本發(fā)明涉及農(nóng)業(yè)工程，具體涉及一種基于hsv顏色分割算法的作物適應(yīng)性檢測方法。

背景技術(shù)：

1、在農(nóng)業(yè)自動(dòng)化領(lǐng)域，作物適應(yīng)性檢測是評(píng)估作物生長狀況及其環(huán)境適應(yīng)性的重要環(huán)節(jié)?；趫D像處理技術(shù)的作物檢測方法能夠在大規(guī)模農(nóng)業(yè)生產(chǎn)中發(fā)揮重要作用。其中，基于hsv顏色分割算法的作物適應(yīng)性檢測方法得到了廣泛關(guān)注。hsv顏色空間由于其色調(diào)、飽和度與亮度的分離特性，使得該算法在區(qū)分目標(biāo)作物與背景雜色方面具有較高的有效性。

2、該方法的核心在于，通過在hsv顏色空間中選擇適當(dāng)?shù)拈撝?，?shí)現(xiàn)對(duì)作物的精準(zhǔn)分割，從而能夠有效地從復(fù)雜背景中提取出目標(biāo)作物。這一特點(diǎn)使得hsv模型在作物檢測中比其他色彩空間表現(xiàn)出更高的魯棒性，然而，盡管hsv顏色分割算法在理想條件下表現(xiàn)良好，但其在實(shí)際應(yīng)用中仍面臨一些挑戰(zhàn)。

3、在單一傳感器配置的場景中，由于環(huán)境條件的復(fù)雜性，如光照強(qiáng)度的變化、自遮擋現(xiàn)象等，可能導(dǎo)致作物形狀與邊緣識(shí)別不充分，甚至出現(xiàn)作物行難以區(qū)分的情況，這些因素會(huì)極大地影響算法的準(zhǔn)確性和系統(tǒng)的穩(wěn)定性，特別是在處理光照變化和陰影干擾時(shí)，算法的性能往往會(huì)出現(xiàn)明顯的下降，導(dǎo)致檢測準(zhǔn)確率和魯棒性不足的問題。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于提供一種基于hsv顏色分割算法的作物適應(yīng)性檢測方法，解決在單一傳感器配置的場景中，現(xiàn)有的hsv顏色分割算法在應(yīng)對(duì)復(fù)雜環(huán)境變化時(shí)表現(xiàn)出了一些不足，導(dǎo)致檢測準(zhǔn)確率和魯棒性不足的問題。

2、為實(shí)現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：一種基于hsv顏色分割算法的作物適應(yīng)性檢測方法，所述方法包括：

3、s1：使用兩個(gè)tof相機(jī)分別對(duì)同一作物區(qū)域進(jìn)行拍攝；

4、s2：通過固態(tài)激光雷達(dá)與相機(jī)融合，同步獲取作物的三維信息和顏色消息，使得激光雷達(dá)點(diǎn)云具備rgb顏色信息，對(duì)每個(gè)tof相機(jī)捕獲的圖像進(jìn)行hsv顏色空間轉(zhuǎn)換，并利用預(yù)設(shè)閾值進(jìn)行顏色分割以獲取作物區(qū)域的興趣區(qū)；

5、s3：基于雙攝深度感知技術(shù)將兩個(gè)tof相機(jī)獲取的顏色信息和深度信息相融合；

6、s4：根據(jù)融合后的信息生成適應(yīng)性檢測結(jié)果。

7、優(yōu)選的，所述步驟s2中固態(tài)激光雷達(dá)與相機(jī)融合具體包括：

8、使用固態(tài)激光雷達(dá)和兩個(gè)tof相機(jī)同步獲取作物的三維點(diǎn)云數(shù)據(jù)和rgb顏色信息；

9、利用外參標(biāo)定和內(nèi)參標(biāo)定將激光雷達(dá)點(diǎn)云與相機(jī)的rgb圖像進(jìn)行對(duì)齊。

10、優(yōu)選的，所述步驟s2中hsv顏色空間轉(zhuǎn)換具體包括：

11、描述顏色類型，采用公式：

12、

13、描述顏色的純度，采用公式：

14、

15、描述顏色的亮度，采用公式：

16、v＝max(r,g,b)；

17、其中，h表示色相，即顏色的類型；s表示飽和度，即顏色的純度；v表示亮度；r表示紅色通道的強(qiáng)度；g表示綠色通道的強(qiáng)度；b表示藍(lán)色通道的強(qiáng)度。

18、優(yōu)選的，所述步驟s2中利用預(yù)設(shè)閾值進(jìn)行顏色分割具體包括：

19、根據(jù)作物類型和顏色特征，預(yù)先設(shè)定hsv顏色空間中的閾值范圍，對(duì)于作物的綠色區(qū)域，設(shè)定的閾值可能為：h在35°至85°之間，s在0.4至1之間，v在0.3至1之間，使用閾值分割算法對(duì)hsv圖像進(jìn)行處理，將作物區(qū)域與背景區(qū)域分離；

20、所述閾值分割算法采用k-means聚類算法，具體步驟為：

21、像素點(diǎn)表示：將hsv圖像的每個(gè)像素點(diǎn)表示為三維向量(h,s,v)。

22、初始化聚類中心：選擇k個(gè)初始聚類中心，k設(shè)為2，分別對(duì)應(yīng)作物區(qū)域和背景區(qū)域。

23、迭代更新：通過迭代更新，計(jì)算每個(gè)像素點(diǎn)到聚類中心的距離，并將其歸類到最近的聚類中心。

24、更新中心點(diǎn)：更新聚類中心為當(dāng)前簇中所有點(diǎn)的均值，重復(fù)上述步驟直到收斂。

25、分割結(jié)果：最終輸出的聚類結(jié)果即為作物區(qū)域和背景區(qū)域的分割圖像。

26、優(yōu)選的，所述步驟s2利用外參標(biāo)定和內(nèi)參標(biāo)定將激光雷達(dá)點(diǎn)云與相機(jī)的rgb圖像進(jìn)行對(duì)齊包括：

27、使用針孔相機(jī)模型，內(nèi)參矩陣表示為：

28、

29、其中，fx和fy分別為相機(jī)的水平和垂直焦距，cx和cy為主點(diǎn)的像素坐標(biāo)；

30、使用棋盤格標(biāo)定工具，通過拍攝多個(gè)不同角度的棋盤格圖像，應(yīng)用opencv庫中的findchessboardcorners和calibratecamera函數(shù)來估計(jì)相機(jī)的內(nèi)參矩陣以及畸變系數(shù)；

31、旋轉(zhuǎn)和平移參數(shù)，外參通常表示為一個(gè)旋轉(zhuǎn)矩陣r和一個(gè)平移向量t，外參矩陣可以表示為：

32、

33、其中r是3x3的旋轉(zhuǎn)矩陣，t是3x1的平移向量；

34、在標(biāo)定過程中，用李代數(shù)優(yōu)化旋轉(zhuǎn)和平移參數(shù)，通過將旋轉(zhuǎn)矩陣r表示為指數(shù)映射其中，是反對(duì)稱矩陣，ξ是李代數(shù)向量，表示旋轉(zhuǎn)的小變化；

35、先通過粗略標(biāo)定得到初始的旋轉(zhuǎn)矩陣，r0和平移向量t0；

36、將標(biāo)定問題轉(zhuǎn)化為最小化誤差函數(shù)的問題，該誤差函數(shù)是激光雷達(dá)點(diǎn)云在圖像平面上的投影誤差，目標(biāo)是最小化每個(gè)激光雷達(dá)點(diǎn)的投影位置與對(duì)應(yīng)的圖像像素點(diǎn)之間的差距，誤差函數(shù)可以表示為：

37、

38、其中，pi是第i個(gè)激光雷達(dá)點(diǎn)在激光雷達(dá)坐標(biāo)系中的坐標(biāo)，project(pi,r,t)是該點(diǎn)在相機(jī)圖像平面上的投影位置，pi是對(duì)應(yīng)的圖像像素點(diǎn)，n是總的匹配點(diǎn)對(duì)數(shù)；

39、在優(yōu)化過程中，使用李代數(shù)的小擾動(dòng)δξ來更新旋轉(zhuǎn)矩陣r和平移向量t：

40、

41、然后通過梯度下降或者高斯-牛頓法等優(yōu)化算法迭代更新，直到誤差函數(shù)收斂到最小值，優(yōu)化后得到的旋轉(zhuǎn)矩陣r和平移向量t即為激光雷達(dá)與相機(jī)的外參。

42、優(yōu)選的，所述步驟s3基于雙攝深度感知技術(shù)將兩個(gè)tof相機(jī)獲取的顏色信息和深度信息相融合包括：

43、將兩個(gè)tof相機(jī)采集的顏色圖像通過特征提取算法獲取各自的特性描述符；

44、利用雙攝深度感知技術(shù)進(jìn)行點(diǎn)對(duì)點(diǎn)對(duì)應(yīng)匹配，優(yōu)化顏色信息的一致性；

45、應(yīng)用融合準(zhǔn)則，計(jì)算兩個(gè)tof圖像中每一像素處顏色和深度信息的綜合權(quán)重；

46、通過合成處理獲得具有精確深度與色彩信息的新圖片；

47、所述應(yīng)用融合準(zhǔn)則，計(jì)算兩個(gè)tof圖像中每一像素處顏色和深度信息的綜合權(quán)重的計(jì)算方法是：

48、基于綜合加權(quán)計(jì)算，其中如果深度信息的一致性好于設(shè)定閾值m并且顏色一致性高于另一閾值n，權(quán)重優(yōu)先偏向深度信息w深＝α，否則偏向顏色信息w色＝β(此處α+β＝1)；

49、針對(duì)兩個(gè)tof相機(jī)中的每一像素i進(jìn)行檢查；

50、每一像素處根據(jù)色彩信息與深度信息一致性比較的結(jié)果賦予不同的權(quán)重比例α或者β；

51、在獲得每個(gè)像素顏色信息i和深度信息d對(duì)應(yīng)的權(quán)重α或者β后執(zhí)行權(quán)重計(jì)算c(i)＝α×i+β×d以確保圖像在融合過程中保持清晰和真實(shí)性的平衡。

52、優(yōu)選的，所述對(duì)每一個(gè)像素的計(jì)算c(i)＝α×i+β×d的過程為：

53、針對(duì)每一個(gè)像素的位置，在計(jì)算前基于預(yù)先定義的條件，根據(jù)閾值m和n評(píng)估像素顏色信息的一致性與深度信息的一致性是否達(dá)標(biāo)；

54、當(dāng)評(píng)估結(jié)果顯示深度信息d高于一致性水平m而顏色信息i的一致性高于n時(shí)，則權(quán)重系數(shù)設(shè)置為：α＝max(閾值k1,閾值一致性系數(shù))，

55、保持兩者之和為1；β＝min(α1,1)

56、對(duì)不符合上述條件的像素，則設(shè)置其權(quán)重系數(shù)為β＝max(閾值k1,1閾值一致性系數(shù))，

57、

58、使用計(jì)算出的權(quán)重進(jìn)行融合，最終得到綜合加權(quán)值c(i)＝α×i+β×d；

59、所述針對(duì)每一個(gè)像素的位置，在計(jì)算c(i)＝α×i+β×d過程之前根據(jù)閾值m和n執(zhí)行一致性的初步評(píng)估包括：

60、假定閾值一致性和閾值k1為給定值，首先根據(jù)當(dāng)前點(diǎn)的深度差與顏色差異是否小于m和n作為基準(zhǔn)，判定該像素的特征類型是顏色主導(dǎo)還是深度主導(dǎo)并分別進(jìn)行處理；

61、針對(duì)顏色為主導(dǎo)的特征像素位置i，當(dāng)其深度差異d與標(biāo)準(zhǔn)一致時(shí)(|δd|<m)，設(shè)定α＝max(閾值k1,一致性系數(shù)閾值)，否則

62、

63、相對(duì)地對(duì)于深度主導(dǎo)的情況，若其色差滿足(|δc|<n)，β設(shè)定為max(閾值k1,一致性系數(shù)閾值)；

64、最終通過c(i)＝α×i+β×d來調(diào)整圖像的顏色和深度表現(xiàn)使之符合預(yù)期目標(biāo)。

65、優(yōu)選的，所述在判定顏色或深度信息一致性是否符合閾值標(biāo)準(zhǔn)后對(duì)閾值參數(shù)動(dòng)態(tài)調(diào)整的具體實(shí)施方法包括：

66、如果當(dāng)前環(huán)境中光線較亮導(dǎo)致色彩變化較大，則增大顏色一致性閾值n并適當(dāng)減小m值使得顏色信息權(quán)重增加β＝max((1/γ,(閾值k1+γ/5))/1.5,α＝min(1/β,(閾值k2/1.2))；

67、若是由于環(huán)境光線偏暗或有障礙造成對(duì)tof深度測量的影響顯著增加，則需降低一致性閾值m，適當(dāng)提升n值使得深度數(shù)據(jù)權(quán)重增強(qiáng)α＝max((1/γ,(閾值k1+γ/2)),β＝min((1/α,((閾值k2×1.2)/2.8))；

68、預(yù)測未來幀環(huán)境光線可能的變化情況并依據(jù)當(dāng)前的γ值(當(dāng)前亮度等級(jí)和未來預(yù)測等級(jí)的比例因子γ∈[1,10])來進(jìn)一步動(dòng)態(tài)調(diào)整閾值m、n，保證不同。

69、優(yōu)選的，所述步驟s4具體包括：

70、從步驟s3得到的融合后數(shù)據(jù)包括作物的三維點(diǎn)云和顏色信息。首先，對(duì)三維點(diǎn)云數(shù)據(jù)進(jìn)行處理，提取作物的形態(tài)特征，通過分析三維形態(tài)特征，可以識(shí)別出作物的生長狀態(tài)；

71、將融合后的顏色信息與作物的標(biāo)準(zhǔn)顏色模型進(jìn)行比較，分析顏色的變化情況，hsv顏色空間中特別關(guān)注色相的變化，檢測是否存在顏色異常；

72、根據(jù)提取的形態(tài)特征和顏色信息，計(jì)算作物的健康指數(shù)；

73、將計(jì)算得到的健康指數(shù)與標(biāo)準(zhǔn)適應(yīng)性閾值進(jìn)行比較，以判斷作物在當(dāng)前環(huán)境下的適應(yīng)性情況。如果健康指數(shù)高于某一預(yù)設(shè)的閾值，則表明作物適應(yīng)性良好；反之，則可能需要進(jìn)行進(jìn)一步的干預(yù)或調(diào)整；

74、匯總所有的檢測結(jié)果，生成一份詳細(xì)的檢測報(bào)告，根據(jù)檢測結(jié)果，生成對(duì)農(nóng)民或農(nóng)業(yè)管理者的建議；

75、實(shí)時(shí)反饋檢測結(jié)果，并與歷史數(shù)據(jù)進(jìn)行對(duì)比，分析作物生長趨勢。

76、優(yōu)選的，所述計(jì)算作物的健康指數(shù)采用公式：

77、健康指數(shù)＝α×形態(tài)特征得分+β×顏色特征得分，進(jìn)行計(jì)算，

78、其中，α和β是權(quán)重系數(shù)，用于調(diào)整形態(tài)和顏色特征對(duì)健康指數(shù)的貢獻(xiàn)。

79、由上述技術(shù)方案可知，本發(fā)明具有如下有益效果：

80、該基于hsv顏色分割算法的作物適應(yīng)性檢測方法，通過固態(tài)激光雷達(dá)與相機(jī)融合，同步獲取作物的三維信息和顏色消息，使得激光雷達(dá)點(diǎn)云具備rgb顏色信息，對(duì)每個(gè)tof相機(jī)捕獲的圖像進(jìn)行hsv顏色空間轉(zhuǎn)換，并利用預(yù)設(shè)閾值進(jìn)行顏色分割以獲取作物區(qū)域的興趣區(qū)，基于雙攝深度感知技術(shù)將兩個(gè)tof相機(jī)獲取的顏色信息和深度信息相融合，根據(jù)融合后的信息生成適應(yīng)性檢測結(jié)果，提高了圖像中作物的可識(shí)別性,減少外界環(huán)境變化引起的誤檢，實(shí)現(xiàn)在復(fù)雜環(huán)境下對(duì)作物行的有效檢測和追蹤，解決了在單一傳感器配置的場景中，現(xiàn)有的hsv顏色分割算法在應(yīng)對(duì)復(fù)雜環(huán)境變化時(shí)表現(xiàn)出了一些不足，導(dǎo)致檢測準(zhǔn)確率和魯棒性不足的問題。