基于无人机遥感影像的育种玉米垄数统计监测

苏 伟，蒋坤萍，闫 安，刘 哲，张明政，王 伟

（1. 中国农业大学土地科学与技术学院，北京 100083；2. 山东省滕州市田岗学校，滕州 277519）

0 引 言

优良的玉米品种具有高产、抗倒伏、抗病虫害等优点，玉米育种工作对于农业生产具有重要意义[1]。育种地块的垄数作为玉米育种的重要参数之一，可以辅助获取玉米育种基地内不同品种的种植面积、研究种植格局及其不同种植格局下光的利用率、光合有效辐射等情况。但是，目前获取垄数的方法多为人工调查，费时、费力且很容易出错，限制了大面积地块玉米垄数的获取。无人机平台在快速获取区域范围内农作物表型信息方面具有优势，且机动灵活、适合复杂农田环境、作业效率高、成本低，逐渐成为高通量获取农作物表型信息的重要手段，初步应用于小麦倒伏面积、冠层叶面积指数提取等工作中[2-4]。

目前，国内外对育种玉米垄数提取的研究报道不多见，类似的报道多见于农业机械视觉导航定位对农作物单垄的直线提取。姜国权等[5]基于尺寸为640×480像素的图像，利用基于机器视觉和随机方法的策略提取了小麦、玉米、大豆的种植行信息；袁佐云等[6]提出了基于投影法和稳健回归法对位置点进行线性拟合提取作物行；马红霞等[7]、吕萌[8]、赵瑞娇等[9]、孙雪琪等[10]使用Hough变换提取单条作物行；孟庆宽等[11]基于线性相关系数约束的作物行中心检测方法提取玉米种植行的中心线；Jiang等[12]提出基于多数ROI（Region Of Interest）统计特征检测作物行线；Vidović等[13]、Søgaard 等[14]、Choi等[15]、Torii[16]基于机器学习的方法提取农作物行；姜国权等[17]利用图像灰度变换和Otsu自动阈值化的方法检测玉米的种植行；刁智华等[18]利用形态学细化和伪分支剔除相结合的方法提取玉米作物行；孟庆宽等[19]利用粒子群方法提取玉米种植行从而用于农机导航路径的识别；韩永华等[20]利用小波变换及 Otsu分割方法提取青菜地的种植行；王晓杰[21]、董胜等[22]利用Hough变换方法检测作物种植行。以上方法都能提取农作物行，但目前多数研究对象是单条作物行或单张相片视野内的几条作物行的问题，尚未在较大面积的垄数提取上运用与检验。鉴于此，本研究基于无人机超低空遥感技术获取的高分辨率遥感影像，寻求一种适合提取大面积范围内玉米垄数的算法，即尝试通过影像灰度化处理、投影法和Hough变换提取研究区内育种基地多地块的玉米垄数。

1 数据来源和处理方法

1.1 无人机遥感影像获取

无人机超低空遥感试验于2016年1月6日在金色农华种业科技股份有限公司崖城育种基地进行，该基地位于海南省三亚市崖州区西部，中心位置为 109°11′05″N,18°25′17″E，总面积约 15 hm2，种植了各生育期的玉米。崖州区属热带海洋性季风气候，年平均气温25 ℃以上。

飞行试验使用固定翼瑞士eBee Ag精细农业用无人机，搭载Canon S110 RGB相机（包括红、绿、蓝3个波段，分辨率为1200万像素，质量为198 g），开展无人机育种玉米种植信息获取试验。试验当天天气状况良好，晴朗无风。eBee Ag无人机带有地面传感器设备和机载人工智能设备，可自动获取高精度的无人机POS信息（拍照瞬间的位置参数、姿态参数）。无人机飞行时天气晴朗无云，飞行高度为70 m，飞行速度为6 m/s，旁向重叠为70 %，航向重叠为70%，飞行时间为12:00左右。飞行覆盖区域为整个崖城育种基地，共采集高清数码照片 212张、一个POS文件txt格式。经后处理软件Pix4Dmapper拼接，获得崖城育种基地的正射影像图(*.tif)、数字表面模型图(*.tif)和三维点云数据(*.txt)。通过一个架次的飞行获取了金色农华海南崖城育种基地包括苗期、拔节期、成熟期的3个育种地块的UAV影像，3个地块的无人机影像及其局部放大图如图 1所示，拔节期玉米地块面积约20 000 m2，种植株距为0.3 m、行距为0.6 m，南北走向，自北向南分为扩繁、测配和品比制种 3个功能区，是育种基地功能区最多的一个地块。拔节期的玉米植株较大，但叶片未完全覆盖地面，植株尚未封垄，不同玉米种植行之间的玉米叶片只有少数发生交叉；苗期的玉米较小，相邻垄之间叶片互不交叉，影像上具有明显的裸土特征；成熟期的玉米已经完全封垄，不同玉米种植行之间的玉米叶子存在严重的交叉，影像上是明显的植被特征。

图1 玉米育种基地无人机影像及其局部放大图Fig.1 UAV image and partial enlargement of corn breeding trial

1.2 垄数提取方法

Hough变换是一种有效的直线检测方法[23]，对随机噪声和部分遮盖不敏感[24-31]。因为Hough变换算法具有很大的盲目性，且需要的存储空间和计算量都较大[25]，本研究采用基于一点的改进Hough变换方法从无人机影像中检测育种玉米的种植垄数。首先，计算无人机影像的超绿特征(2G-R-B)，并进行二值化优化处理；然后，对开运算处理后的二值影像进行分割投影，在左边界和右边界的判断基础上，提取玉米垄的中心点；最后，对中心点影像进行Hough变换，根据Hough影像峰值点的数量计算所分析地块的垄数。具体垄数提取流程如图 2所示。

图2 育种玉米种植垄数提取流程图Fig.2 Flowchart for extracting the line number for breeding corn

1.2.1 超绿特征提取与垄线候选点检测

1）超绿特征提取

对比分析无人机影像上土壤和玉米冠层在红、绿、蓝可见光波段的反射特性可知：玉米冠层对绿波段具有较高的反射率，对红波段和蓝波段有较低的反射率；而土壤背景在红波段、绿波段和蓝波段的反射率依次降低，且三波段间反射率的差异并不大。无人机影像特征空间上玉米冠层和土壤的光谱反射特点是：玉米冠层具有较高的G值，高于玉米冠层的R值和B值；土壤背景的R值、G值和B值依次减小且相差不大。因此，采用超绿特征(2G-R-B)方法[7]进行特征提取，以更好的区分玉米冠层和土壤背景。常见的超绿特征因子计算方法有2G-R-B、2g-r-b及1.262g +0.884r +0.311b，其中r、g、b分别为归一化后的R、G、B值。王晓杰[21]研究表明，利用2G-R-B计算的超绿特征因子对植被与土壤的分割效果要优于其他2种，本文对3种特征的计算结果结论与之相同，因此，采用2G-R-B计算的超绿特征因子，如下

由于玉米叶片生长方向的随机性，二值化后的影像垄间通常有细长的突刺甚至连接，对垄数的提取存在一定的干扰性。图像形态学的开运算（先腐蚀运算，后膨胀运算）可以把比结构元素小的突刺滤掉，切断细长搭连而起到分离作用，同时保证不产生全局的几何失真[32]。因此，研究过程中使用二值形态学开运算进行腐蚀与膨胀处理，以消除垄间的突刺或者连接。2）垄线候选点检测

为准确提取垄线在 Hough变换前检测垄线的候选点，候选点检测方法的原理见参考文献[33]中对于定位点的检测方法。该研究中使用 1×n的窗口对超绿特征影像从上到下、从左到右逐像素扫描并计算区域内的目标像素数，n的选择由影像空间分辨率和目标对象的大小而定。为选取最优扫描窗口，本研究选择了苗期、拔节期、成熟期的3个地块的育种玉米UAV影像，根据垄距分别使用1×15、1×25、1×50的窗口搜索并检测用于垄数提取的候选点。此处，候选点是可能有直线出现的位置。

1.2.2 影像分割投影法

玉米的播种规律一般是条播方式沿直线种植，各垄线之间相互平行、垄间距基本相等，玉米的垄播在无人机影像上呈有规律的绿色条带分布。基于玉米垄的这些结构特点，为提高Hough变换速度，沿垄线方向对育种地块影像进行等间距分割，得到若干个影像分割条带用于后续的 Hough变换及垄数提取。本研究中所涉及的 3个地块的玉米种植株距都为0.3 m、行距为0.6 m，无人机影像空间分辨率为 0.06 m，为提高影像处理速度，采用5～10个像素行（列）作为分割间距。对每个影像条进行投影得到投影直方图曲线，曲线上的峰值点对应的列坐标（行坐标）为垄线中心点的位置，即每一垄的中点位置。

设原始影像的大小为w列、h行，因垄线方向与正北方向夹角较小，则分割后的影像条大小为w列、h行，g(i,j)为无人机影像上点(i, j)的像素值，s(j)为影像条第 j列进行投影后得到的像素值之和，m为影像条所有像素的均值。

式中i =1, 2, …, h，j =1, 2, …, w。根据影像条中投影值s(j)的直方图曲线及影像条均值m可以确定玉米垄线的边界，继而找到垄线中心点并进行标记。判断规则为：当投影值 s(j-1)＜m＜s(j+1)时，s(j)标记为垄的左边界；当投影值 s(j-1)＞m＞s(j+1)时，s(j)标记为垄的右边界；左、右边界的中点则是该影像条中垄线的中心点。

1.2.3 Hough变换原理

Hough变换是根据影像空间和Hough参数空间的对偶性原理，将影像中每个特征点映射到参数空间累加阵列的多个累加器中，通过统计各个累加器的计数检测出极值，从而确定是否存在直线并获得直线参数[6,25,32]。为避免Hough变换的盲目性，基于前文提取的候选点进行累加器的判断和计算，基于Hough变换的点-正弦曲线的对偶性，将垄候选点影像由影像空间变换到极坐标参数空间，使用式(3)将点(x, y)变换到极坐标下的正弦曲线(ρ, θ)。设置一个大小为(ρ, θ)的累加器A，记录每个点(x, y)变换后所有θ取值对应的ρ值出现的次数。

式中ρ为原点到直线的垂直距离，θ为ρ与x轴的夹角。

1）设置累加器数组A (ρ, θ)初始值均为0，其中θ的取值范围是[0 °,180°]，步长为1°，ρ 的取值范围是[0,N]，N为3个地块对角上的像素个数；

2）将影像中像素值为1的点坐标带入公式(3)，遍历所有的θ取值，计算每个θ取值对应的ρ值；

3）每计算一个θ取值对应的ρ值，累加器A中坐标为(ρ, θ)的值加 1；

4）遍历 3个地块的中心点影像，累加器中较大值对应的(ρ, θ)即影像空间中的直线在极坐标参数空间中的变换。

2 结果与分析

2.1 超绿特征影像灰度化结果

本研究中利用无人机影像的超绿特征分离玉米冠层和背景土壤，超绿特征提取结果与灰度化处理结果如图3所示。整个研究区的超绿特征像素值在[0, 154]内变化，此时尚无法判断所分析像素是玉米冠层还是背景土壤。将超绿灰度影像的均值作为阈值，进行影像二值化处理，得到如图3b所示的拔节期地块的超绿特征影像的二值化结果。玉米处在拔节期，尚未封垄但不同行之间的叶片存在少数交叉的情况，从图3d可以明显看出二值化后的影像存在相邻两垄连接的问题，这是由于玉米叶片生长方向的不确定引起的，垄间存在叶片的相互交叉现象所致。使用 5×1的窗口作为结构元素，对二值影像进行形态学开运算（先腐蚀运算，后膨胀运算），运算的结果如图3e所示，图3d、3e为其局部放大图，可以看出：经过影像的开运算处理后，部分垄线边界突刺问题被消除并断开相邻两垄线间的细小连接，有效去除影像噪音，提高提取精度。

图3 拔节期地块无人机影像超绿特征计算、二值化及开启运算结果Fig.3 Super-green feature, thresholding results, and opening results of jointing stage corn

2.2 玉米垄中心点提取结果

以拔节期地块为例论述使用分割投影法提取条状垄线中心点的步骤：拔节期地块的影像大小为10 097行×6 591列，综合考虑影像处理速度和中心点提取精度，采用5个像素行作为分割间距，从而得到5行×6 591列的影像分割条（如图 4a）。使用式（2）计算每个像素条列坐标上的投影值，投影直方图曲线如图4b所示，计算像素条所有像素的均值。

二值化影像图4a中白色像素值为1，是玉米冠层像素；黑色像素值为0，是背景土壤像素；图4b是图4a对应位置上的投影值，可以看出：玉米冠层像素的投影值高于背景土壤像素的投影值，且种植越密集值越大。此外，从图4b可以看出：玉米冠层像素的投影值s(j)明显高于两端的背景土壤像素的投影值，且每条垄线对应一个峰值，峰值点的纵坐标j是该条垄线的中心点对应的纵坐标。

对每个影像条，以均值m作为阈值判断每个峰值点的列坐标。遍历每个影像条的s(j)数组，比较与均值m的大小关系，左右边界的中点值认为是该影像条中峰值的列坐标，即垄线的中心点列坐标，中心点横坐标记为该影像条中间像素行的行号。遍历每个影像分割条，得到研究区拔节期地块的垄线中心点影像，图 5为其局部图结果。图5a为影像开运算结果的局部放大图，图5b为该区域对应的垄中心点提取结果，可以看出：所有的垄中心线都被检测出，但是目前的垄中心点连线后的中心线为曲线，尚不具备理想的玉米垄的直线特征。

图4 影像分割条及其投影值直方图Fig.4 One strip of UAV image and its histogram

图5 投影法提取的玉米垄中心点Fig.5 Extracted lines of corn plants using projection method

2.3 垄线中心点影像Hough变换及峰值点提取结果

研究区拔节期地块的 Hough变换结果图如图 6a所示，影像中点越黑表示在该点交汇的正弦曲线越多，即对应的影像空间在该参数处存在直线的可能性越大。研究区内玉米的沿直线条播方式确定了每条垄线有相同的斜率，对偶变换到极坐标下有相同的 θ参数，表现在Hough影像上为每条垄线变换后点坐标有相同的 θ列坐标。根据这一特性，取 Hough影像中像素值最大点的 θ列坐标，认为是各垄线在变换域的角度参数θ。根据无人机影像的分辨率和玉米垄距的大小，确定以 θ列坐标为中心截取左右各25个像素的Hough影像条，使用改进的投影法提取影像条的峰值点，该峰值点的个数即为垄线的条数。

为了达到精确提取垄线条数，对分割投影法进行改进。Hough影像条的两端存在很长的 0值区域，从而拉低了整个影像条的均值，如果继续以此均值作阈值将产生极大的误差。根据Hough影像条的直方图曲线峰值极高的特点，选择影像条中非 0像素值的均值作为阈值进行判断峰点的边界，从而保证所有峰值点坐标的正确提取，图6b为研究区拔节期地块无人机影像的Hough峰值点提取结果，图6c为其局部放大图。根据提取的峰值点的坐标参数(ρ, θ)，经Hough逆变换在影像空间中绘出求得的玉米垄所在的直线。表1为3个生育期的育种玉米地块的垄数提取结果，用于试验的苗期玉米垄数为43垄，使用1×15、1×25、1×50的窗口检测候选点后通过Hough变换分别提取了42、45、58垄，提取精度分别为97.67%、95.35%、88.37%；用于试验的拔节期玉米垄数为74垄，使用前面3个尺寸的窗口检测候选点后通过Hough变换分别提取的垄数为 74、74、105垄，提取精度分别为100.00%、100.00%、58.11%；用于试验的玉米垄数为44垄，使用前面 3个尺寸的窗口检测候选点后通过 Hough变换分别提取的垄数分别为46、40、49垄，提取精度分别为95.45%、90.91%、88.64%。上述试验表明：利用1×15窗口的提取精度最高，原因是该尺寸与垄距接近。

上述研究结果表明：利用该研究所提出的基于影像分割投影法和Hough变换可以正确提取不同生育期的玉

米垄数，其中以拔节期的玉米垄数提取精度最高，此时的玉米植株在UAV影像上可以识别且又尚未封垄，只有少数叶片存在交叉情况，是提取种植垄数的最佳时相；就候选点检测来讲，与玉米种植的垄间间隔相近的窗口尺寸是垄数监测的最佳尺寸。对于成熟期玉米植株，已经完全封垄，相邻垄之间的玉米叶片相互交叉，所以垄数提取的误差较大。

图6 变换域影像、Hough变换峰值点及局部放大图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影像的垄数提取统计结果Table 1 Statistical result of extracted corn plants lines using UAV images at different candidate detection windows

3 结 论

本文针对玉米育种中需要快速提取区域范围内育种玉米种植垄数的需求，基于无人机影像，通过提取影像的超绿特征、影像的分割投影Hough变换，成功提取了育种玉米地块的种植垄数，为玉米育种提供一种有用的表型参数。

1）在无人机影像的 RGB彩色空间中，超绿特征(2G-R-B)可以有效区分绿色植被与背景土壤信息，这是基于无人机影像的农作物表型信息提取的一项必要工作，也可作为农作物分类的一种专家知识。

2）利用基于垄数提取候选点的Hough变换方法，可以准确地从无人机影像中提取玉米种植的垄数，且以拔节期为最佳提取时间，本研究基于74垄处于拔节期的无人机影像，使用1×15窗口检测候选点后通过Hough变换可以正确提取出74垄玉米，提取精度为100%。该方法简单、易于实现，能够有效提取条状垄线的中心点。

该研究的优势在于充分利用UAV影像上玉米种植垄的高空间分辨率超绿特征，利用基于候选点的Hough变换方法对玉米垄几何特征的表达，较为成功地提取了处于 3个不同生育期的玉米地块的垄数信息，为玉米育种种植信息的提取、大田玉米的农事活动（如施肥、喷药等）提供可靠数据，也可以作为基于遥感影像的线状地物（如道路、河流等）骨架线提取的方法。不足之处在于该方法适用于拔节期玉米植株（提取精度 100%），苗期的玉米植株太小（提取精度97.67%）、成熟期的玉米植株（提取精度为95.45%）存在叶片相互交叉的情况，在基于候选点的Hough变换时各个方向上累加器的计数没有太大差异，因而检测出的极值不稳定，导致难以检测出正确的玉米垄数。将来的研究工作中将会针对苗期玉米植株和成熟期玉米植株情况进行深入研究，以减少垄数提取的各种限制条件。

致谢：感谢金色农华种业科技股份有限公司提供海南三亚崖城育种基地作为无人机超低空遥感监测的试验基地。

[1] 苏伟，吴代英，武洪峰，等. 基于最大熵模型的玉米冠层LAI升尺度方法[J]. 农业工程学报, 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] 杨贵军，李长春，于海洋，等. 农用无人机多传感器遥感辅助小麦育种信息获取[J]. 农业工程学报, 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] 刘建刚，赵春江，杨贵军，等. 无人机遥感解析田间作物表型信息研究进展[J]. 农业工程学报, 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] 姜国权，柯杏，杜尚丰，等. 基于机器视觉和随机方法的作物行提取算法[J]. 农业机械学报, 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，毛志怀，魏青. 基于计算机视觉的作物行定位技术[J]. 中国农业大学学报, 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] 马红霞，马明建，马娜，等. 基于Hough变换的农业机械视觉导航基准线识别[J]. 农机化研究, 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] 吕萌. 基于 Hough变换的平行直线检测改进算法研究[J].微型机与应用, 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] 赵瑞娇，李民赞，张漫，等. 基于改进Hough变换的农田作物行快速检测算法[J]. 农业机械学报, 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] 孙雪琪，宋小春. 一种新的改进的Hough变换直线提取算法[J]. 计算机与数字工程, 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] 孟庆宽，刘刚，张漫，等. 基于线性相关系数约束的作物行中心线检测方法[J]. 农业机械学报, 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] Vidović 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] Søgaard 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] 姜国权，王志衡，赵翠君. 基于已知点的作物行检测方法[J]. 应用基础与工程科学学报, 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] 刁智华，吴贝贝，魏玉泉，等. 一种快速剔除伪分枝的作物行骨架提取算法[J]. 农机化研究, 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] 孟庆宽，张漫，杨耿煌，等. 自然光照下基于粒子群算法的农业机械导航路径识别[J]. 农业机械学报, 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] 韩永华，汪亚明，孙麒，等. 基于小波变换及Otsu分割的农田作物行提取[J]. 电子与信息学报, 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] 王晓杰. 基于机器视觉的农田作物行检测方法研究[D].焦作: 河南理工大学, 2016.Wang Xiaojie. Study on Crop Rows Detection with Machine Vision [D]. Jiaozuo: Henan Polytechnic University, 2016. (in Chinese with English abstract)

[22] 董胜，袁朝辉，谷超，等. 基于多学科技术融合的智能农机控制平台研究综述[J]. 农业工程学报, 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] 陈兵旗. 实用数字图像处理与分析（第二版）[M]. 北京：中国农业大学出版社，2014.

[25] 赵颖，陈兵旗，王书茂. 基于机器视觉的耕作机器人行走目标直线检测[J]. 农业机械学报， 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] 饶洪辉，姬长英. 基于标记信息的 Hough 变换检测早期的作物行中心线[J]. 农业工程学报，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] 王晓燕，陈媛，陈兵旗，等. 免耕覆盖地秸秆行茬导航路径的图像检测[J]. 农业机械学报, 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] 赵晓霞，张铁中，陈兵旗，等. 自然环境下桃子图像分割算法[J]. 农机化研究, 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] 陈媛，王晓燕，陈兵旗，等. 玉米根茬图像的分割方法[J].农机化研究, 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] 梁习卉子，陈兵旗，姜秋慧，等. 基于图像处理的玉米收割机导航路线检测方法[J]. 农业工程学报, 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] 章毓晋. 图像工程（中册）图像处理[M].北京: 清华大学出版社. 2012.

[33] 张红霞, 张铁中, 陈兵旗. 基于模式识别的农田目标定位线检测[J]. 农业机械学报, 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)