arable 农田中多变田间条件下的基于视觉的作物行导航

准确的作物行检测常受到真实世界 arable 农田中多变田间条件的挑战。传统的基于颜色的分割无法应对所有此类变化。农业环境中综合数据集的缺乏限制了研究人员开发用于检测作物行的鲁棒分割模型。我们提出了一个用于作物行检测的数据集,包含来自甜菜和玉米作物的 11 种田间变化。我们还提出了一种用于作物行田间视觉伺服的新颖作物行检测算法。我们的算法能在弯曲作物行、杂草存在、不连续性、生长阶段、 tramlines、阴影和光照水平等多变田间条件下检测作物行。我们的方法仅使用 Husky 机器人前装相机的 RGB 图像来预测作物行。我们的方法优于经典的基于颜色的作物行检测基线。行间空间内密集杂草存在和作物行不连续性是我们作物行检测算法最具挑战性的田间条件。我们的方法能检测作物行末端,并在到达作物行末端时将机器人导航至地头区域。