基于圖像處理的蟹塘水草圖像導航線擬合方法

阮承治 林根深 陳旭 孫月平 楊君 趙德安

摘要：針對河蟹養殖中水草清理是以人工完成為主，存在費工費時、勞動效率低、成本高等問題，提出一種圖像處理的蟹塘水草圖像導航線擬合方法。首先通過采集水草RGB圖像，并轉換為HSV顏色空間，并選用H分量二值分割，對分割圖像進行填充處理；其次根據水草圖像面積差異，設定參數刪除非目標區域，進行形態學運算，保留目標區域；再按列查找二值圖像非零像素點的中點位置，得到水草圖像形態特征曲線；最后根據查找的特征曲線，利用最小二乘法擬合出導航線。試驗結果表明本文方法擬合導航線相對誤差在0.498%以內，平均相對誤差絕對值為0.247%，平均耗時為0.005s。本文方法能夠較好地滿足水草圖像導航線擬合的準確性和實時性，可為智能化水草清理作業船的研制奠定理論與技術基礎。

關鍵詞：水草圖像；HSV顏色空間；圖像分割；導航線擬合

中圖分類號：S24

文獻標識碼：A

文章編號：20955553 （2023） 070147

08

Navigation line fitting method of crab pond aquatic plant image based on image processing

Ruan Chengzhi1， Lin Genshen1， Chen Xu2， Sun Yueping3， Yang Jun1， Zhao Dean3

（1. Agricultural Machinery Intelligent Control and Manufacturing Technology of Fujian Provincial Key Laboratory，

Wuyi University， Wuyishan， 354300， China; 2. Nanjing Institute of Agricultural Mechanization， Ministry of

Agriculture and Rural Affairs， Nanjing， 210014， China; 3. School of Electrical and Information Engineering，

Jiangsu University， Zhenjiang， 212013， China）

Abstract：? In response to the challenges of labor-intensive and time-consuming manual aquatic plant cleaning in crab farming， a method for image-guided navigation line fitting of water grass in crab ponds is proposed. The proposed approach involves several steps. First， RGB images of aquatic plants are read and converted into HSV color space. The H component is selected for binary segmentation， and the segmented image is then filled. Secondly， based on the differences in the water grass image area， parameters are set to delete the small area parts， and the processed image is processed by morphology to retain the target area. Then， the midpoint of non-zero pixels in the binary image is searched by column to obtain the morphological characteristic curve of the aquatic plant image. Finally， based on the characteristic curve， the navigation line is fitted using the least square method. The experimental results show that the relative error of the fitted navigation line is within 0.498%. The average absolute value of the relative error is 0.247%. The average processing time is 0.005s. The method proposed in this paper shows good accuracy and real-time performance in fitting navigation lines for aquatic plant images， which can lay a theoretical and technical foundation for the development of visually guided aquatic plant cleaning workboats.

Keywords：? aquatic plant image; HSV color space; image segmentation; navigation line fitting

0 引言

隨著我國水產養殖業飛速發展，河蟹養殖已成為重要支柱產業。截至2020年，我國蟹塘養殖面積突破667khm2，總產值達550億元［1］。在河蟹養殖中多采用種草養殖模式，水草是河蟹喜食的餌料，也可為河蟹提供避敵、蛻殼棲息場所。但由于水草生長旺盛，特別是每年5～10月高溫時期，大規模水草會過度生長，水草覆蓋蟹塘水面會阻止波浪產生，不利于空氣中氧氣融入水體；而且水草過于旺盛，其末端易死亡腐敗，易導致水質惡化，從而影響河蟹生長發育，減低河蟹產量［2］。根據漁民養殖經驗，水草漂蕩蟹塘水體其頂端離水面約20cm，是清理水草、有益河蟹生長發育的最佳標準。因此，蟹塘水草的及時清理與維護對河蟹養殖有著非常重要的作用［34］。

目前，河蟹養殖中水草清理工作主要由人工完成，費工費時、勞動效率低、成本高。而且隨著我國人口老齡化加劇，實現水草清理的機械化與自動化迫在眉睫［5］。國內外專家學者對于水草清理作業船的研究，近些年也取得一定的進展。美國公司生產的液壓往復式單體水草收割船，采用滾筒式拔草裝置，水草漏割率較高［6］。吳波等［2］設計一種ARM控制器的河蟹養殖水草清理GPS自主導航作業船，并通過試驗驗證得到該作業船直行行駛具有較好控制效果。孟良宇等［7］設計一種河道水草清理作業船，該作業船適用于大型湖泊和河道清理工作，且會帶來二次污染，不適用于河蟹養殖水草清理。在農業機器人導航線擬合研究方面，郭祥雨等［8］提出遍歷R-B灰度圖像，并對感興趣目標區域進行標記，最后采用最小二乘法擬合視覺導航線的方法，該方法需要遍歷所有圖像，實時性難以滿足要求。阮承治［9］設計了一種水草清理視覺系統，該系統中水草導航線擬合主要針對的是簇狀水草，采用的是提取簇狀水草重心的方法，該方法具有一定局限性。

因蟹塘水草的生長形態各有不同和環境因素的影響，從中分割出水草有效區域，并擬合出視覺導航的導航線是實現水草清理自動作業的關鍵。因此，本文首先將彩色水草圖像從RGB顏色空間轉換到HSV顏色空間，選擇HSV顏色空間中的H分量，排除飽和度和亮度分量影響，然后根據水草圖像的不同特征進行分割處理，采用先閉后開的圖像形態學處理消除邊緣的小噪聲和連通散點區域，再通過計算面積參數的方法保留有效區域。接著通過查找非零像素點中點的方法得到特征曲線，最后根據最小二乘法進行水草圖像導航線擬合。

1 材料與方法

1.1 圖像采集

本文以蟹塘水草圖像作為研究對象，圖像采集地點為江蘇省興化市安豐鎮，采集時間為2019年8月，合計采集200幅照片；圖像采集系統中采用的攝像頭為KBE-RT6200E/S，采集圖像大小為600像素×500像素；采用的圖像處理軟件是MATLAB R2014b。

1.2 蟹塘水草導航線擬合算法

根據對水草圖像RGB與HSV顏色模型對比，HSV顏色模型可以根據水草圖像的顏色性質（如水草的深淺、遠近）進行分類，將飽和度和亮度在H、S和V顏色分量中設置為0，保留其色調值，對水草單獨進行圖像處理，圖像處理導航線擬合更具有針對性。首先，將水草圖像轉換為HSV顏色空間；其次，對顏色空間圖像采用均值濾波進行降噪；再次，選取HSV顏色模型中的H通道，將蟹塘水草圖像進行閾值二值分割，閾值的參數通過自定義的方法來確定；為了消除光線與水面反射對水草圖像分割的影響，對分割后的水草圖像進行填充部分空洞；接著對填充后的圖像進行面積開運算選取所需最大面積前半部分，并且去除干擾物，通過非與操作得到中間最大區域前和后半部分，進行形態學操作，根據先閉后開的思想，刪除小面積，即得到理想的最大導航有效區域；然后，對有效區域圖像進行按列查找像素點的中點位置，將離散點連成水草圖像特征曲線；最后，對比霍夫變換與最小二乘法的擬合結果，采用最小二乘法對特征點數據進行直線擬合，得到水草圖像擬合的導航線。蟹塘水草圖像導航線擬合方法流程如圖1所示。

1.3 圖像處理和導航線擬合

1.3.1 顏色空間的選擇

在彩色圖像處理中，顏色空間的選擇尤為重要，RGB顏色模型是在圖像處理中最為基礎的顏色模型，簡單直觀，可應用于各種成像設備工作環境［1011］。但RGB顏色空間是一種不均勻的顏色空間，像素顏色距離與人眼視覺感知差距較大，且三個分量會受到環境光照影響［12］。而HSV顏色空間是由RGB顏色空間轉變而來的六邊立方體，其是均勻的顏色空間，比較適合人眼的視覺感知系統［13］。故在本文中選擇使用HSV顏色空間進行圖像處理。

在RGB顏色空間中，對R、G、B三個分量進行歸一化處理，其范圍為［0，1］。其分量轉換公式如式（1）～式（3）所示。

H=cos－1［（R－G）+（R－B）］/2（R－G）2+（R－B）（R－G）12/360

（1）

S=1－3（R+G+B）［min（R，G，B）］

（2）

V=13（R+G+B）

（3）

式中：

R、G、B——

RGB顏色空間中的紅、綠和藍顏色分量；

H、S、V——

HSV顏色空間中的色調、飽和度和亮度分量。

系統將采集到的水草圖像從RGB模型中轉換到HSV顏色空間中，分量提取三個H、S、V分量圖像進行分析。本試驗采集的彩色圖像為600像素×500像素，處理結果如圖2所示。

從圖2可得，三個分量有著明顯水草顏色差異，在HSV顏色空間中僅考慮H色調分量作為二值分割的選定，將色調分量從顏色空間中單獨處理，從而降低光照和水面反射光的影響，凸顯出水草的顏色特征，可以較好地進行水草圖像分割。

1.3.2 圖像填充

在對圖像進行二值分割后，因水草分布密集不同，目標區域存在空洞部分，而空洞部分對目標區域的提取會造成一定影響［14］。因此，需對其分割后圖像進行填充處理，形態學變換如式（4）所示。

Xn=（Xn－1S）∩Ic

（4）

式中：

I——區域邊界點集合；

n——迭代次數；

S——結構元素；

Ic——

I區域以外的點構成的集合。

當Xn=Xn-1時停止迭代，此時Xn為所包圍的填充區域，填充原理如圖3所示。

1.3.3 保留有效區域

因對H分量圖像分割結果后，再進行填充的圖像，難以達到分割效果，故需對圖像進一步處理。通過計算各個區域的面積參數，找到目標區域和無關區域的參數，再采用刪除小面積的方法分別得到無關區域的二值圖像，利用與非操作得到目標區域中間散點部分和目標區域的前端與后端部分，然后進行圖像合并，進一步得到目標區域。

水草圖像刪除無關小面積后，得到的圖像邊緣區域沒有很光滑，圖像區域有一些肉眼可見的孔洞，還存在著一些干擾。因此，采用先膨脹后腐蝕的閉運算處理，在不明顯改變二值化圖像像素的情況下，填充水草圖像內的散點部分，連接其相近目標區域，平滑圖像邊緣［15］。閉運算記為A·B，其數學公式定義為

A·B=（AB）ΘB

（5）

式中：

A——圖像集合；

B——結構元素；

AB——圖像膨脹；

（AB）ΘB——圖像先膨脹再腐蝕。

二值圖像進行閉運行后，存在目標區域之外的小面積區域，這會對目標區域后續進行導航線的擬合產生影響。因此，采用先腐蝕再膨脹的開運算處理，用于刪除水草圖像部分非目標區域，并平滑圖像的邊緣［16］。開運算記為AB，其數學公式定義為

AB=（AΘB）B

（6）

式中：

AΘB——圖像腐蝕；

（AΘB）B——圖像先腐蝕再膨脹。

1.3.4 特征點提取

由于自然條件下的水草環境復雜多變，水生植物的形狀和大小生長各有不同，還有些離散簇狀漂浮水草，本文主要是針對目標形成的行狀水草進行導航線擬合。通過形態學處理得到導航目標選取區域的二值圖像，其中二值圖像矩陣對應的是0或1，因此，導航線所對應的非零像素中點就是特征點［17］。

二值圖像中選取最大面積保留的連通區域，將連通區域內按列查找的所有非零像素點的中點位置作為特征像素點，然后將所有的特征點連接成具有一定趨勢的曲線，而由特征點得到曲線可以看成是水草的形狀特征分布曲線。

1.3.5 最小二乘法導航線擬合

對比Hough變換的圖像處理計算量大［18］，難以滿足作業船工作實時性，故采用最小二乘法提取特征點后進行處理。最小二乘法的基本思想是對得到的數據進行處理，使得數據結果的誤差平方和為最小，即∑mi=1‖kxi+b－yi‖2到達最小值時求得解［1920］。

對于蟹塘水草圖像，設水草圖像的橫坐標為x，縱坐標為y，而水草圖像中離散數據點（xi，yi），i=1，2，…，k，先假設x和y之間有著線性的函數關系y=kx+b，不將圖像數據中的誤差計算在內，令

k=k0+δk

b=b0+δb

（7）

式中：

k、b——待估參數；

k0、b0——其近似值；

δk、δb——待求方程的斜率和截距。

則該擬合直線的誤差方程

vi=［xi 1］

δk

δb

+（k0xi+b0－yi）

（8）

該誤差方程的矩陣表達式為

P·δX=l+V

（9）

式中：

l——觀測值；

V——誤差估值矩陣；

P——真值；

δX——最小二乘的解。

其中P=

x11

x21

xi1

，δX=

δk

δb

，

l=

k0x1+b0

k0x2+b0

k0xn+b0

，V=

vy1

vy2

vyn

。

當誤差方程達到最小時，有

VT·V=min

（10）

即∑mi=1‖kxi+b－yi‖2=min

（11）

可以得到其最小二乘解

δX=（PTP）-1PTl

（12）

2 試驗結果與分析

2.1 試驗配置

本文以多種環境下的水草圖像為研究對象，處理與分析圖像的計算機處理器為Intel（R） Core（TM） i5-6500 CPU 3.20 GHz，RAM 8 GB，計算機操作系統為Microsoft Windows 7旗艦版，計算機顯卡Intel（R） HD Graphics 530。

2.2 試驗結果

在圖2中，對比得到H、S和V三種分量圖，在HSV顏色空間中僅對H分量進行二值圖像分割，可以較好地凸顯水草的特征。為驗證本文采用方法的有效性，對采集的水草圖像進行導航線擬合，本文選取有代表性的4幅圖像進行處理，分別采集4種不同環境下的水草圖像進行分析，如圖4所示，圖4（a）為左側環境有河岸建筑物進行干擾的圖像，圖4（b）為右側環境有河岸建筑物進行干擾的圖像，圖4（c）為前端環境有河岸建筑物進行干擾的圖像，圖4（d）為環境中無明顯干擾物的圖像。

在圖4所示的圖像處理過程中，將RGB顏色空間轉換至HSV顏色空間中的H分量，再進行二值分割，其處理效果如圖4（e）～圖4（h）所示，觀察到H分量進行分割的處理結果可以較好地分割出水草特征；然后通過計算圖像區域面積的方法得出各個區域的面積，設定面積參數刪除無關的小面積區域。根據式（5）、式（6）形態學處理平滑水草圖像的邊緣部分和刪除細小面積，保留有效區域，處理后圖像效果如圖4（i）～圖4（l）所示。根據二值圖像為0、1矩陣，按列查找連通區域中非零像素點的中點位置，連接離散點得到水草圖像的特征曲線，如圖4（m）～圖4（p）中的紅色實線；最后根據式（11）計算最小誤差平方和得到最小二乘解，擬合出導航線如圖4（q）～圖4（t），導航線為藍色實線。

2.3 算法對比

為了驗證本文算法，本試驗將圖4（a）～圖4（d）水草圖像進行兩種算法的對比，分別采用最小二乘法和霍夫變換進行導航線擬合，其處理結果如圖5所示。

其中紅色實線表示目標區域中心線，藍色實線表示最小二乘法直線擬合，黑色實線表示Hough變換直線擬合結果。在圖5中對比兩種算法擬合導航線與中心線距離，分別計算擬合導航線坐標離中心線坐標最遠與最近距離如表1所示。表1中，4種環境下的水草圖像最小二乘法擬合的導航線距離中心線坐標最遠處的平均距離為3個像素點，相對于Hough法所擬合的導航線最遠處平均距離減少437個像素點。

根據擬合結果，可以得到中心線、最小二乘法和Hough變換法進行導航線擬合所得的直線方程，并用斜率k和截距b來進行描述方程，如表2所示。然后根據導航線斜率計算兩種算法導航線擬合結果的水平夾角，并計算實際水草圖像中心線的水平夾角，如表3所示。

從表2和表3均可得，最小二乘法所得的直線方程及水平夾角與水草中心線實際方程及水平夾角更為接近，誤差更小。

兩種算法擬合導航線精度，如表4所示。根據圖5和表4的結果可得，最小二乘法針對不同環境下擬合導航線的平均相對誤差絕對值為0.247%，而Hough變換導航線擬合結果平均相對誤差絕對值為35.052%，并且從圖5中可以看出，Hough變換法的導航線和中心線有著明顯的偏移。

最小二乘法與Hough變換法擬合導航線的平均消耗時間，如表5所示。從表5可得，處理200幅圖像情況下，Hough變換法擬合導航線的平均耗時比最小二乘法高2.116s。因此，最小二乘法擬合導航線在精度和實時性上都優于Hough變換法，更加適合蟹塘水草圖像導航線的擬合。

3 結論

1） 為提高自動作業船清理蟹塘水草的工作效率，本文結合圖像處理和最小二乘法，得到一種蟹塘水草圖像導航線擬合方法。針對4種不同環境下的水草圖像，采用HSV顏色空間中的H分量進行二值分割，排除飽和度和亮度分量的影響，這對處理自然環境下的受光線影響的水草圖像有著重要的意義，且對有效區域中查找非零像素點中點位置得到特征曲線，能夠很好地減少最小二乘法導航線擬合的影響，使得導航線擬合結果更加穩定、更接近水草圖像中心線。

2） 通過試驗結果表明，最小二乘法擬合導航線的相對誤差在0.498%以內，平均相對誤差絕對值為0.247%；而Hough變換法擬合導航線的相對誤差最大為68.551%，平均相對誤差絕對值為35.052%。從結果看，Hough變換擬合導航線相對誤差明顯高于最小二乘法。從處理圖像的運行時間表明，處理一幅圖像最小二乘法平均耗時為0.005s，不僅能準確地擬合出導航線，且能夠滿足自動作業船的實時性要求，可為水草清理作業船視覺導航控制系統的研制提供理論基礎與技術支撐。

參 考 文 獻

［1］ 趙德安， 曹碩， 孫月平， 等. 基于聯動擴展神經網絡的水下自由活蟹檢測器研究［J］. 農業機械學報， 2020， 51（9）： 163-174.

Zhao Dean， Cao Shuo， Sun Yueping， et al. Small-sized efficient detector for underwater freely live crabs based on compound scaling neural network ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2020， 51（9）： 163-174.

［2］ 吳波， 趙德安， 孫月平， 等. 一種河蟹養殖用自動化水草清理作業船［J］. 中國農機化學報， 2016， 37（9）： 88-91.

Wu Bo， Zhao Dean， Sun Yueping， et al. Automatic aquatic cleaning ship for river crabs breeding ［J］. Journal of Chinese Agricultural Mechanization， 2016， 37（9）： 88-91.

［3］ 阮承治， 趙德安， 劉曉洋， 等. 基于IPSO-UKF的水草清理作業船組合導航定位方法［J］. 農業機械學報， 2017， 48（7）： 38-45.

Ruan Chengzhi， Zhao Dean， Liu Xiaoyang， et al. Integrated navigation positioning method based on IPSO-UKF for aquatic plants cleaning workboat ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2017， 48（7）： 38-45.

［4］ Ruan Chengzhi， Zhao Dean， Zhao Dejie， et al. Aquatic image segmentation based on PSO-PCNN in crab farming ［J］. International Agricultural Engineering Journal， 2017， 26（1）： 199-211.

［5］ 羅錫文， 廖娟， 胡煉， 等. 提高農業機械化水平促進農業可持續發展［J］. 農業工程學報， 2016， 32（1）： 1-11.

Luo Xiwen， Liao Juan， Hu Lian， et al. Improving agricultural mechanization level to promote agricultural suatainable development ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2016， 32（1）： 1-11.

［6］ Kristoffer R S， Morten O A， Jo A A. Modelling and simulation of rotary feed spreaders with application to sea cage aquaculture-A study of common and alternative designs ［J］. Aquacultural Engineering， 2018， 82（8）： 1-11.

［7］ 孟良宇， 賴賢聲. 一種新型河道水草清理機器［J］. 農家參謀， 2020， （4）： 213.

［8］ 郭祥雨， 薛新宇. 基于機器視覺的水稻制種田導航線提取方法［J］. 中國農機化學報， 2021， 42（5）： 197-201.

Guo Xiangyu， Xue Xinyu. Extraction of navigation lines for rice seed farming based on machine vision ［J］. Journal of Chinese Agricultural Mechanization， 2021， 42（5）： 197-201.

［9］ 阮承治. 水草清理自動作業船視覺/GPS組合導航定位方法研究［D］. 鎮江： 江蘇大學， 2018.

Ruan Chengzhi. Research on visual/GPS integrated navigation positioning method for aquatic plants cleaning automatic workboat ［D］. Zhenjiang： Jiangsu University， 2018.

［10］ 張勤， 陳建敏， 李彬， 等. 基于RGB-D信息融合和目標檢測的番茄串采摘點識別定位方法［J］. 農業工程學報， 2021， 37（18）： 143-152.

Zhang Qin， Chen Jianmin， Li Bin， et al. Method for recognizing and locating tomato cluster picking points based on RGB-D information fusion and target detection ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2021， 37（18）： 143-152.

［11］ 李貴賓， 李長勇， 陳立新. 利用圓預處理RGB圖像對葡萄圖像分割影響研究［J］. 中國農機化學報， 2021， 42（7）： 162-169.

Li Guibin， Li Changyong， Chen Lixin. Research on the influence of circle preprocessing RGB image on grape image segmentation ［J］. Journal of Chinese Agricultural Mechanization， 2021， 42（7）： 162-169.

［12］ 趙宇峰. 基于光場成像的行人檢測方法研究［D］. 天津： 天津理工大學， 2021.

Zhao Yufeng. Research on pedestrian detection using light filed imaging ［D］. Tianjin： Tianjin University of Technology， 2021.

［13］ 彭明陽， 王建華， 聞祥鑫， 等. 結合HSV空間的水面圖像特征水岸線檢測［J］. 中國圖象圖形學報， 2018， 23（4）： 526-533.

Peng Mingyang， Wang Jianhua， Wen Xiangxin， et al. Shoreline detection method by combining HSV spatial water image feature ［J］. Journal of Image and Graphics， 2018， 23（4）： 526-533.

［14］ 趙靜， 曹佃龍， 蘭玉彬， 等. 基于FCN的無人機玉米遙感圖像壟中心線提取［J］. 農業工程學報， 2021， 37（9）： 72-80.

Zhao Jing， Cao Dianlong， Lan Yubin， et al. Extraction of maize field ridge centerline based on FCN with UAV remote sensing images ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2021， 37（9）： 72-80.

［15］ 廖娟， 汪鷂， 尹俊楠， 等. 基于分區域特征點聚類的秧苗行中心線提?。跩］. 農業機械學報， 2019， 50（11）： 34-41.

Liao Juan， Wang Yao， Yin Junnan， et al. Detection of seedling row centerlines based on sub-regional feature points clustering ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2019， 50（11）： 34-41.

［16］ 李云紅， 張秋銘， 周小計， 等. 基于形態學及區域合并的分水嶺圖像分割算法［J］. 計算機工程與應用， 2020， 56（2）： 190-195.

Li Yunhong， Zhang Qiuming， Zhou Xiaoji， et al. Watershed image segmentation algorithm based on morphology and region merging ［J］. Computer Engineering and Applications， 2020， 56（2）： 190-195.

［17］ 楊洋， 張博立， 查家翼， 等. 玉米行間導航線實時提取［J］. 農業工程學報， 2020， 36（12）： 162-171.

Yang Yang， Zhang Boli， Zha Jiayi， et al. Real-time extraction of navigation line between corn rows ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2020， 36（12）： 162-171.

［18］ 王珊珊， 余山山， 張文毅， 等. 基于特征點鄰域Hough變換的水稻秧苗行檢測［J］. 農業機械學報， 2020， 51（10）： 18-25.

Wang Shanshan， Yu Shanshan， Zhang Wenyi， et al. Detection of rice seedling rows based on Hough transform of feature point neighborhood ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2020， 51（10）： 18-25.

［19］ Zhang Fengyan， Chen Rongbao， Li Yang， et al. Detection of broken manhole cover using improved Hough and image contrast ［J］. Journal of Southeast University （English Edition）， 2015， 31（4）： 553-558.

［20］ 孟慶寬， 張漫， 楊耿煌， 等. 自然光照下基于粒子群算法的農業機械導航路徑識別［J］. 農業機械學報， 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.