基于河馬優化算法的成行作物導航路徑提取方法

中圖分類號：S233.4 文獻標識碼：A 文章編號：2095-5553（2025）10-0120-09

Abstract：For green strip-arranged crops such as garlic and green onions，which are planted in rows，a navigation path extraction method based on the Hippopotamus Optimization （HO）algorithm was proposed to address thechalenge of enablingautomatic field movement for harvesting machinery.First，the fieldimages were converted intograyscale， applyingcolor thresholding，and binarizing them using OpenCV.Morphological analysis was then carriedoutbased on the spatial distribution of thecrops.Theoriginal HippoOptimization algorithm wasimprovedusing chaotic mapping techniques andfurtheroptimized basedonthedensitydistributionoffeature points inthe binarized images.Anenhancedversionof the Random Sample Consensus （RANSAC） method was subsequently employed to fit the navigation path from the extracted feature points.Finally，a real-world dataset of fieldcrop images was constructed for evaluation.These images were procesedusing both the improvedandoriginal versionsof the HippopotamusOptimizationalgorithm，aswellasother optimizationmethods for comparativeanalysis.Theresults indicated thatthe improved Hippo Optimizationalgorithm outperformed theoriginal onein optimizing the distribution offeature points within the binarized images.Thenavigation path angle error remained within an absolute value range of 6^° ，and the average processing time was O.23 s per image. Additioally，the method demonstrated strong adaptabilityacrossvarious green crop types.Thisapproach offeredan efective andautomated navigation path recognition solution for harvesting equipment operating in garlic and onion fields.

Keywords：harvesting machinery；Hippopotamus Optimization algorithm；row crops；image processing；path fiting

0 引言

隨著人工智能、物聯網大數據等前沿技術的快速發展，農業作業方式正從機械化向自動化、智能化邁進。智慧農業已成為各國現代農業科技競爭的制高點、未來農業發展的新業態[1]。

農業裝備自動駕駛的技術關鍵在于農業作業過程中的智能感知[2]。近年來，國內各高校與科研企業逐步將各種導航技術應用到農業機械上，對小麥、玉米、水稻等多種農業作物的種植收獲過程開展了大量研究，江慶等[3基于純電動型噴霧機，設計了信息采集與通信系統，實現了噴霧機的自主行駛與作業控制。李云伍等[4]針對丘陵山地電動轉運車，基于GNSS、視覺傳感器及毫米波雷達，實現了轉運車的自主行駛。陳斌等[5]提出了一種改進YOLOv3—tiny目標檢測模型，實現了田間行人和其他農機的實時檢測與識別。Cao等6提出一種改進的ENet語義分割網絡模型，對農田圖像進行了行分割，顯著提高了農田作物邊界位置和行間分割的準確性，并結合最小二乘法對導航線進行提取。Lu等針對復雜農田環境下的智能拖拉機耕作，提出了一種改進的抗噪聲形態視覺導航算法。

針對田間條狀排列的作物進行了行檢測，王僑等基于綠色分量增強、分割閾值優化與形態特征分析等組合方法對玉米苗期作物線進行檢測；王愛臣等9通過最優閾值法對大蒜、玉米、油菜、水稻和小麥幼苗圖像進行圖像分割，利用基于區域生長均值漂移聚類法擬合不同作物苗期的作物行。李祥光等1°限定玉米行在HSV顏色空間中的顏色范圍，并進行二值化處理，去噪后填補了作物行中的空洞。Wang等[11提出基于GrabCut的農田圖像分割方法，通過簡單的人機交互實現多個農田邊界信息的提取。上述研究者在對成行作物檢測時，多采用最小二乘法與特征點聚類相結合的方法來得到擬合直線，該類方法在檢測時易受到圖像邊緣位置處或圖像遠端（即圖像頂端）位置處密集作物的干擾，導致檢測出現較大偏差，同時在面對特征點與待處理作物的行數量較多時，采用聚類方法會占用較長的圖像處理時間。

傳統邊緣檢測算法易于實現，能夠準確反映邊緣特征較為明顯的地物輪廓，可以用于簡單場景的農田邊界檢測[12-14]。許多研究者[15-17]采用卷積神經網絡算法提取農田邊界，雖然卷積神經網絡表現出良好的檢測效果，但神經網絡模型的訓練通常需要大量的標注樣本，同時模型的遷移能力還需進一步提升。在作物行檢測方面，針對動態生長作物的行匹配問題與不同作物之間作物行檢測的普適算法缺少相關的研究。

本文面向大蒜、大蔥等田間成行種植的作物，針對作物生長的特點和作物在田間的分布規律，基于OpenCV圖像處理庫，設計一種以顏色閾值分離、圖像二值化處理為基礎，對田間圖像進行圖像形態學分析，利用改進的河馬（HO）優化算法識別作物特征信息，得到田間作業車輛自動導航道路提取的方法。

1圖像預處理

農業機械作業環境通常比較復雜，導航效果易受環境干擾，如作物和田壟旁長有雜草、拍攝的圖像易受光照強度變化干擾等[18]，如果直接對原始圖像進行處理，會影響導航系統的實時性和準確性。

圖像預處理主要包括顏色空間的選擇、作物灰度特征提取、圖像濾波、二值化等[19]。預處理的主要目標是通過特定的顏色空間轉換，將圖像中的背景信息和作物信息分離，將彩色圖像轉換為灰度圖像和二值化圖像，進而增強對圖像信息的特征提取能力，縮短處理時間[20]

1.1顏色閾值化處理

直接獲取的田間圖像通常有3個顏色通道，即RGB三顏色通道。三顏色空間圖像包含大量雜草和土壤等背景的顏色信息。如果直接對圖像進行處理，耗時較長，并且存在大量噪聲容易造成分割效果不佳。直接拍攝獲取的田間圖像如圖1所示。

圖1田間圖像 Fig.1 Field image

獲取的田間圖像中作物的顏色通常為綠色，與土壤等背景有明顯的顏色差異，基于OpenCV的圖像處理庫，采用超綠色算法對原始圖像進行灰度圖轉化，相比于普通顏色閾值通道分離方法，超綠色算法處理過程中增大了綠色通道權重系數，能夠將綠色作物和土壤等雜物有效分離，得到只有作物輪廓的二值化圖像，如圖2所示。采用二值化圖像蒙版去除背景的圖像如圖3所示。

圖3背景去除后的圖像 Fig.3 Image after background removal

1.2二值化圖像處理

對圖像進行顏色閾值處理后，得到只有綠色作物輪廓的二值化圖像，二值化圖像能夠更好地突出圖像中的關鍵特征，由于二值化圖像只有2種像素值，在后續處理中可以減少計算量和存儲空間。但是，由于原圖像中作物的生長并不規律，并且可能存在隨機分布的雜草以及其他雜物，得到的二值化圖像中除作物信息外還存在雜草噪點，雜草噪點的存在將對后續作物行直線檢測造成影響，為消除噪點的影響，對圖像進行形態學濾波處理，采用交替使用開閉運算的方法對得到的二值化圖像進行處理。

形態學濾波主要由腐蝕和膨脹組成，通過變更腐蝕和膨脹順序以及次數，包含開閉運算和形態學梯度等圖像濾波處理方法。開運算主要是對要處理的圖片進行腐蝕后膨脹，其作用是可以將圖像的細微處縮小，減少對關鍵信息的影響，可以對較大的物體起到平滑的作用，并不會對形狀產生大的變化，使用開運算平滑作物邊緣，去除作物細小的枝葉和背景中由于雜草產生的不規則噪點。閉運算首先對圖像進行膨脹操作，填補前景物體內部的小孔或連接鄰近的物體，然后進行腐蝕操作，閉運算能夠填補前景物體內部的小孔或裂縫，同時減少或消除小的黑噪聲。采用閉運算填補由于作物生長不規律而形成的內部空洞。通過使用開閉運算的交替處理，達到消除雜草噪聲、保留作物行信息連貫的效果。形態學濾波處理后圖像如圖4所示。

2改進河馬算法作用下作物行信息識別

2.1 河馬優化算法原理

河馬優化算法（HO）是一種群智能優化算法，算法來源于觀察河馬生活中的3種行為模式，該算法模型結合了河馬群在棲息地中的位置更新、對捕食者的防御策略和逃避方法，建立了相對應的3個優化階段。

算法優化第一階段：河馬在棲息地中的位置更新。該階段通過目標函數值迭代計算來確定優勢河馬群位置，模擬河馬群在雄性領頭河馬的保護下，河馬種群彼此靠近聚類分布的位置信息，河馬種群的初始化位置 X_ij 表示如式（1）所示，其中， i=1，2，…，N;j= 1，2，…，m

式中： X_ij （20 種群中個體河馬的位置；NΩ ——種群中個體數量；Ψ_m 3 待優化問題中的決策變量維數。

算法的第二階段模擬了河馬種群對入侵者的防御行為。當有人侵者人侵種群領地時，河馬群會依據入侵者的距離位置采取不同的行動，當入侵者距離種群位置較近時，河馬群會向人侵者快速移動而迫使其退卻，當入侵者距離較遠時，河馬群會面向入侵者并移動有限的距離。算法中對于人侵者距離位置的表示如式（2）所示，依據該距離的不同，種群位置信息會發生相對應的更新變化。

式中： D ——人侵者與種群之間的距離；

Predatorj———人侵者位置。

算法中最后一種行為模式對應河馬群遠離危險的區域，逃離捕食者的本能反應。河馬遇到一群捕食者且無法用防御行為擊退捕食者時，河馬會試圖離開原來的位置，轉移到另一個相對更安全的位置。在HO算法的第三階段中，通過在河馬種群當前位置附近生成新的隨機位置來模擬這一行為，位置更新如式（3）所示，當新創建的種群位置具有更優的函數值時，表示河馬已經在其當前位置附近找到了更安全的位置，該階段增強了HO算法的局部搜索能力。

式中： X_i^hippoE 河馬種群中向外搜索安全位置的河馬個體位置集合；（204 X_ij^hippoε 河馬種群中向外搜索安全位置的河馬個體位置；λ—隨機數， λ∈[0，1] （204號 b_j^max. 第 j 個決策變量的上限；b_j^min 第 j 個決策變量的下限；? 正態分布的隨機數。

河馬優化算法的優化過程如圖5所示，該優化算法采用三階段的算法模式，提高探索能力，使其具有較好的全局搜索性能和更快的算法搜索速度[21]。

2.2作物行信息識別方法原理

對于成規律種植的田間作物，如大蔥、大蒜等，其縱向分布表現為小曲率曲線和近似直線的形式，且由于作物的隨機生長，作物圖像邊緣呈現不規則分布，相隔作物行呈現平行分布，但是由于圖像采集設備的拍攝角度，采集到的圖像中作物行通常呈現出近大遠小的特點，即作物行在圖像底端較粗且行間距離較大，而在圖像頂端較細且距離較小。在得到的田間作物二值化圖像的基礎上，提出一種依據分區域點集密度的導航路線特征點提取方法。

原作物圖像中，作物和土壤背景呈現相間的帶狀分布，反映在二值化圖像中，呈現為黑色帶與白色帶間隔分布，針對這一分布特性，采用計算黑白像素點在圖像片段上不同區域的分布密度來判定作物的集中區域。當作物分布呈現偶數行時，在靠近圖像豎直中心線的區域，土壤背景信息包圍中心線，作物信息分布于兩側，會出現白色一黑色一白色構成的矩形間隔分布區域，如圖6（a）所示。當作物分布呈現奇數行時，靠近圖像豎直中心線的區域，作物信息包圍中心線，土壤背景分布于兩側，會出現黑色一白色一黑色構成的矩形間隔分布區域，矩形區域如圖6（b）所示。

圖6二值化圖像中的待識別矩形區域

Fig.6Rectangle area in binary imageto be recognized

圖6中矩形區域的白色部分代表作物的分布信息，黑色則代表能夠通過作業設備的土壤區域，充分反映田間作物的分布規律和作業設備行走的道路信息。通過識別每個片段中黑白交替的矩形區域位置，記錄矩形區域的中心點，將若干片段的中心點進行匯集，通過對點集進行數值擬合可以得到作業設備的導航路徑。

設計的行作物信息識別方法基于二值化圖像中像素的分布規律進行處理，由于該方法重點關注作物與土壤背景的交替分布，且關注區域只集中在圖像中央少數作物行，依據作物行分布來得到作業機械前方的導航路徑，因此受圖像邊緣作物行數量和間距等因素的影響較小，同時，無論是跨行作業設備還是行間行進作業設備，作業車輛前方的作物信息均具有所述的間隔分布特征，因此兩種作業方式均可采用所述的導航路徑提取方法。

2.3改進河馬算法提取作物行信息

在得到二值化圖像后，針對單張圖像，將二值化圖像分成高度相同的若干個水平圖像片段，分別對每一個圖像片段進行作物信息提取，采用改進的河馬優化算法確定矩形區域位置。

在每個圖像片段上，為獲取全部圖像信息，設定矩形區域高度為 H ，與圖像片段的高度相同。以圖像片段左下角為原點，垂直向上為 y 正方向，最大值為圖像片段高度 H_max ，水平向右為 x 正方向，最大值為圖像寬度 W ，設定矩形區域左下角坐標為 X₀ ，矩形寬度為W₀ ，由于矩形高度已經確定，通過 X₀ 和 W₀ 兩個參數即可確定矩形區域的位置，矩形區域的中心點將通過擬合形成導航路徑，因此將矩形區域的位置信息參數X₀ 和 W₀ 設為主要的待優化變量，在河馬算法中表現為待優化的種群位置。

信息提取的過程中，矩形區域可以視作一個在圖像片段中移動的掃描框，以圖7為例，白色代表作物信息，黑色點代表土壤背景信息，在掃描框移動過程中，框中的黑白像素點比例會不斷變化，為使框中黑白像素的分布近似于白色一黑色一白色間隔分布，對框中不同部分的黑白像素密度占比進行計算，設定將矩形區域分成3個部分，第一部分為矩形區域左側 1/5 第二部分為矩形區域 1/5～4/5 的中間部分，第三部分為矩形區域右側 1/5 ，分別計算各區域中黑色像素個數為 P₀，P₁，P₂ ，通過計算矩形區域的面積得到矩形區域3個部分各自的總像素點分別為 S₀，S₁，S₂

圖7二值化圖像中矩形區域分區 Fig.7 Division of rectangle area in binary image

3個區域中黑色像素點概率 R_i=P_i/S_i ，由于二值化圖像中只有黑白兩種像素點，故相應區域白色點概率為 ∣1-R_i ，在每個圖像片段中，希望得到白色一黑色一白色間隔分布的區域塊，因此取矩形區域左側黑色點概率、矩形區域中側白色點概率、矩形區域右側黑色點概率3個概率值之和為 f， 即

f=R₁+（1-R₂）+R₃

將 f 作為優化目標的目標函數 ，f 值越小，表示矩形區域中黑白像素點分布越接近白色一黑色一白色間隔分布，擬合效果越優。

在二值化圖像中，由于作物生長的不規律，黑白像素總體呈現條狀間隔分布，但邊界并不平滑，在部分小區域中也可能形成白色一黑色一白色間隔分布，且由于區域面積小，像素點少，更容易達到目標函數 f 值最小。因此，設定矩形區域寬度 W₀ 與圖像總寬度 W 之比為 R_w ，作為優化目標函數的影響因素之一，為平衡其影響力賦予權重為一0.25，優化目標函數為

F=-0.25R_w+f

采用河馬優化算法提取作物行信息時，在每一個圖像片段的處理后都會返回到相應的最優矩形區域位置，但是這樣得到的每個矩形區域相互獨立，缺少關聯性，而圖像中的作物行信息并不是獨立的，在整張圖像上，作物行呈現縱向連續分布，在圖像底端作物行間距離較大，左右作物行向上匯集，間距逐步縮小，在圖像頂端距離達到最小。針對該分布特點，對河馬優化算法進行改進，設定初始最佳矩形參數 X_best=W/3 、W_best=W/3 ，即初始的矩形起點為圖像的 1/3 處，矩形寬度為圖像的 1/3 ，矩形初始參數可依據攝像機的安裝位置進行調節。將每個圖像片段進行優化后得到最優的矩形坐標值 X₀ 矩形寬度 W₀ 賦予 X_best，W_best 作為新值，新的 X_best 、 W_best 作為在處理下一個圖像片段時的種群初始化全局最優位置參數，同時，引入Circle混沌映射代替原算法的隨機方法生成種群初始位置，通過調節混沌映射的參數，控制種群生成在最佳矩形參數周圍的概率高于其他位置，引人Circle混沌映射在圖像上表現為初始化生成河馬種群的位置更接近上一張圖像片段的最優種群位置結果，由于兩部分圖像中的作物具有連續性，理論上兩部分圖像的最優結果是接近的，從上一張圖像片段的最優位置開始優化迭代，能夠更快地得到最優的結果，優化結果也更好。Circle混沌映射頻率分布直方圖如圖8所示。

圖8Circle混沌映射序列直方圖Fig. 8 Histogram of Circle chaotic map sequence

2.4 導航路徑擬合

在每個圖像片段上采用改進河馬算法確定矩形區域之后，將每一個矩形區域的幾何中點位置信息匯聚成一個二維點數據集，采用RANSAC對該數據進行直線擬合。

RANSAC擬合首先從數據集中隨機選擇足以確定模型的最小樣本集進行模型擬合，將擬合好的模型使用整體數據進行評估，根據設定的閾值判斷該子模型擬合結果中異常值點的個數，個數越少代表該子模型擬合效果越好，并將評估結果與其他以同樣方法建立的模型進行比較，得到最優的擬合模型。RANSAC對異常值有很好的抵抗力，可以處理含有大量噪聲的數據集。待處理圖像中的作物枝葉生長并不規律，實際情況中極易出現遠離數據中心的異常點，需要擬合方法能夠有效剔除異常值影響，且待處理的點集中數據量與圖像被分割的片段數量相關，數量通常小于30個，數據集較小，故適合應用RANSAC方法。

使用RANSAC方法進行直線擬合，對于直線模型的確定只需要2個點的坐標，設定圖像的采集設備位于作業車輛的中心位置，采集圖像的底端中點可看作田間機械的行進起點，為保證擬合后的直線必定經過路徑起點，對RANSAC方法進行修改，在RANSAC迭代隨機選點構建直線模型時，修改其中一個隨機點為路徑起點。設定迭代次數是數據集中數據量的2倍，異常值距離判斷閾值為sigma，當特征點到擬合直線的距離大于sigma，判定該點為異常值點。在使用RANSAC方法進行直線擬合時，sigma不宜設置過高，過高的sigma值會減弱擬合過程中對異常值的剔除能力，使得擬合直線易受到異常值影響，擬合效果不穩定;sigma也不宜設置過低，過低的sigma將導致模型對于異常值過于敏感，從而剔除過多的特征點，有效擬合點數量過少，導致擬合效果不穩定，擬合過程中應當結合實際情況設定。

采用RANSAC方法雖然能夠通過sigma值來減小異常值對于擬合結果的干擾，但是當多個擬合結果具有相同異常值個數時，RANSAC方法無法對其進行比較。因此，在RANSAC方法基礎上進行改進，當出現2條擬合路徑具有相同異常值個數時，計算除異常值外的特征點到擬合路徑的距離方差值，方差值越小，表示擬合直線更充分反映特征點分布規律，擬合效果越好。

3試驗結果與分析

3.1 試驗方案

試驗主要為靜態試驗，即通過對田間實際作物進行拍攝，構成圖像集，利用計算機對圖像進行處理和分析，圖像處理程序基于python語言環境，采用pycharm解釋器進行編譯，主要利用的圖像處理工具為OpenCV庫。圖像的采集設備位于作業車輛的中心位置，采集圖像的底端中點即為田間機械的行進起點。試驗采集130余張在不同光照環境下以大蔥為主的田間作物圖像構成圖像集，人工對圖像集中的每一張圖像進行導航路徑標注（圖9），記錄每張圖像導航路徑與水平線構成的角度值，試驗中每次隨機從圖像集中選擇一張圖像進行路徑擬合，對比擬合結果與人工標注的差異。

圖9人工標注導航路徑 Fig.9Manuallyannotated navigationpath

為凸顯對河馬優化算法改進后的田間路徑提取效果，采用原始河馬算法（HO）和改進后的河馬算法（Circle_HO）分別進行作物行檢測與導航路徑識別，根據對比導航路徑的斜率（角度）和得到的作物分布信息特征點分布情況，對2種算法性能進行對比，考慮到在對田間信息道路識別過程中，設備處理圖像的平均耗時是評估識別性能的重要參數，在試驗中通過調節2種優化算法的參數，控制平均處理每張圖像的速度相近的條件下，觀察改進前后算法優化作用下導航路徑提取效果和作物信息特征點分布情況來進行對比試驗。

3.2 試驗驗證

在對圖像作物行信息進行處理，擬合得到的導航路徑參數中，最主要的參數是導航路徑的起點和路徑方向，設定圖像的采集設備位于作業車輛的中心位置，采集圖像的底端中點即路徑起點，設定圖像底端寬度方向右向為水平正向，圖像中心線垂直于水平線，角度為 90^° ，導航路徑處理結果如圖10所示，擬合路徑角度范圍在作業車輛前方 [0^°，180^°] ，圖10中橘色為人工標注路徑結果，藍色為HO算法提取路徑結果。

圖10導航路徑處理結果Fig. l0 Processed navigation path

采用導航路徑與水平線的夾角作為路徑評價指標，設定對每張圖像進行人工標注的導航路徑角度值為 K₀ ，采用改進前后的河馬優化方法各隨機抽取100張圖像進行處理，得到處理每張圖像角度為 k ，計算處理結果與人工標注結果的差值 k-K₀ ，得到角度差值結果如圖11所示。

圖11中紅色實線表示每張圖像采用改進后的河馬算法得到的導航路徑角度與人工標注角度的差值，95% 以上的圖像擬合結果的角度差值都在 [-6^°，6^°] ，數據波動幅度小于改進前的河馬優化算法，表明采用改進河馬算法對圖像的處理效果更好，能夠得到更接近人工標注值的導航路徑。在試驗中，由于部分圖像雜草密度較高，幾乎完全覆蓋了作物行的間隔，造成導航路徑信息出現較大的角度差值。

使用RANSAC方法對路徑點集進行直線擬合，在RANSAC擬合過程中，通過設定判斷閾值為sigma來進行異常點的判斷和剔除，試驗前對10張圖像進行特征點提取，得到特征點位置信息10組共100個，計算每組特征點中每個點與對應圖像人工標注路徑線的距離值，距離值分布如圖12所示，距離值越大，表示特征點距離人工標注路徑越遠，選取判斷閾值sigmd ：=12 距離值大于sigma值即判定為異常值，異常值占比20% 。實際工作過程中，應當依據攝像機的安裝位置與拍攝角度，結合獲取到的圖像尺寸調節閾值sigma。

分別使用改進前后的河馬優化算法對100張圖像進行處理，記錄不同方法識別的圖像特征點總個數，每個優化方法中均設定閾值sigma ：=12 ，記錄100次圖像處理后異常點總數，計算改進前后河馬優化算法得到的有效特征點占比結果如表1所示。

表1兩種算法結果對比

Tab.1 Comparison of results fortwo algorithms

注：有效特征點百分比為有效特征點與總特征點個數的比值。

同時記錄改進前后河馬優化算法得到的特征點與其相對應擬合直線的距離值，計算每張圖像特征點到擬合直線距離值的方差，結果如圖13所示。

由表1和圖13可知，2種優化方法采用相同的直線擬合方法，處理相同圖像過程中，改進河馬算法方差平均值為6.281，方差四分位數值分別為2.28、4.12、8.36，遠小于未改進的優化效果，改進河馬算法有效特征點占比高于改進前的優化結果，圖像特征點與擬合直線的距離方差值更小，意味著該優化算法得到的特征點分布更加集中，特征點越靠近最終的導航路徑線，特征點對于導航路徑的擬合做出了更高的貢獻，圖像片段相互關聯性更強，圖像特征點更接近作物分布規律，圖像特征點出現異常值的情況更少，能夠更好地反映圖像作物行分布特征。

為進一步驗證改進河馬優化算法對導航路徑的優化效果，采用粒子群優化算法（PSO）和白鯨優化算法（BWO）進行替換，在保證其他參數相同的條件下，分別處理圖像集，對比導航路徑提取效果，如圖14所示。

圖15不同作物導航路徑提取結果

試驗過程中，通過對3種優化算法的參數進行調節，保證3種算法處理每張圖像的平均處理時間相近，平均處理時間約為0.24s/張，3種優化算法對導航路徑的優化結果如圖14所示，其中紅色線為改進河馬算法提取效果，其路徑提取誤差值遠小于粒子群算法與白鯨優化算法，試驗表明，采用改進河馬優化算法具有更準確穩定的路徑提取效果。

3.3不同種類作物處理效果

改進算法采用超綠色算法對田間圖像進行顏色過濾，利用作物與土壤背景的分布特征進行信息提取，利用改進的河馬優化算法進行導航路徑提取，整體實現過程中只在顏色方面對作物做出限制，因此，對算法的廣泛適應性進行檢測試驗，測試其面向不同類型的綠色成行作物時的導航路徑提取效果。

試驗選擇白菜、大豆、花生3種綠色成行種植的常見作物，每種作物分別采集20張左右的田間圖像構成圖像集，圖像基本尺寸為2000像素 ×1200 像素，圖像尺寸大小略有不同，對每一張圖像進行人工導航路徑標注，采用與前述大蔥圖像相同的試驗方法。圖15展示改進后方法對3種作物的導航路徑提取效果，為突出對不同作物檢測的適應性，在導航路徑提取結果圖中顯示了算法矩形識別框的位置。

圖15中藍色線為導航路徑提取結果，紅色矩形為算法識別框位置，與大蔥相比，這3種作物的植株高度更低，作物更貼近地面，相鄰作物行之間的間距更小，算法更難實現準確的檢測。對3種作物各進行100次迭代處理，記錄路徑檢測結果與人工路徑標注的差值，差值分布如圖16所示。圖16中每個點的縱坐標值即對應圖像與人工標注的差值，縱坐標正值表示提取路徑結果角度大于人工標注的角度，負值表示小于人工標注角度，3種作物點 95% 以上誤差值都集中分布在[-6^°，6^°] ，誤差值較小，分布集中，算法處理結果穩定。試驗表明，改進后算法處理不同種類的綠色成行作物田間圖像時，能夠得到相對穩定的導航路徑結果，對不同種類的作物具有較好的適應性。

4結論

1）對田間成行種植的綠色作物圖像進行超綠色顏色過濾與形態學濾波處理，針對二值化圖像中成行作物與土壤背景交替分布的規律，將圖像分成多個片段，在圖像片段上構建特征點識別區域，采用河馬優化算法優化識別區的位置，構建特征點集，通過改進的RANSAC方法對特征點進行直線擬合，得到導航路徑。該方法導航路徑線擬合角度與人工標注誤差絕對值 ?6^° ，平均處理時間約為 0.23s′ 張。導航路徑獲取準確，提取效果穩定。

2）引人Circle混沌映射對河馬優化算法進行改進，將多個圖像片段的優化結果相互關聯，利用成行作物的連貫性約束算法優化結果，與其他優化算法建立對比試驗。改進河馬算法優化結果有效特征點占比更高，能夠準確地反映作物分布規律。

3）對白菜、大豆、花生3種不同作物的圖像構建圖像集，進行路徑提取試驗。結果表明，3種作物圖像的路徑提取結果誤差均集中分布在 [-6^°，6^°] ，誤差較小，分布集中，方法提取效果穩定，該導航路徑提取方法對不同種類的綠色成行作物具有較好的適應性。

參考文獻

[1］張漫，季宇寒，李世超，等．農業機械導航技術研究進展[J].農業機械學報，2020，51（4）：1—18.ZhangMan，Ji Yuhan，Li Shichao，et al．Researchprogress ofagricultural machinerynavigationtechnology［J].Transactions of the Chinese Society forAgriculturalMachinery，2020，51（4）：1-18.

[2］孟志軍，王昊，付衛強，等．農業裝備自動駕駛技術研究現狀與展望[J].農業機械學報，2023，54（10）：1—24.MengZhijun，WangHao，FuWeiqiang，etal.Researchstatusand prospects of agricultural machinery autonomousdriving[J]. Transactions of the Chinese Society forAgriculturalMachinery，2023，54（10）：1-24.

[3］江慶，安東，韓華宇，等．基于激光雷達與RGB相機融合的玉米作物行檢測算法研究[J].農業機械學報，2024，55（10）：263—274.Jiang Qing，An Dong，Han Huayu，et al．Maizecrop row detection algorithm based on fusion of LiDARandRGB camera［J]． Transactions of the ChineseSocietyforAgriculturalMachinery，2O24，55（10）：263-274.

［4］李云伍，徐俊杰，王銘楓，等．丘陵山區田間道路自主行 駛轉運車及其視覺導航系統研制[J].農業工程學報， 2019，35（1）：52-61. Li Yunwu， Xu Junjie， Wang Mingfeng，etal. Development of autonomous driving transfer trolley on field roads and its visual navigation system for hilly areas [J]. Transactions of the Chinese Society of Agricultural Engineering，2019，35（1）：52-61.

［5］陳斌，張漫，徐弘禎，等．基于改進YOLOv3—tiny的全 景圖像農田障礙物檢測［J]．農業機械學報，2021， 52（S1）：58-65. ChenBin，Zhang Man，Xu Hongzhen，etal.Farmland obstacle detection in panoramic image based on improved YOLOv3—tiny [J]. Transactions of the Chinese Society for Agricultural Machinery，2021，52（S1）： 58-65.

[6]Cao M，Tang F，Ji P，et al.Improved real-time semantic segmentation network model for crop vision navigation line detection [J]. Frontiers in Plant Science，2O22，13： 898131.

[7]Lu W，Zeng M，Wang L，et al. Navigation algorithm based on the boundary line of tillage soil combined with guided filtering and improved Anti-Noise morphology [J]. Sensors，2019，19（18）：3918.

［8］王僑，孟志軍，付衛強，等．基于機器視覺的玉米苗期多 條作物行線檢測算法[J]．農業機械學報，2021，52（4）： 208-220. Wang Qiao，Meng Zhijun，Fu Weiqiang，et al. Detection algorithm of multiple crop row lines based on machine vision in maize seedling stage[J].Transactions of the Chinese Society for Agricultural Machinery，2O21，52（4）： 208-220.

［9］王愛臣，張敏，劉青山，等．基于區域生長均值漂移聚類 的苗期作物行提取方法［J]．農業工程學報，2021， 37（19）：202—210. Wang Aichen， Zhang Min，Liu Qingshan，et al. Seedling crop row extraction method based on regional growth and mean shift clustering [J]. Transactions of the Chinese Society of Agricultural Engineering，2021，37（19） ： 202—210.

[10］李祥光，趙偉，趙雷雷．缺株玉米行中心線提取算法研究[J]. 農業工程學報，2021，37（18）：203-210.Li Xiangguang， Zhao Wei， Zhao Leilei. Extraction algorithm the center line maize row in case plants lacking [J].Transactions the Chinese Society ，2021，37（18）：203—210.

[11]Wang H，Ren Y，Meng Z.A farm management information system for semi-supervised path planning autonomous vehicle control [J].Sustainability，2021， 13（13）： 7497.

[12]Wang L，Wang Y，Zhang J，et al. on boundary recognition extraction method field operation area based on UAV remote sensing images [J]. IFAC-Papers Online，2019，2（30）：231-238.

[13]Wibowo A，Chrismanto A R，Santoso H B，et al.The development mobile-based farml mapping system withdrones wirelessdevices[J].International Journal AdvancedTrendsin ，2020，9（5）：7894—7902.

[14]Mollick T，Azam MG，Karim S.Geospatial-based machine learning techniques for l use l cover mapping using a high-resolution unmanned aerial vehicle image[J].Remote Sensing Applications：Society Environment，2023，29：100859.

[15]Wu S，Su Y，Lu X，et al.Extraction mapping cropl parcels in typical regions southern using unmanned aerial vehicle multispectral images deep"learning[J].Drones，2023，7（5）：285.

[16]Wang X，Shu L，Han R，et al． A survey farml boundary extraction technology based on remote sensing images[J].Electronics，2023，12（5）：1156.

[17]Li X，Xu X，YangR，et al.DBC：Deep boundaries combination for farml boundary detection based on UAVimagery [C]. IGARSS2020—2020IEEE International Geoscience Remote Sensing Symposium， 2020：1464—1467.

[18］劉一鳴，劉瑞軍，石大排，等．基于圖像處理的農業裝備 視覺導航技術研究［J]．拖拉機與農用運輸車，2021， 48（2）： 3-6.

[19］曾宏偉，雷軍波，陶建峰，等．低對比度條件下聯合收割 機導航線提取方法[J]．農業工程學報，2020，36（4）： 18-25. ZengHongwei，Lei Junbo， Tao Jianfeng，et al. Navigation line extraction method for combine harvester under low contrast conditions [J]. Transactions the Chinese Society ， 2020， 36（4）：18—25.

[20］余帥振，張富貴，張龍，等．農業機械視覺導航技術研究進 展[J].農業裝備與車輛工程，2023，61（8）：135—139.

[21]Hussein M A，Nastaran H M，Mohsen M，et al. Hippopotamusoptimization algorithm： A novel nature-inspired，optimization algorithm [J].Scientific Reports，2024，14（1）：5032.