【技术实现步骤摘要】
本专利技术涉及农业工程，具体涉及一种畦沟识别算法的优化方法。
技术介绍
1、在现代农业中，畦沟的合理规划和维护对于提高作物的生长环境、增强灌溉和排水效率至关重要，传统上，田间畦面与沟渠边界的识别主要依靠人工观测或简单的机械化方式。然而，随着农业自动化和智能化的发展，自动识别和管理田间畦面与沟渠边界的需求变得越来越迫切，尤其是在大规模农业生产中，高效、准确的畦沟识别技术已成为提高农业管理效率的重要手段，目前，畦沟识别技术主要依赖于点云数据处理，通过激光雷达或rgb-d相机等传感器获取农田的三维点云数据，然后运用点云分割算法对田间地形特征进行识别和分类，传统的点云分割算法通常需要预先设定固定的阈值，以区分地面特征、作物和沟渠边界，然而，这种方法在实际应用中存在诸多不足。
2、首先，传统算法对阈值的高度依赖，在农田环境中，不同作物的高度、种植密度、土壤特性等因素会导致地形特征变化较大，固定阈值无法灵活适应这些变化，导致识别的准确性大幅下降，尤其是在面对作物高度不一致或农田环境复杂的情况时，固定阈值容易导致畦面与沟渠边界的模糊不清，进而影响灌溉和排水的精度，其次，缺乏智能动态调整能力，传统方法中的阈值设定通常是基于先验经验的，这意味着一旦环境条件发生变化，系统必须重新手动调整参数，耗费时间和人力，且难以在实际复杂环境下灵活应对，这种方法的局限性在现代智能农业场景下显得尤为明显，尤其是对于广袤的农田或高强度的农业生产模式，传统方法的效率和精度已无法满足实际需求。
技术实现思路
1
2、为实现上述目的，本专利技术提供如下技术方案：一种畦沟识别算法的优化方法，所述方法包括：
3、s1、获取畦沟区域的图像或点云数据；
4、s2、对所述图像或点云数据进行预处理，所述预处理包括去噪、滤波、颜色转换及形态学操作；
5、s3、利用改进的随机采样一致性算法及聚类算法对预处理后的数据进行畦沟区域的初步分割；
6、s4、通过机器学习模型识别并优化所述分割区域中的畦沟边界，所述模型经过多次迭代训练；
7、s5、对所述畦沟边界通过条件滤波剔除干扰信息；
8、其中，所述步骤s3利用密度聚类算法对初步分割的数据进行聚类，具体为：
9、使用k距离图选择邻域半径和最小样本数，其中k值等于维度加1，计算每个点到其k个邻近点的距离，并基于以下公式确定聚类邻域：
10、，
11、其中，和表示两个样本点，和分别表示它们在第维度的坐标，表示两个点的欧式距离，表示样本点的维度数，表示当前正在计算的维度索引，表示邻域半径。
12、优选的，所述步骤s2中的预处理进一步包括：
13、对图像数据进行颜色模型转换，将rgb颜色模型转换为hsv颜色模型，对点云数据进行体素化处理。
14、优选的，所述步骤s4中使用卷积神经网络作为机器学习模型，模型的训练过程包括以下步骤：
15、将预处理后的图像数据输入卷积神经网络进行边界检测，利用交叉熵损失函数来优化模型参数，损失函数定义为：
16、，
17、其中，表示损失函数值，表示用于训练的样本数量，表示样本索引，表示第个样本的真实标签，表示第个样本被模型预测为正类的概率；
18、使用随机梯度下降法更新网络权重，权重更新公式为：
19、，
20、其中，表示模型在当前时间步时的权重矩阵，表示模型在下一时间步+1时更新后的权重矩阵，表示学习速率，表示损失函数对权重的梯度。
21、优选的，所述步骤s5中的边界优化过程包括：
22、对已识别的畦沟边界进行条件滤波，设定条带间隔并计算质心，具体公式为：
23、和，
24、其中，和表示质心在x轴和y轴上的坐标，表示样本数量，表示遍历样本的索引，和表示第个样本点在 x 轴和 y 轴上的坐标。
25、优选的，所述步骤s4和步骤s5中使用的机器学习模型和滤波器经过时间同步器处理。
26、优选的，所述机器学习模型在训练过程中采用在线数据增强技术，具体包括：
27、通过随机旋转、缩放、翻转等方式对图像进行实时变换，生成更多训练样本；
28、通过以下公式动态调整增强的变换参数：
29、，
30、其中，表示数据增强的强度，表示最小增强强度，表示最大增强强度，表示损失值的变化量，表示初始损失值。
31、优选的，所述步骤s5的边界优化过程中，通过条件滤波和形态学操作进一步细化边界，具体包括：
32、使用形态学膨胀和腐蚀操作，优化畦沟边界的光滑性；
33、形态学操作的结构元大小根据畦沟尺寸动态调整，具体公式为：
34、，
35、其中，表示形态学操作的结构元大小，表示畦沟宽度均值，表示调节系数；
36、所述步骤s1中获取的点云数据通过激光雷达或结构光传感器采集，并采用三维坐标系对畦沟的深度信息进行测量。
37、所述步骤s2中的颜色转换将彩色图像转换为灰度图像，以减少颜色信息对畦沟边界检测的干扰。
38、所述步骤s3中的改进的随机采样一致性算法通过引入加权因子来提高对噪声数据的鲁棒性。
39、由上述技术方案可知，本专利技术具有如下有益效果：
40、该畦沟识别算法的优化方法，通过获取畦沟区域的图像或点云数据，对所述图像或点云数据进行预处理，所述预处理包括去噪、滤波、颜色转换及形态学操作，利用改进的随机采样一致性算法及聚类算法对预处理后的数据进行畦沟区域的初步分割，通过机器学习模型识别并优化所述分割区域中的畦沟边界，所述模型经过多次迭代训练，对所述畦沟边界通过条件滤波剔除干扰信息，显著提高了田间畦面与沟渠边界的分割精度，有效减少误差，避免了在作物生长过程中由于环境变化导致的识别失效问题，减少了人为干预，降低了人工设置的复杂性和可能产生的误差，优化后的畦沟识别算法可以动态调整，满足大规模农业生产的高效管理需求，大幅提高农业生产的自动化程度和管理效率，推动精准农业的发展，解决了传统算法对阈值的高度依赖及缺乏智能动态调整能力的问题。
本文档来自技高网...【技术保护点】
1.一种畦沟识别算法的优化方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种畦沟识别算法的优化方法，其特征在于：所述步骤S2中的预处理进一步包括：
3.根据权利要求1所述的一种畦沟识别算法的优化方法，其特征在于：所述步骤S4中使用卷积神经网络作为机器学习模型，模型的训练过程包括以下步骤：
4.根据权利要求1所述的一种畦沟识别算法的优化方法，其特征在于：所述步骤S5中的边界优化过程包括：
5.根据权利要求1所述的一种畦沟识别算法的优化方法，其特征在于：所述步骤S4和步骤S5中使用的机器学习模型和滤波器经过时间同步器处理。
6.根据权利要求3所述的一种畦沟识别算法的优化方法，其特征在于：所述机器学习模型在训练过程中采用在线数据增强技术，具体包括：
7.根据权利要求1所述的一种畦沟识别算法的优化方法，其特征在于：所述步骤S5的边界优化过程中，通过条件滤波和形态学操作进一步细化边界，具体包括：
8.根据权利要求1所述的一种畦沟识别算法的优化方法，其特征在于：所述步骤S1中获取的点云数据通过激光
9.根据权利要求1所述的一种畦沟识别算法的优化方法，其特征在于：所述步骤S2中的颜色转换将彩色图像转换为灰度图像，以减少颜色信息对畦沟边界检测的干扰。
10.根据权利要求1所述的一种畦沟识别算法的优化方法，其特征在于：所述步骤S3中的改进的随机采样一致性算法通过引入加权因子来提高对噪声数据的鲁棒性。
...【技术特征摘要】
1.一种畦沟识别算法的优化方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种畦沟识别算法的优化方法，其特征在于：所述步骤s2中的预处理进一步包括：
3.根据权利要求1所述的一种畦沟识别算法的优化方法，其特征在于：所述步骤s4中使用卷积神经网络作为机器学习模型，模型的训练过程包括以下步骤：
4.根据权利要求1所述的一种畦沟识别算法的优化方法，其特征在于：所述步骤s5中的边界优化过程包括：
5.根据权利要求1所述的一种畦沟识别算法的优化方法，其特征在于：所述步骤s4和步骤s5中使用的机器学习模型和滤波器经过时间同步器处理。
6.根据权利要求3所述的一种畦沟识别算法的优化方法，其特征在于：所述机器学习模型在训练过程中采用...
【专利技术属性】
技术研发人员：杨洋，李雪晴，王笑乐，沈欣悦，王宇，戴祯，白子祥，张志宁，戴宝宝，
申请(专利权)人：安徽农业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。