农田苗带识别技术是精准农业研究中的一项重要技术,作物行的提取是苗带识别技术的核心研究部分。随着机器视觉技术的快速发展,其在田间杂草识别、变量喷药以及农用车辆田间导航等方面的应用越来越广泛,该技术不仅可以提高农业耕作效率,更能提高农业机械的作业精度。因此,基于机器视觉技术寻求一种实时性强、鲁棒性好的作物行提取算法对于准确识别农田苗带作物行和提高农业资源的合理利用具有重要意义。本文基于上述背景,选定苗期玉米作物行作为研究对象,对苗带识别技术进行了深入研究,主要研究内容与成果如下:(1)对采集到的图像进行预处理操作。首先采用改进的超绿法对采集到的作物行彩色图像进行灰度化处理,当绿色分量G为1.27时处理效果最佳。接下来运用可自动阈值、适应性强的Otsu方法进行图像二值化处理。针对于采集到的图像易受噪声干扰,选择对椒盐噪声抑制效果强的中值滤波法对图像进行降噪处理。最后为满足后续田间作业实时性要求,选择处理速度较快,提取效果清晰的左右边缘中心线方法提取作物行特征点。(2)针对于传统K均值聚类算法聚类个数需人为指定、随机初始聚类中心易使算法陷入局部最优的问题,提出了改进的K均值聚类算法,大大的提高了聚类算法的划分精度。并在作物行中心线检测中提出了改进的最小二乘法进行直线拟合。实验结果表明改进的算法拟合的直线与实际作物行线偏离角度更小,拟合精度更高。(3)构建了基于MATLAB GUI平台的农田苗带识别系统,实现了图像采集、图像预处理、作物行检测等功能,满足了田间作业对于上位机的实时性要求。(4)在吉林农业大学科研试验田进行实验验证,实验结果表明,农田苗带识别系统作物行识别率达到93%。霍夫变换算法、随机霍夫变换算法和改进K均值聚类算法的平均误差分别为2.1035°、1.6374°、1.1411°,说明改进的检测直线算法满足系统实时性要求并且精度更高;喷药实验结果表明:在农机作业速度为1.8km/h,喷药量为59.7kg/hm~2～387.3kg/hm~2时,可以将系统的相对误差控制在5%以内,说明上位机识别系统决策发布准确,对于农机田间作业系统以及农机喷药领域有着实际的推广与应用意义。