基于機器視覺的農田地頭邊界線檢測方法

王 僑 劉 卉 楊鵬樹， 孟志軍

(1.國家農業智能裝備工程技術研究中心，北京100097;2.首都師范大學信息工程學院，北京100048)

0 引言

農業生產機器人化是解決農業勞動力短缺、促進農業機械精準化和智能化、提高農業生產效率和經濟效益的關鍵舉措。農田作業機器人化是農業生產機器人化的重要組成部分，非結構農田作業環境中農機全程自主導航行走技術是當前農田作業由自動化過渡至機器人化的關鍵技術之一。

實現農機田間作業過程中的全程自主導航行走，主要包括實現其田內正常作業時的自主導航行走［1-4］、田內遇障時的自主導航避障［5-8］以及地頭處的自主導航轉彎［9-12］三部分。隨著農田場景的變化，田內障礙物通常表現出隨機性、不確定性和非必然存在性，故針對農機田內遇障時的自主導航避障技術研究暫不具有迫切性。而針對農機田內正常作業時的自主導航行走，目前基于全球衛星導航定位系統(Global navigation satellite system，GNSS)［13］的田內直線作業導航技術已較成熟，相關產品已實現批量銷售。但是，農機抵達地頭處的轉向掉頭過程，目前仍需人工操作來實現。因此，研究地頭處的自主導航轉彎技術，是目前實現農機田間作業過程中全程自主導航行走最為緊迫的任務。

在非結構化的農田作業環境中，為實現農機在地頭處的自主導航轉彎，首先要感知地頭的空間位置信息。目前，國內外針對農機在地頭處的轉彎路徑規劃和轉向控制進行了較多研究，但是針對地頭空間位置信息檢測方面的研究卻較少，且相關研究主要基于機器視覺感知技術來判斷是否到達地頭［12，14-15］或完成對地頭邊界線的定位檢測［16-20］。地頭邊界線是描述地頭空間位置的關鍵參數，在短距離范圍內通常近似呈線性特征，在農機田間作業過程中，實時探測地頭邊界線的位置，可為后續規劃地頭轉彎路徑、實施自主轉向掉頭提供關鍵的參考線或基準線。文獻［16 -17］中分別針對土質田埂和水泥田埂，研究了水田中田埂線的視覺檢測方法，主要依據秧苗插種之前水田內外邊緣紋理特征的差異來獲取對應分界線，檢測準確率在98%以上，但該方法并不適用于旱田環境。對于旱田環境中的地頭邊界線，已有研究［18-20］主要依據農田內外的亮度或顏色差異，通過尋找跳變行確定其位置，所獲得的地頭邊界線在圖像中往往呈水平直線狀。很顯然，相關方法僅適用于檢測地頭邊界與農機作業方向近似垂直(此時地頭邊界近似呈水平延伸狀)、較規整的地頭場景，對于實際農田環境中較常見的非垂直、呈傾斜延伸狀、非規整地頭邊界類型并不適用，具有較大的應用局限性。并且所檢測的邊界線也無法保證農機在其內實施自主轉向掉頭操作時安全可靠。目前，關于地頭邊界線的視覺檢測算法所涉及的地頭場景單一、特殊，算法的魯棒性較差，無法適應實際農田中復雜多變的地頭環境，且所檢測的地頭邊界線并不能直接用于農機在地頭處掉頭轉向的基準線。

本文面向農機實現地頭處自主導航轉彎的信息感知需求，基于機器視覺技術，針對耕播時期的幾種典型地頭場景，研究非規整地頭邊界線的檢測方法，為農機在地頭處實現自主轉向掉頭提供可靠的轉向基準線，為實現農機田間作業過程中全程自主導航行走提供技術支撐。

1 農田地頭圖像樣本采集

本質上，地頭屬于農機田間作業過程中一種必然存在的障礙。每個自然農田地塊均存在4 條以上邊界，通常由防護林、田埂、農田道路、溝渠等包圍農田地塊形成。其中，阻礙農機正常前行作業或中斷農機連續作業的田塊邊界(即壟行末端的田塊邊界)視為地頭邊界所在位置。本研究所檢測的地頭邊界線，主要產生于自然田塊邊界位置。農機田間作業過程中，需在抵達地頭邊界線之前完成轉向掉頭，同時需在開始轉向掉頭之前完成地頭邊界線的探測。

非結構農田環境中，地頭類型呈現復雜多樣性，本研究選取耕播時期的3 類典型地頭場景進行地頭邊界線檢測算法的研究:①植被田埂/農田，如灌叢、雜草、樹木等植被田埂。②泥土路/農田。③水泥路/農田。

選用USB 接口的TXY_616_1080P 型高清彩色數碼攝像機，輸出分辨率為800 像素×600 像素。于2018 年10 月在小湯山精準農業示范基地，針對3 類共9 種農田場景，由田內至田外以20 f/s 的速率連續采集獲取視頻圖像，圖1 為采集的3 類共9 種場景下地頭出現時的圖像樣本，圖2 為相應地頭出現前的田內場景圖像樣本。

圖1 不同地頭場景圖像樣本Fig.1 Image samples of different headland scenes

2 地頭邊界線視覺檢測算法

圖2 圖1 中不同地頭場景下的田內場景圖像樣本Fig.2 Image samples of field scenes corresponding to headland scenes in Fig.1

面向非結構復雜農田環境，結合農機田間動態作業過程以及農機在地頭處安全可靠地實施自主轉向掉頭的實際應用需求，基于Matlab 平臺進行非規整地頭邊界線視覺檢測算法的研究，完成以下3 項檢測任務:①首要檢測任務:判斷地頭出現與否。②根本檢測任務:獲取非規整地頭邊界的主體延伸方位線。③關鍵檢測任務:獲取地頭轉向基準線。

2.1 地頭出現與否判斷

農機田內動態作業過程中，需實時判斷其前方視野范圍內是否出現地頭，只有在確定地頭出現的前提下，才需進行地頭邊界線的檢測。尤其是當田外場景較明顯地出現在圖像中時，再檢測地頭邊界線，較為穩妥。

同一地塊中地頭還未出現時的田內場景以及地頭出現后的地頭場景的行灰度平均值(即水平方向像素灰度平均值)分布如圖3 所示，每組圖中，左側為地頭圖像的行灰度平均值，右側為田內圖像的行灰度平均值，對于田內圖像，其分布圖整體變化較為平穩，而對于地頭圖像，對比地頭邊界兩側區域，其行灰度平均值通常存在較明顯的跳變。因此，基于該跳變特征判斷地頭是否出現。

圖3 不同農田場景下的地頭圖像和田內圖像的行灰度平均值變化曲線Fig.3 Curves of row gray average values of different headland images and their corresponding field images

具體檢測步驟如下:

(1)彩色圖像灰度化。根據計算式

式中 R(i，j)、G(i，j)、B(i，j)——原彩色圖像中(i，j)處像素點的R、G、B 分量值

f(i，j)——綠色分量增強后的(i，j)處像素點的灰度

對彩色圖像進行灰度化。

(2)計算行灰度平均值的分散程度。從上往下逐行掃描灰度圖，第j 行像素的灰度平均值為

所有像素的灰度平均值為

正向分布偏差為

負向分布偏差為

式中 xsize——圖像寬度 ysize——圖像高度

(3)判斷地頭是否出現。若正向分布偏差D+＞Dth(判斷閾值)，或者負向分布偏差D - ＞Dth，則表明出現跳變特征，即認為地頭出現，繼續執行后續檢測步驟。否則認為地頭未出現，結束當前幀圖像的檢測。

其中，地頭判斷閾值Dth主要取決于田內場景圖像中上述行灰度平均值數據的正、負向分布偏差的分布范圍，尤其是分布范圍的上限值。

另外，定義跳變方向標志量f1，初始化為0。在判斷出現地頭的前提下，若D+≥D -，則表明地頭邊界處表現為正向跳變特征，令f1=1，否則認為表現為負向跳變特征，令f1= -1。

2.2 非規整地頭邊界的主體延伸方位線獲取

非結構復雜農田環境中，地頭邊界通常呈非規則曲線性，但在短距離范圍內可近似擬合為直線，擬合直線的方位即可視為當前段地頭邊界的主體延伸方位。實際農田環境中，地頭邊界的主體延伸方向不垂直壟行方向的情況較常見，在圖4 所示地頭場景圖像中，黑色箭頭、黑色曲線和橙色直線分別示意壟行方向、實際地頭邊界和曲形地頭邊界的主體延伸方位。此時，采用求取跳變行的方法［18-20］來確定地頭邊界在圖像中的位置，僅能獲得一條紅色虛線所示的位于地頭邊界附近的水平行線，該行線并不能真實地展現地頭邊界的主體延伸方位。

圖4 非規整地頭邊界線獲取示意圖Fig.4 Schematic of acquisition of irregular headland boundary line

本研究擬將圖像沿水平方向平均分成8 個子處理區域，如圖4 所示，分別針對各子處理區域求取跳變位置處的特征點(圖4 中紅色小圓圈)，最后再針對這些特征點進行線性擬合，獲取實際非規整地頭邊界的主體延伸方位線(圖4 中橙色直線)。具體求取過程如下:

(1)分區求取跳變位置處特征點。將灰度圖沿圖像寬度方向均分為8 個子處理區域，第m 個子處理區域沿寬度方向的像素區間范圍為

式中 xsm、xem——第m 個子處理區域沿圖像寬度方向的起始、終止像素位置

定義標志變量f2，初始化為0。從第1 個子處理區域開始，從左往右依次針對各子處理區域進行檢測:

步驟1:參照式(2)求取當前子區域中每一行像素的灰度平均值，存儲于數組Fa中。基于smooth 函數利用局部加權回歸方法對Fa中數據進行平滑處理，平移窗口寬度設置為60 像素，平滑后的數據存儲于數組Fs中。以Fs數據作為縱坐標，各數據所對應的行數作為橫坐標，繪制行灰度平均值平滑曲線，尋找該曲線上的所有波峰點和波谷點，存儲其位置坐標。

步驟2:結合當前地頭邊界跳變方向的不同(即f1的取值)，確定位于跳變位置處的波峰點和波谷點方法如下:

若f1=1，則針對上述所有波峰點，按照其行數(即其橫坐標)從大到小的順序，對其進行排列，并基于排序后的波峰點的縱坐標數據來確定位于跳變位置處的波峰點，從第2 個數據開始，按序計算當前數據的離群度，計算式為

式中 yi、yi-1——排序后的第i 和第i-1 個波峰點或波谷點的縱坐標，i∈［2，N］，N表示波峰點或波谷點的總數

直至尋找到首個滿足不等式R ＞Rth(判斷閾值)的數據為止，則該數據所對應的波峰點即為跳變波峰點，記其位置坐標為(k，yk)，同時本文將排于其之前的相鄰波峰點稱之為預跳變點(即其靠近田內一側的相鄰波峰點，亦即行數較大的相鄰波峰點)，記其坐標位置為(p，yp)。同時，在步驟1 中的行灰度平均值平滑曲線上，尋找點(k，yk)右側最鄰近的波谷點，稱之為跳前波谷點，記其位置坐標為(h，yh)。

若f1= -1，則針對上述所有波谷點，按照同樣的方式，尋找滿足條件的跳變波谷點，記其位置坐標為(h，yh)，同樣將排于其之前的相鄰波谷點稱之為預跳變點，記其位置坐標為(p，yp)。同樣地，在步驟1中的行灰度平均值平滑曲線上，尋找點(h，yh)右側最鄰近的波峰點，稱之為跳前波峰點，記其位置坐標為(k，yk)。

其中，跳變特征判斷閾值Rth主要取決于田內場景中的上述對應曲線下的波峰和波谷點的按序離群程度，即其所對應的|R|的分布范圍的上限值。

若不存在滿足R ＞Rth的跳變波峰點或跳變波谷點，則認為當前子處理區域中無跳變特征點，結束當前幀圖像的檢測。

步驟3:基于跳變波峰點和跳前波谷點或跳變波谷點和跳前波峰點的位置坐標，確定當前子處理區域中跳變特征點的像素坐標位置。取跳變特征點所在行數為(k+h)/2，跳變特征點所在列為當前子處理區域的中心列。若當前為第m 個子處理區域，則當前子處理區域中跳變特征點的像素坐標為((xsm+xem)/2，(k+h)/2)。

另外，定義標志變量f2，初始化為0。當6 個以上子處理區域均存在跳變特征點時，令f2=1，同時記有效子處理區域個數(即存在跳變特征點的子處理區域個數，亦即跳變特征點個數)為M，否則令f2= -1。

(2)線性擬合跳變特征點，獲取主體延伸方位線。若f2=1，則針對上述求取的跳變特征點，基于穩健回歸法［21-22］進行線性擬合，獲取擬合直線，從而獲得地頭邊界的主體延伸方位線。

2.3 地頭轉向基準線獲取

從實際應用的角度看，上述主體延伸方位線并不能直接用作農機在當前地頭處轉向掉頭的基準線。如圖4 所示，當農機以橙色直線作為轉向基準線(即要求農機在抵達該轉向基準線之前完成轉向掉頭)時，A 點處凸向該基準線以內的田外場景(如田埂或道路等)很可能會對農機當前的正常轉向掉頭造成阻礙，導致轉向掉頭失敗，甚至產生碰撞等安全事故。

為此，本研究擬將上述主體延伸方位線向下平行移動，使之經過甚至跨越最遠的邊界位置(以下簡稱安全位置，圖4 中的A 點處)，以此獲取在當前地頭處安全轉向掉頭的基準線，如圖4 中綠色直線所示。由此，該轉向基準線既順沿實際地頭邊界的主體延伸方向，又將當前所有凸向田內的外部區域分割在外，可保證農機在該轉向基準線之內實施自主轉向掉頭操作時安全可靠。操作步驟如下:

(1)在前述M 個預跳變點中，尋找對應行數最大(即橫坐標值最大)的預跳變點，并記該預跳變點所屬的子處理區域為關鍵子處理區域。

(2)基于關鍵子處理區域的行灰度平均值平滑曲線，求取曲線上預跳變點左側數據的平均值和標準偏差D0。

(3)在關鍵子處理區域內，以主體延伸方位線的初始位置作為起始位置，將其逐行往下平移，同時逐行計算線上像素的灰度平均值，并存儲于數組FL中。同樣基于smooth 函數，設置平移窗口寬度為60像素，利用局部加權回歸方法對FL中數據進行平滑處理，將平滑后的數據存儲于數組FLs中。以FLs中數據作為縱坐標，以對應的平移行數作為橫坐標，繪制灰度平均值平滑曲線。

(4)再次結合當前地頭邊界跳變方向的不同，分別采取以下方法將主體延伸方位線平移至安全位置處:

當f1= -1 時，在上述平滑曲線上，從左往右按序尋找首個滿足縱坐標值大于-D0的點，該點所對應的平移行數即可認為是原主體延伸方位線抵達安全位置處所需向下平移的最小行數，本文將滿足以上平移條件的平移方案稱之為平移途徑1。

當f1=1 時，根據D -與Dth-關系，采取平移方法如下:①若D -≤Dth-，則首先在上述平滑曲線上，尋找到第1 個波谷點，然后在該波谷點之前的平滑曲線上尋找到縱坐標值小于且最接近+ D0的點，該點所對應的平移行數，即可認為是原主體延伸方位線抵達安全位置處所需向下平移的最小行數，本文將滿足以上平移條件的平移方案稱之為平移途徑2。②若D - ＞Dth-，則在上述平滑曲線上，首先尋找到第1 個波谷點，然后以第1 個波谷點為起點，向后按序尋找到首個滿足縱坐標值大于的點，同樣地，該點所對應的平移行數，即可認為是原主體延伸方位線抵達安全位置處所需向下平移的最小行數，本文將滿足以上平移條件的平移方案稱之為平移途徑3。

依據上述3 種平移途徑所獲取的最小平移行數，將主體延伸方位線平移到位后，即可獲得當前地頭處轉向掉頭的基準線，即為本研究最終所要求取的用于農機自主導航的地頭邊界線。

2.4 總體檢測流程

總體檢測流程如圖5 所示。

3 試驗與結果分析

3.1 閾值確定

從前述3 類共9 種農田場景視頻圖像中，截取各場景下的田內場景視頻段，從第1 幀開始，以每20 幀選取一幀的方式，從截取的每段田內場景視頻中，各選取50 幀圖像。

圖5 總體檢測流程圖Fig.5 Flow chart of detection method

(1)地頭判斷閾值

分別針對上述9 種田內場景下的各50 幀圖像樣本，計算每幀圖像的行灰度平均值數據間的正向分布偏差DIn+和負向分布偏差DIn-，并統計這50 組DIn+和DIn-的分布區間，設兩分布區間上限值中的最大值為Dmax，最后根據Dmax確定當前場景下的地頭判斷閾值Dth。事實上，本研究設置Dth=1.3Dmax，通過預留一定的余量以便地頭較明顯地出現在圖像上方后再確認地頭出現并進行后續檢測，以此提高地頭邊界線的可見性，便于后續對其進行準確檢測。由此，當圖像中僅冒出少部分地頭時本研究視之為地頭未出現的情況。9 種田內場景下的DIn+和DIn-分布區間、Dmax以及對應的Dth見表1。

表1 地頭判斷閾值和跳變特征判斷閾值Tab.1 Determination of headland judgement threshold and jumping feature judgement threshold

農機田間作業過程中，在作業前期，通常不會遇見地頭，所采集的圖像一般為田內場景圖像，由此在實際應用中，可基于前期連續采集的圖像樣本集確定地頭判斷閾值。

(2)跳變特征判斷閾值

針對上述9 種田內場景下的各50 幀圖像樣本，計算每幀圖像的行灰度平均值平滑曲線上波峰點間和波谷點間的按序離群程度|R|的取值范圍，其中f1取1。并統計這100 組取值范圍的分布區間，設分布區間上限值為Rmax，根據Rmax確定當前場景下的跳變特征判斷閾值Rth。本研究設置Rth=1.3Rmax，同樣通過預留一定的余量以避免凸起的農田道路其側面非均質的小段斷層陰影對田內外灰度跳變特征的判斷造成負向干擾，如圖1c(場景9)所示的水泥地頭場景，從其行灰度平均值分布(圖3d)可知，水泥道路相對田內存在明顯的灰度正向跳變，而其側面小段的斷層陰影相對田內存在局部灰度負向跳變。由此，針對植被田埂類地頭場景和非凸起的道路類地頭場景，通過獲取田埂或道路與田內分界處的灰度跳變特征來確定地頭邊界的主體延伸方位，而針對凸起的道路類地頭場景，基于道路與其側面斷層區分界處的灰度跳變特征來確定地頭邊界的主體延伸方位。9 種田內場景下的Rmax以及對應的Rth見表1。

在實際應用中，同樣地，可基于作業前期連續采集的田內圖像樣本集來確定跳變特征判斷閾值。

3.2 地頭出現與否判斷結果

針對圖1 中的3 類共9 種地頭場景圖像樣本，計算獲得其正向分布偏差D+和負向分布偏差D -依次為:17.63、43.83;20.07、46.54;50.95、15.04;32.11、24.95;36.65、17.23;20.70、12.12;25.00、19.43;54.88、25.04;20.69、18.49。結合表1 可知，圖1a 中場景1、2 的D -，圖1a 中場景3 的D+，圖1b中場景4、5 的D+，以及圖1c 中場景7、8 的D+，均小于對應場景下的閾值Dth，由此判斷上述圖像均為地頭出現時的場景，符合實際情況，均判斷正確。對于圖1b 中場景6 和圖1c 中場景9，由于圖像中僅有少部分地頭冒出，導致其D+雖然大于對應場景下的Dmax，但卻均小于對應場景下設置的閾值Dth，由此均判斷為地頭未出現時的場景，此時停止當前幀圖像的檢測。而當這2 種場景下對應的地頭較明顯地出現在圖像上方后，如圖6 所示，分別為場景6、9各自所對應場景下地頭出現較明顯后的圖像樣本，計算獲得其D+和D -依次為:38.32、16.09;42.33、24.10。此時圖6a 和圖6b 的D+均小于對應場景下的閾值Dth，由此均判斷為地頭出現時的場景，此時執行后續檢測步驟。由此可見，本研究的地頭判斷閾值設置合理，判斷結果符合預期效果。

圖6 出現較明顯地頭時的圖像樣本Fig.6 Image samples of headland scenes after obvious headland appeared at top of image

同樣地，針對圖2 中的3 類共9 種田內場景圖像樣本，計算獲得其正向分布偏差D+和負向分布偏差D - 依次為:8.58、10.33;10.22、13.52;6.71、6.04;18.60、12.59;8.07、10.57;10.14、10.02;11.00、15.23;11.47、13.35;9.42、9.65。結合表1可知，以上各值均小于對應場景下的閾值Dth，由此判斷上述圖像均為地頭未出現時的場景，符合實際情況，均判斷正確。

3.3 主體延伸方位線檢測結果

(1)跳變特征點求取結果

以圖6b 為例，其灰度圖如圖7a 所示，其跳變方向標志量f1=1，將其灰度圖沿水平方向平均分成8個子處理區域，圖7a 中紅色方框區域表示首個子處理區域。該子處理區域所對應的行灰度平均值見圖7b 中藍色曲線。該平滑曲線上共計有14 個波峰點和14 個波谷點。按照行數從大到小的順序，14 個波峰點的位置坐標依次為:(546，148)、(530，147)、(483，130)、(469，133)、(413，134)、(403，130)、(336，145)、(274，145)、(235，138)、(197，147)、(182，148)、(135，118)、(47，213)、(29，215)。從以上第2 個波峰點開始，依次計算并獲得其縱坐標值的按序離群度R 分別為:-1.29%、-11.15%、2.34%、0.65%、- 2.68%、10.54%、- 0.21%、-5.01%、6.44%、0.80%、- 21.36%、68.47%、1.46%。

結合表1 可知，第13 個波峰點的R 值大于當前的跳變特征判斷閾值19.44%，由此確定波峰點(47，213)為跳變波峰點，波峰點(135，118)為預跳變波峰點。另外，結合波谷點的位置坐標，確定跳變前波谷點的位置坐標為(104，92)。由此，基于跳變波峰點和跳變前波谷點位置坐標確定首個子處理區域中跳變特征點的像素坐標為(50，76)。同理依次獲得剩余7 個子處理區域中跳變特征點的像素坐標為(150，67)、(250，65)、(350，70)、(450，66)、(550，75)、(650，67)、(750，80)。

如圖7b 所示，紅色和綠色小圓圈中心分別表示所獲取的波谷點、波峰點位置，藍色、青綠色和黑色小圓圈中心分別表示所獲取的跳變波峰點、跳變前波谷點和預跳變點。8 個跳變特征點在原圖中的位置如圖7c 中紅色圓圈中心所示，由圖可知，檢測獲取的跳變特征點定位較準確。

圖7 圖6b 地頭場景圖下的跳變特征點檢測過程示意圖Fig.7 Schematics of detection process of jump feature points for Fig.6b

(2)主體延伸方位線擬合結果

上述8 個跳變特征點線性擬合結果如圖8i 中黃色直線所示，該直線即為圖6b 中地頭場景的主體延伸方位線。另外，圖1a、1b 中場景4、5 和圖6a、1c中場景7、8 的地頭主體延伸方位線檢測結果如圖8中黃色直線所示。其中，圖1c 中場景8 和圖6b 為凸起的道路類地頭場景，由檢測結果可知，所獲取的主體延伸方位線較好地擬合了道路與其側面斷層區之間的分界位置，而對于剩余的地頭場景圖像，所獲取的主體延伸方位線也較好地擬合了田內與田外區域之間的分界位置，檢測結果均較準確。

3.4 轉向基準線檢測結果

同樣地，以圖6b 中地頭場景圖像為例，8 個預跳變點中，第2 和第5 個子處理區域的預跳變點所對應的行數最大，兩者任選其一作為關鍵子區域。選取第5 個子處理區域作為關鍵子區域。在該關鍵子區域的行灰度平均值平滑曲線上，計算獲得預跳變點左側數據的平均值為137.34。在關鍵子區域內，將主體延伸方位線逐行向下平移，并逐行計算平移后的線上像素灰度平均值，如圖9a 中黃色曲線所示，獲得其平滑曲線如圖中藍色曲線所示。另外，圖中紅色小圓圈中心表示平滑曲線上的波谷點。鑒于圖6b 中地頭場景圖像下f1=1，且D - =24.10 ＞Dth= 23.39，由此依據平移途徑3 進行平移。由圖9a 可知，藍色小圓圈中心所示位置處，其縱坐標值為139.71，為平滑曲線上第1 個波谷點之后首個大于的值，所對應的平移行數為112 行，故原主體延伸方位線抵達安全位置處所需向下平移的最小行數為112 行。

另外，對于圖1a 中地頭場景1 和圖1b 中地頭場景5，其f1、D -、Dth、關鍵子區域、D0依次為-1、43.83、18.31、第5 個子處理區域、150.82、16.76，1、17.23、21.55、第5 個子處理區域、137.11、18.26。同樣地，在各自的關鍵子區域內，計算并獲得各自的主體延伸方位線逐行向下平移過程中其線上灰度平均值數據的平滑曲線，分別如圖9b、9c 所示。結合平滑曲線，確定上述3 類地頭場景圖像下所需采取的平移途徑依次為平移途徑1 和平移途徑2。由圖9 可知，以上兩類地頭場景圖像下，原主體延伸方位線抵達安全位置處所需向下平移的最小行數分別為42、19 行。

圖9 主體延伸方位線平移行數確定示意圖Fig.9 Determination of row number of downward translation of main-body extended azimuth line

按照上述最小平移行數將圖6b 場景9、圖1a中場景1、圖1b 中場景5 的主體延伸方位線分別平移至安全位置處，由此獲得相應地頭處轉向掉頭的基準線，分別如圖8i、8a、8e 中綠色直線所示。

此外，剩余地頭場景圖像的轉向基準線獲取結果如圖8 中綠色直線所示。由圖8 可知，檢測獲取的轉向基準線，可保證農機在該轉向基準線以內完成掉頭轉向操作時安全可靠，即為本研究所要求取的用于農機自主導航的地頭邊界線。

3.5 總體檢測結果

從前述采集的3 類共9 種農田場景視頻中，針對每種場景，從中截取地頭出現前的田內連續圖像幀共計2 000 幀，并截取地頭出現較明顯后的連續圖像幀共計100 幀。針對每種場景下的2 100 幀圖像，逐幀檢測地頭是否出現，并判斷檢測結果的準確性，同時針對每種場景下的上述100 幀圖像，逐幀進行地頭邊界線檢測，僅當能檢測出地頭邊界線且所檢測出的地頭邊界線可保證農機在其內實施自主轉向掉頭操作安全可靠時，才視當前幀地頭邊界線檢測正確，同時統計單幀圖像檢測處理的最長時間，試驗結果如表2 所示。

表2 檢測結果Tab.2 Test results

由表2 可知，地頭出現與否判斷準確率不低于96%，地頭邊界線檢測準確率不低于92%，基于Matlab 平臺單幀圖像處理時間不高于0.52 s。試驗結果表明，本算法可準確地判斷是否抵達地頭，并快速檢測出用于農機自主導航的地頭邊界線，所檢測出的地頭邊界線可保證農機在該轉向基準線以內完成轉向掉頭操作時安全可靠。

4 結論

(1)基于農田內外像素灰度值的跳變特征來判斷地頭是否出現。建立并計算正向分布偏差和負向分布偏差兩個度量，分別用以描述圖像行灰度平均值數據的正向和負向分散程度，當兩度量之一大于判斷閾值(即數據分布較為分散)時，即可認為出現跳變特征，判斷地頭出現。該判斷方法主要適用于農田內外具有灰度跳變特性且田內勻質分布的農田場景，檢測準確率不低于96%。當田內存在大塊異物或雜質，或存在其他導致田內局部區域灰度差異較大的影響因素(如陰影、灌溉不均勻等)時，則會造成判斷準確性下降，同時也將影響后續檢測。

(2)將圖像沿水平方向平均分成8 個子處理區域，針對各子處理區域求取行灰度平均值分布圖，基于局部加權回歸法對該分布圖進行平滑處理。針對存在正向(或負向)跳變特征的場景，基于平滑曲線上的波峰點(或波谷點)，引入按序離群度，用以描述按行數大小倒序排列后的波峰點或波谷點其所對應的行灰度平均值的按序離群程度，將首個離群度較大的波峰點或波谷點視為跳變波峰點或跳變波谷點。基于跳變波峰點和跳變前波谷點或跳變波谷點和跳變前波峰點位置坐標，確定跳變特征點的像素坐標位置。最后，基于穩健回歸法對跳變特征點進行線性擬合，獲取實際非規整地頭邊界的主體延伸方位線。試驗結果表明，所獲取的主體延伸方位線較好地擬合了田內與田外區域之間的分界位置，檢測結果較為準確。

(3)根據預跳變點所對應的行數確定田外區域凸向田內程度最大的關鍵子區域，基于該子區域的行灰度平均值擬合曲線，求取預跳變點左側數據的平均值和標準差，確定田內像素的灰度分布特征。將主體延伸方位線向下平行移動，當其線上像素的灰度平均值接近于田內像素的灰度分布特征時，認為抵達安全位置處，由此獲取農機在當前地頭處安全轉向掉頭的邊界線。試驗結果表明，3 類共9 種農田場景下，地頭邊界線檢測準確率不低于92%。本研究可為農機在地頭處實施自主導航轉彎提供較為準確、可靠的地頭信息感知技術支持。