CN115953690A - 用于无人收割机行进校准的倒伏作物识别方法 - Google Patents

Abstract

本发明涉及图像处理技术领域，具体涉及用于无人收割机行进校准的倒伏作物识别方法。方法包括：基于待收割的作物的俯视图像中像素点在H通道对应的值获得多个作物区域，对各作物区域进行角点检测获得初始角点；基于各作物区域中各初始角点在H通道对应的值、各初始角点和与其所在的作物区域中相邻的初始角点之间的连线与水平正方向形成的夹角，得到各初始角点对应的隶属度，基于隶属度获得目标角点；基于各作物区域中的各目标角点的预设邻域内像素点的像素值，获得各作物区域中的倒伏区域的所有边缘像素点，进而获取作物的倒伏区域。本发明能够获取完整的作物倒伏区域。

Description

用于无人收割机行进校准的倒伏作物识别方法

技术领域

本发明涉及图像处理技术领域，具体涉及一种用于无人收割机行进校准的倒伏作物识别方法。

背景技术

在作物的生长过程中，作物会因为大风、强降雨、冰雹、作物的光合作用等因素的影响出现倒伏的现象，倒伏现象会严重影响作物的收割，在利用无人收割机收割作物的过程中，若无人收割机的行进路线规划的不当，则会导致部分作物无法使用无人收割机进行收割，大大降低作物的产量。因此，在利用无人收割机收割作物时需先根据作物的倒伏情况对无人收割机行进路线做出相应的校准。在判断农作物是否出现倒伏现象时，需对农作物特征进行分析识别，倒伏区域与正常区域存在颜色差异，现有技术通常使用Harris角点检测的方式对采集到的农作物图像进行角点检测，进而根据得到的角点对作物状态进行识别。Harris角点检测算法是基于图像中像素点的梯度差异即像素值差异提取角点的，而由于作物体现在图像上其分布较密集，且倒伏区域的倒伏起始处与正常区域像素点的像素值存在较大差异，而倒伏结尾处与正常区域进行覆盖，因此与正常区域差异较起始处的像素值差异较小，此时使用角点检测算法对图像进行检测时，得到的倒伏区域的边缘不完整，进而会影响后续对无人收割机行进路线的校准。

发明内容

为了解决现有方法在提取作物倒伏区域的边缘时存在提取不完整的问题，本发明的目的在于提供一种用于无人收割机行进校准的倒伏作物识别方法，所采用的技术方案具体如下：

本发明提供了一种用于无人收割机行进校准的倒伏作物识别方法，该方法包括以下步骤：

获取待收割的作物的俯视图像；基于所述俯视图像中各像素点在H通道对应的值，对所述俯视图像进行分割，获得不少于两个作物区域；

对各作物区域进行角点检测获得各作物区域中的初始角点；基于各作物区域中各初始角点在H通道对应的值，得到各作物区域中各初始角点对应的H通道的相关指标；基于所述H通道的相关指标、各初始角点和与其所在的作物区域中相邻的初始角点之间的连线与水平正方向形成的夹角，得到各作物区域中各初始角点对应的隶属度；

基于所述隶属度获得目标角点；基于各作物区域中的各目标角点的预设邻域内像素点的像素值，获得各作物区域中的倒伏区域的所有边缘像素点；基于所述各作物区域中的倒伏区域的所有边缘像素点获取所述俯视图像中作物的倒伏区域。

优选的，对所述俯视图像进行分割的方法为Ｋ－means聚类算法。

优选的，得到各作物区域中各初始角点对应的H通道的相关指标，包括：

对于任一作物区域中的任一初始角点：将该初始角点在H通道对应的值与该初始角点所在的作物区域中所有初始角点在H通道的平均值的差值的绝对值，记为第一绝对值；对所述第一绝对值进行归一化处理，将预设调整参数与归一化后的第一绝对值的差值作为该初始角点对应的H通道的相关指标。

优选的，所述基于所述H通道的相关指标、各初始角点和与其所在的作物区域中相邻的初始角点之间的连线与水平正方向形成的夹角，得到各作物区域中各初始角点对应的隶属度，包括：

对于任一作物区域：

对于该作物区域的第r个初始角点，获取第r个初始角点和除第r-1初始角点之外的与第r个初始角点距离最近的初始角点之间的连线与水平正方向形成的夹角，记为第一夹角；获取第r+1个初始角点和除第r个初始角点之外的与第r+1个初始角点距离最近的初始角点之间的连线与水平正方向形成的夹角，记为第二夹角；计算所述第一夹角和所述第二夹角的差值的绝对值，记为第二绝对值；对所述第二绝对值进行归一化处理，计算预设调整参数与第二绝对值的归一化后的值的差值，记为第一特征指标；将该初始角点对应的H通道的相关指标与所述第一特征指标的乘积作为第r个初始角点对应的隶属度；其中，第r+1个初始角点为第r个初始角点的顺时针方向与第r个初始角点相邻的初始角点。

优选的，所述基于各作物区域中的各目标角点的预设邻域内像素点的像素值，获得各作物区域中的倒伏区域的所有边缘像素点，包括：

对于任一作物区域：

获取该作物区域的各目标角点的预设邻域内各邻域像素点的像素值，分别计算各邻域像素点和与其相邻的邻域像素点的像素值的差值的绝对值的平均值，并作为各邻域像素点对应的像素差异；按照像素差异从大到小的顺序，对各目标角点的所有邻域像素点对应的像素差异进行排列，获得各目标角点对应的差异序列；将所述各目标角点对应的差异序列中的前两个元素对应的邻域像素点作为倒伏区域的边缘像素点；若获取的边缘像素点未形成封闭的连通域，则分别获取各边缘像素点的预设邻域内各邻域像素点的像素值，基于所述各边缘像素点的预设邻域内各邻域像素点的像素值，获得新的边缘像素点，以此类推，直到获取的边缘像素点形成封闭的连通域为止。

优选的，所述基于所述隶属度获得目标角点，包括：将隶属度大于隶属度阈值的初始角点作为目标角点。

本发明至少具有如下有益效果：

本发明考虑到作物倒伏区域的倒伏起始处与正常区域像素点的像素值存在较大差异，而倒伏结尾处与正常区域进行覆盖，因此与正常区域像素点的像素值的差异较起始处的像素值差异较小，采用传统的角点检测算法对待收割的作物的俯视图像进行检测时，得到的倒伏区域的边缘不完整，因此无法提取完整的倒伏区域；本发明首先采用角点检测算法提取到了初始角点，考虑到每个作物区域可能包含其它类别的植被，这些植被与待收割的作物的颜色存在差异，因此部分初始角点并不是真正的作物倒伏区域的边缘像素点，为了准确提取作物的倒伏区域，需要对初始角点进行筛选，本发明结合倒伏区域像素点的颜色信息和方向信息对每个初始角点进行了分析，全面地对每个初始角点进行了评价，基于各作物区域中各初始角点在H通道对应的值，得到了各作物区域中各初始角点对应的H通道的相关指标，又基于H通道的相关指标、各初始角点和与其所在的作物区域中相邻的初始角点之间的连线与水平正方向形成的夹角，得到了各作物区域中各初始角点对应的隶属度，基于隶属度筛选出真正属于倒伏区域的角点记为目标角点，然后又基于目标角点还原得到倒伏区域的所有边缘像素点，提取到了完整且准确的倒伏区域，进而能够基于完整的倒伏区域对无人收割机行进路线进行校准。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图1为本发明提供的一种用于无人收割机行进校准的倒伏作物识别方法的流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种用于无人收割机行进校准的倒伏作物识别方法进行详细说明如下。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种用于无人收割机行进校准的倒伏作物识别方法的具体方案。

用于无人收割机行进校准的倒伏作物识别方法实施例：

本实施例提出了一种用于无人收割机行进校准的倒伏作物识别方法，如图1所示，本实施例的一种用于无人收割机行进校准的倒伏作物识别方法包括以下步骤：

步骤S1，获取待收割的作物的俯视图像；基于所述俯视图像中各像素点在H通道对应的值，对所述俯视图像进行分割，获得不少于两个作物区域。

本实施例所针对的具体场景为：在利用无人收割机收割作物时，首先采集待收割的作物的俯视图像，对待收割的作物的俯视图像进行划分获得多个作物区域，然后采用角点算法获取每个作物区域中的角点，接着根据倒伏颜色特征及分布特征对角点进行分析，获取完整的倒伏区域，进而可以根据完整的倒伏区域对无人收割机的行进路线做出相应的校准。

首先本实施例使用无人机采集种植田里待收割的作物的俯视图像，所述俯视图像为RGB图像；由于种植田里待收割的作物可能为多个区域，而无人收割机进行收割时是对农田中的每个区域的作物依次进行收割，因此本实施例将对采集到的待收割的作物的俯视图像进行划分，后续将分别对每个区域进行分析；在对待收割的作物的俯视图像进行区域划分时，考虑到待收割的作物的俯视图像中作物区域的颜色与非作物区域的颜色存在明显差异，而HSV图像中H通道的值能够体现图像的颜色信息，因此将待收割的作物的俯视图像转换为HSV图像，提取其H通道图像，在H通道图像中使用Ｋ－means聚类算法根据像素点的H通道值对图像进行分割，获得多个区域的图像，基于H通道值图像的划分结果对待收割的作物的俯视图像进行划分，也即基于待收割的作物的俯视图像中像素点对应的色调，将待收割的作物的俯视图像进行了划分，得到多个作物区域；本实施例设置Ｋ－means聚类算法进行聚类时k的值为2，在具体应用中，实施者可根据具体情况进行设置。将RGB图像转换为HSV图像的过程以及Ｋ－means聚类算法均为现有技术，此处不再过多赘述。

至此，完成了对待收割的作物的俯视图像的划分，获得了多个作物区域。

步骤S2，对各作物区域进行角点检测获得各作物区域中的初始角点；基于各作物区域中各初始角点在H通道对应的值，得到各作物区域中各初始角点对应的H通道的相关指标；基于所述H通道的相关指标、各初始角点和与其所在的作物区域中相邻的初始角点之间的连线与水平正方向形成的夹角，得到各作物区域中各初始角点对应的隶属度。

由于作物在种植田里的分布较密集，且沿一定方向规律分布，而作物出现倒伏时，待收割的作物的俯视图像中每个倒伏区域的起始方向相近，若通过角点检测算法对图像进行处理，获取到的角点中属于倒伏区域的角点的方向相近且具有一致性，考虑到倒伏区域起始处与结尾处存在差异，因此若仅通过角点检测算法对每个作物区域进行检测，获得的倒伏区域的边缘角点准确性较低，进而影响倒伏区域的获取精度，因此本实施例将通过倒伏区域的特征对获取到的初始角点进行分析，进一步得到完整的倒伏区域，从而对无人收割机行进路线进行校准。

考虑到角点检测是根据像素点与其周围像素点的灰度值的差异，设定一个阈值，进而提取到角点的；而边缘检测获取到的边缘像素点也是根据像素点与其周围像素点的灰度值的差异得到的，因此根据边缘检测的阈值设定角点检测的阈值能够保证图像中的异常点被检测出来，异常点包括杂草上的像素点、作物上的突出像素点；本实施例对待收割的作物的俯视图像进行灰度化处理，获得灰度图像，也即获得了每个作物区域对应的灰度图，采用Canny边缘检测算法对每个作物区域对应的灰度图进行边缘检测，将Canny算子进行检测时对应的非极大值抑制阈值记为第一阈值，然后将角点检测算法中u和v的值均设置为第一阈值，进而得到第二阈值，根据第二阈值对每个作物区域对应的灰度图使用角点检测算法进行角点检测，将角点检测算法检测出的角点记为初始角点，也即获取了每个作物区域中的所有初始角点，初始角点为作物倒伏区域的部分边缘像素点，由于倒伏区域边缘上的像素点与正常区域的像素点的差异程度不同，作物倒伏结尾处会与正常区域进行覆盖，因此作物倒伏结尾处与正常区域差异的像素值差异较小，采用常规的检测算法难以检测出作物倒伏区域的所有边缘像素点。Canny边缘检测算法、角点检测算法为现有技术，此处不再过多赘述。

由于作物出现倒伏现象时，倒伏方向较相似，其在图像中呈现出倒伏区域的方向相近的特征；又由于划分得到的每个作物区域的边缘会出现其他类别的植被，例如灌木丛、杂草等其他植被，在图像中存在颜色差异，作物区域中的部分初始角点可能为其他植被上的点。因此，接下来本实施例将通过方向信息与颜色信息从所有初始角点中筛选出倒伏区域的角点，进而再通过这些角点重构得到完整的倒伏区域。对于任一作物区域：当该作物区域中出现植被或其他作物时，属于该作物上的角点与倒伏区域及正常作物区域的颜色差异较大，而H通道值能够体现像素点的颜色差异情况，因此根据该作物区域中每个初始角点在H通道对应的值，计算该作物区域中每个初始角点对应的H通道的相关指标，相关指标用于表征相似程度；在计算H通道的相关指标时首先设置预设调整参数，本实施例中的预设调整参数为常数1；对于该作物区域中的第r个初始角点，将该初始角点在H通道对应的值与该初始角点所在的作物区域中所有初始角点在H通道对应的平均值的差值的绝对值，记为第一绝对值，对第一绝对值进行归一化处理，将预设调整参数与归一化后的第一绝对值的差值作为该初始角点对应的H通道的相关指标，该作物区域中的第r个初始角点对应的H通道的相关指标的具体表达式为：

μ_r=1- Norm(A)

其中，μ_r为该作物区域中的第r个初始角点对应的H通道的相关指标，H_r为该作物区域中的第r个初始角点在H通道对应的值，R为该作物区域中初始角点的个数，Norm( )为归一化函数，| |为取绝对值，A为第一绝对值。

A表征该作物区域中的第r个初始角点的H通道值与该作物区域中所有初始角点H通道的均值的差异，Norm( )用于对第r个初始角点对应的差异进行线性归一化处理；当该作物区域中的第r个初始角点与该作物区域内所有初始角点的均值的差异越大时，说明第r个初始角点与该作物区域内其他初始角点的颜色越不相同，第r个初始角点越可能为其他类别的植被上的像素点，即该作物区域中的第r个初始角点对应的H通道的相关指标越小；当该作物区域中的第r个初始角点与该作物区域内所有初始角点的均值的差异越小时，说明第r个初始角点与该作物区域内其他初始角点的颜色越相似，第r个初始角点越不可能为其他类别的植被上的像素点，即该作物区域中的第r个初始角点对应的H通道的相关指标越大。

采用上述方法，能够得到每个作物区域中的每个初始角点对应的H通道的相关指标。

本实施例基于颜色信息对每个初始角点进行了分析，接下来将结合方向信息再次对每个初始角点进行分析，全面地对每个初始角点进行衡量，进而筛选出倒伏区域的角点；同一个倒伏区域的真正的相邻角点之间的方向存在相似性，方向的相似性可通过角点间角度变化来体现，本实施例将基于方向相似性来确定初始角点对应的隶属度；本实施例在计算隶属度时首先设置预设调整参数，对于某一作物区域：对于该作物区域的第r个初始角点，获取第r个初始角点和除第r-1个初始角点之外的与第r个初始角点距离最近的初始角点之间的连线与水平正方向形成的夹角，记为第一夹角，获取第r+1个初始角点和除第r个初始角点之外的与第r+1个初始角点距离最近的初始角点之间的连线与水平正方向形成的夹角，记为第二夹角，如果第r个初始角点为倒伏区域的角点，那么第一夹角和第二夹角较为相似，因此本实施例计算第一夹角和第二夹角的差值的绝对值，记为第二绝对值，对第二绝对值进行归一化处理，计算预设调整参数与第二绝对值的归一化后的值的差值，记为第一特征指标，将该初始角点对应的H通道的相关指标与第一特征指标的乘积作为第r个初始角点对应的隶属度，本实施例中预设调整参数为常数1；第r个初始角点对应的隶属度的具体表达式为：

ρ _r= μ _r*(1- Norm| θ _r- θ _r+1|)

其中， ρ _r为第r个初始角点对应的隶属度， μ _r为第r个初始角点对应的H通道的相关指标， θ _r为第r个初始角点和除第r-1个初始角点之外的与第r个初始角点距离最近的初始角点之间的连线与水平正方向形成的夹角， θ _r+1为第r+1个初始角点和除第r个初始角点之外的与第r+1个初始角点距离最近的初始角点之间的连线与水平正方向形成的夹角，| θ _r- θ _r+1|为第二绝对值，1- Norm| θ _r- θ _r+1|为第一特征指标， θ _r为第一夹角， θ _r+1为第二夹角。需要说明的是，第r+1个初始角点为第r个初始角点的顺时针方向与第r个初始角点相邻的初始角点；如果与第r个初始角点距离最近的初始角点为第r+1个初始角点，且与第r+1个初始角点距离最近的初始角点为第r个初始角点，为了防止无意义的计算，本实施例将除第r个初始角点之外的与第r+1个初始角点距离最近的初始角点作为与第r+1个初始角点距离最近的初始角点，参与上述计算，也即 θ _r+1为第r+1个初始角点和除第r个初始角点之外的与第r+1个初始角点距离最近的初始角点之间的连线与水平正方向形成的夹角；例如：与第r个初始角点距离最近的初始角点为第r+1个初始角点，第r个初始角点和第r+1个初始角点之间的距离为2，第r+1个初始角点与其它初始角点之间的距离分别为2、4、5、6、7，其中距离为2所对应的初始角点为第r个初始角点，距离为4所对应的初始角点为第y个初始角点，此时

指的是第r+1个初始角点与第y个初始角点之间的连线与水平正方向形成的夹角。

| θ _r- θ _r+1|用于表征第r个初始角点对应的夹角和与第r个初始角点相邻的初始角点对应的夹角之间的差异， Norm| θ _r- θ _r+1|表征对该差异进行线性归一化处理；当第r个初始角点对应的夹角和与第r个初始角点相邻的初始角点对应的夹角之间的差异越小、第r个初始角点对应的H通道的相关指标越大时，说明第r个初始角点与其相邻初始角点的方向相似性越高且第r个初始角点与其所在作物区域的其他初始角点的颜色越相似，第r个初始角点属于该作物区域中的倒伏区域的边缘像素点的概率越大，即第r个初始角点对应的隶属度越大；当第r个初始角点对应的夹角和与第r个初始角点相邻的初始角点对应的夹角之间的差异越大、第r个初始角点对应的H通道的相关指标越小时，说明第r个初始角点与其相邻初始角点的方向越不相似且第r个初始角点与其所在作物区域的其他初始角点的颜色差异越大，第r个初始角点属于该作物区域中的倒伏区域的边缘像素点的概率越小，即第r个初始角点对应的隶属度越小。

采用上述方法，通过对初始角点的方向差异性与颜色一致性进行分析，得到每个作物区域的每个初始角点对应的隶属度。

步骤S3，基于所述隶属度获得目标角点；基于各作物区域中的各目标角点的预设邻域内像素点的像素值，获得各作物区域中的倒伏区域的所有边缘像素点；基于所述各作物区域中的倒伏区域的所有边缘像素点获取所述俯视图像中作物的倒伏区域。

本实施例在步骤S2中获得了每个作物区域的每个初始角点对应的隶属度，隶属度越大，说明对应初始角点越可能为作物倒伏区域的边缘像素点，因此，设置隶属度阈值ρ₀，分别判断每个初始角点对应的隶属度是否大于隶属度阈值ρ₀，若大于，则说明对应初始角点为倒伏区域的边缘像素点，将对应初始角点记为目标角点；若小于等于，则说明对应初始角点越可能为其它类别的植被上的像素点。至此，获得了每个作物区域的所有目标角点，也即获得了每个作物区域中倒伏区域的部分边缘像素点。本实施例设置ρ₀的值为0.6，在具体应用中，实施者可根据具体情况进行设置。

倒伏区域的边缘像素点与正常区域的像素点的像素值存在差异，但相较于其与正常区域的差异，倒伏区域的边缘像素点之间的像素值差异较小。基于根据此特性，本实施例将根据获取到的倒伏区域的部分边缘角点还原得到倒伏区域的所有边缘像素点，进而获得完整的倒伏区域。

对于任一作物区域：

对于该作物区域的任一目标角点，获取该目标角点的预设邻域内各像素点的像素值，本实施例设置预设邻域为８邻域，在具体应用中，实施者可根据具体情况设置预设邻域的大小；依次计算该初始角点的每个邻域像素点和与其相邻的两个邻域像素点的像素值的差值的绝对值的平均值，并作为对应邻域像素点对应的像素差异；例如：对于该初始角点的任一邻域像素点：分别计算该邻域像素点和与该邻域像素点相邻的两个邻域像素点的像素值的差值的绝对值，将两个绝对值的均值作为该邻域像素点对应的像素差异；由于该目标角点为倒伏区域的边缘像素点，且倒伏区域为一个完整的连通域，因此每个倒伏区域的所有边缘像素点构成一个封闭的连通域，即该目标角点的八邻域内至少还存在两个倒伏区域的边缘像素点，且得到的边缘像素点与周边像素点的像素值会存在较大差异；基于此，按照像素差异从大到小的顺序，对该目标角点的所有邻域像素点对应的像素差异进行排列，获得该目标角点对应的差异序列；获取差异序列中的前两个元素，记为目标差异，将目标差异对应的邻域像素点作为倒伏区域的边缘像素点，也即获得了两个新的边缘像素点；采用上述方法，对该作物区域的所有目标角点同时进行分析，获取新的边缘像素点；若获取的所有边缘像素点不能够形成封闭的连通域，则分别获取新的边缘像素点的预设邻域内各像素点的像素值，继续采用上述方法，获得新的边缘像素点，已经获取的边缘像素点不再进行分析；直到获取的边缘像素点能够形成封闭的连通域为止，也即获得了倒伏区域的边缘像素点，基于倒伏区域的边缘像素点获得完整的作物倒伏区域。

采用上述方法，能够获得待收割的作物的俯视图像中的所有作物倒伏区域。若不对无人收割机的行进路线进行校准，则无人收割机会对倒伏作物不进行判断或判断不完全直接进行收割，影响作物的产量，本实施例根据倒伏区域的特征先获取倒伏区域的部分边缘像素点，进而得到倒伏区域的所有边缘像素点，然后对得到的完整的作物倒伏区域进行标记，当无人收割机行进到作物倒伏区域时，根据已标注信息对原始行进路线方向进行调整，即实现对无人收割机的行进路线的校准，能够有效地避免无人收割机的行进路线不当造成作物的浪费。

本实施例考虑到作物倒伏区域的倒伏起始处与正常区域像素点的像素值存在较大差异，而倒伏结尾处与正常区域进行覆盖，因此与正常区域像素点的像素值的差异较起始处的像素值差异较小，采用传统的角点检测算法对待收割的作物的俯视图像进行检测时，得到的倒伏区域的边缘不完整，因此无法提取完整的倒伏区域；本实施例首先采用角点检测算法提取到了初始角点，考虑到每个作物区域可能包含其它类别的植被，这些植被与待收割的作物的颜色存在差异，因此部分初始角点并不是真正的作物倒伏区域的边缘像素点，为了准确提取作物的倒伏区域，需要对初始角点进行筛选，本实施例结合倒伏区域像素点的颜色信息和方向信息对每个初始角点进行了分析，全面地对每个初始角点进行了评价，基于各作物区域中各初始角点在H通道对应的值，得到了各作物区域中各初始角点对应的H通道的相关指标，又基于H通道的相关指标、各初始角点和与其所在的作物区域中相邻的初始角点之间的连线与水平正方向形成的夹角，得到了各作物区域中各初始角点对应的隶属度，基于隶属度筛选出真正属于倒伏区域的角点记为目标角点，然后又基于目标角点还原得到倒伏区域的所有边缘像素点，提取到了完整且准确的倒伏区域，进而能够基于完整的倒伏区域对无人收割机行进路线进行校准。

Claims (6)

1.一种用于无人收割机行进校准的倒伏作物识别方法，其特征在于，该方法包括以下步骤：

获取待收割的作物的俯视图像；基于所述俯视图像中各像素点在H通道对应的值，对所述俯视图像进行分割，获得不少于两个作物区域；

对各作物区域进行角点检测获得各作物区域中的初始角点；基于各作物区域中各初始角点在H通道对应的值，得到各作物区域中各初始角点对应的H通道的相关指标；基于所述H通道的相关指标、各初始角点和与其所在的作物区域中相邻的初始角点之间的连线与水平正方向形成的夹角，得到各作物区域中各初始角点对应的隶属度；

基于所述隶属度获得目标角点；基于各作物区域中的各目标角点的预设邻域内像素点的像素值，获得各作物区域中的倒伏区域的所有边缘像素点；基于所述各作物区域中的倒伏区域的所有边缘像素点获取所述俯视图像中作物的倒伏区域。

2.根据权利要求1所述的用于无人收割机行进校准的倒伏作物识别方法，其特征在于，对所述俯视图像进行分割的方法为Ｋ－means聚类算法。

3.根据权利要求1所述的用于无人收割机行进校准的倒伏作物识别方法，其特征在于，得到各作物区域中各初始角点对应的H通道的相关指标，包括：

对于任一作物区域中的任一初始角点：将该初始角点在H通道对应的值与该初始角点所在的作物区域中所有初始角点在H通道的平均值的差值的绝对值，记为第一绝对值；对所述第一绝对值进行归一化处理，将预设调整参数与归一化后的第一绝对值的差值作为该初始角点对应的H通道的相关指标。

4.根据权利要求1所述的用于无人收割机行进校准的倒伏作物识别方法，其特征在于，所述基于所述H通道的相关指标、各初始角点和与其所在的作物区域中相邻的初始角点之间的连线与水平正方向形成的夹角，得到各作物区域中各初始角点对应的隶属度，包括：

对于任一作物区域：

对于该作物区域的第r个初始角点，获取第

个初始角点和除第r-1个初始角点之外的与第r个初始角点距离最近的初始角点之间的连线与水平正方向形成的夹角，记为第一夹角；获取第r+1个初始角点和除第r个初始角点之外的与第r+1个初始角点距离最近的初始角点之间的连线与水平正方向形成的夹角，记为第二夹角；计算所述第一夹角和所述第二夹角的差值的绝对值，记为第二绝对值；对所述第二绝对值进行归一化处理，计算预设调整参数与第二绝对值的归一化后的值的差值，记为第一特征指标；将该初始角点对应的H通道的相关指标与所述第一特征指标的乘积作为第r个初始角点对应的隶属度；其中，第r+1个初始角点为第r个初始角点的顺时针方向与第r个初始角点相邻的初始角点。

5.根据权利要求1所述的用于无人收割机行进校准的倒伏作物识别方法，其特征在于，所述基于各作物区域中的各目标角点的预设邻域内像素点的像素值，获得各作物区域中的倒伏区域的所有边缘像素点，包括：

对于任一作物区域：

获取该作物区域的各目标角点的预设邻域内各邻域像素点的像素值，分别计算各邻域像素点和与其相邻的邻域像素点的像素值的差值的绝对值的平均值，并作为各邻域像素点对应的像素差异；按照像素差异从大到小的顺序，对各目标角点的所有邻域像素点对应的像素差异进行排列，获得各目标角点对应的差异序列；将所述各目标角点对应的差异序列中的前两个元素对应的邻域像素点作为倒伏区域的边缘像素点；若获取的边缘像素点未形成封闭的连通域，则分别获取各边缘像素点的预设邻域内各邻域像素点的像素值，基于所述各边缘像素点的预设邻域内各邻域像素点的像素值，获得新的边缘像素点，以此类推，直到获取的边缘像素点形成封闭的连通域为止。

6.根据权利要求1所述的用于无人收割机行进校准的倒伏作物识别方法，其特征在于，所述基于所述隶属度获得目标角点，包括：将隶属度大于隶属度阈值的初始角点作为目标角点。

Images