定所述当前初始判断点是否位于作物行上；
当所述初始中心判断点位于作物行上时，从所述初始中心判断点分别向左向右同时遍历像素点，直到遇到像素值为零的点，即遇到非作物行的点，将中心判断点更新为该点；每间隔预设初始中心判断点按照上述中心判断点校正过程进行中心判断点校正。6.根据权利要求4所述的方法，其特征在于，所述确定当前图像高度下最靠近所述当前中心判断点的左侧作物行的中心点和右侧作物行的中心点，包括：从当前中心判断点向左向右两个方向遍历，确定当前图像高度下最靠近所述当前中心判断点的左侧作物行的两个边缘点和右侧作物行的两个边缘点；通过左侧作物行的两个边缘点确定左侧作物行的中心点，通过右侧作物行的两个边缘点确定右侧作物行的中心点。7.一种自适应导航线方向预测装置，其特征在于，包括：图像分割模块，用于利用图像分割检测模型对作物行图像进行图像分割，分割出所述作物行图像中的作物行；中心点集确定模块，用于对分割后的所述作物行图像进行二值化和开操作处理，通过自适应中心判断点算法确定作物行导航线的中心点集；曲线拟合模块，用于对所述作物行导航线的中心点集进行随机采样算法拟合，获得导航线方向预测曲线；其中，所述图像分割检测模型训练过程如下：获取原始作物行图像，对所述原始作物行图像进行作物行的标注，得到图像分割检测模型所需的训练数据集；通过超绿算法将所述训练数据集中的原始作物行图像处理为只包括作物行的单通道图像；将所述单通道图像与所述原始作物行图像进行张量拼接，形成四通道图像；利用所述四通道图像对深度学习检测网络进行训练并达到预设检测精度，获得所述图像分割检测模型。8.一种计算机可读存储介质，包括指令，其特征在于，当所述指令在计算机上运行时，使所述计算机执行根据权利要求1至6任一项所述的自适应导航线方向预测方法。9.一种自适应导航线方向预测装置，包括存储器、处理器及存储在所述存储器上的并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述的自适应导航线方向预测方法。10.一种农机，其特征在于，包括图像采集装置和权利要求9所述的自适应导航线方向预测装置，所述图像采集装置将采集的作物行图像发送至所述自适应导航线方向预测装置。

技术总结
本发明公开了一种自适应导航线方向预测方法、装置、存储介质及农机，方法包括：将传统图像处理方法的超绿算法与深度学习方法相结合，利用图像分割检测模型分割出作物行图像中的作物行；对分割后的作物行图像进行二值化和开操作处理，通过自适应中心判断点算法确定作物行导航线的中心点集；对作物行导航线的中心点集进行随机采样算法拟合，获得导航线方向预测曲线。本发明在数据量有限的情况下增加检测模型的鲁棒性以及模型的检测精度；本发明完全舍弃了传统检测算法透视变换以及感兴趣区域ROI的设立，提升导航线预测的精准度，使得预测方式更加标准化、自动化，减少人为误差的干扰。减少人为误差的干扰。减少人为误差的干扰。


技术研发人员：刘跃华 李邦国 王辉 任志伟 徐乐程 宋杨
受保护的技术使用者：潍柴雷沃智慧农业科技股份有限公司
技术研发日：2023.06.21
技术公布日：2023/10/6