《表1 作物行获取算法识别结果》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于自动Hough变换累加阈值的蔬菜作物行提取方法研究》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

取两种作物在3个不同生长时期的图片作为试验样本，每个生长时期取10幅进行作物行识别，总计60幅。统计不同图片下目标像素占比、算法获取的最佳累加阈值、组内方差、最优阈值算法耗时、作物行线提取耗时、识别准确率等5个参数，其中根据对4行作物行的识别结果与人为观测的吻合程度定义识别准确率，目标识别行数全部被识别出并与观测作物行吻合，则定义该识别准确率为100%，错识别一行准确率下降100%/n，n为目标行数。目标像素占比为作物像素数量与图片总像素数量的百分比。将算法统计结果汇总，列出每个生长阶段10个样本的结果，见表1所示。结果可见目标像素占比可反映作物在不同生长时期的叶面大小，最佳累加阈值取值在170～240范围内，组内方差在10～50范围内，通过识别率可见，当聚类方差大于40时，识别出的作物行线与实际作物行会有一定偏差，聚类方差越大，作物行识别误差也越大。以每个移栽时间段10个样本结果计算最优阈值算法平均耗时和作物行提取平均耗时，得到像素占比与算法耗时的关系，见图10所示。可见最优阈值算法耗时在1.5 s内，像素占比越大，优化耗时越长，其次作物行提取平均耗时基本为0.2 s，不随目标像素占比变化。本文提出自动获取最优阈值算法在外部环境变化不大的情况下，可先进行一次最优阈值的获取，之后沿用该阈值，直接进行作物行的提取，从而将图像处理算法耗时控制在0.2 s左右。