CN105046229A - 一种农作物行的识别方法及装置 - Google Patents

Abstract

本发明公开了一种农作物行的识别方法及装置，该方法首先通过模糊聚类方法将采集的农作物图像转化为二值图像，然后从获取的二值图像中提取感兴趣的区域ROI图像，通过横条法获取其中农作物特征点，并对所提取的农作物特征点进行线性回归，拟合出农作物行直线方程，最后再通过多次线性回归的方法剔除错误的特征点，对农作物行直线方程进行修正。本发明的装置包括模糊聚类模块、特征点提取模块和拟合模块。本发明的方法及装置，识别农作物行准确度高，运行速度块，抗干扰能力强。

Description

一种农作物行的识别方法及装置

技术领域

本发明属于农作物栽培技术领域，尤其涉及一种基于图像处理的农作物行的识别方法及装置。

背景技术

我国幅员辽阔，地形、气候类型复杂多样，从南到北分为热带、亚热带、温带和寒带，主要粮食作物有水稻、小麦、玉米、大豆等，经济作物有棉花、花生、油菜、甘蔗和甜菜等。然而我国人口众多，耕地面积相对较少，因此农业特别是种植业在我国的地位非常重要，关系整个国计民生。随着农业机械化和信息化的迅速发展，实现农业自动化的要求越来越迫切。

机器视觉配合大中型农业机械在农业领域的运用也越来越广泛，尤其是在视觉导航和作物识别方面，准确性和费用都得到了较大的改善。因此在农作物的自动除草、收获、施肥、修剪、耕耘等工作中，基于图像处理进行农作物行的识别显得尤为重要。

现有的农作物行的识别方法主要是利用超绿法、最大类间方差法分割图像，通过Hough变换识别农作物行。但是这些方法图像分割不准确，不能很好的区分农作物和杂草，而且计算量大，达不到实时性的要求。尤其在农作物中有大量杂草存在的情况下，不能得到理想的结果。

发明内容

本发明的目的是提供一种农作物行的识别方法及装置，以避免现有技术图像分割不准确，识别效率不高的技术问题。

为了实现上述目的，本发明技术方案如下：

一种农作物行的识别方法，所述识别方法包括：

通过模糊聚类方法将采集的农作物图像转化为二值图像；

从获取的二值图像中提取感兴趣的区域ROI图像，通过横条法获取其中农作物特征点；

对所提取的农作物特征点进行线性回归，拟合出农作物行直线方程；

通过多次线性回归的方法剔除错误的特征点，对农作物行直线方程进行修正。

优选地，所述通过模糊聚类方法将采集的农作物图像转化为二值图像，是以采集的农作物图像作为整个样本，以像素点G通道的值所占的百分比作为样本元素，将农作物和背景的聚类中心分别初始化为0.35～0.40和0.30～0.35进行模糊聚类得到。

本发明以农作物图像作为整个样本，可以直接以农作物图像像素点的像素R\G\B三通道的值作为样本元素来进行模糊聚类。但是优选地，是采用像素点G通道的值所占的百分比作为样本元素，从而降低了聚类的维数，将农作物和背景的聚类中心分别初始化为0.35～0.40和0.30～0.35进行模糊聚类得到二值图像，提高了聚类速度。

进一步地，所述采集的农作物图像的宽为W像素，高为H像素，所述ROI图像的宽为w＝W/2像素，宽为h＝H/2，所述通过横条法获取其中农作物特征点，包括：

将ROI图像分为Q条宽度相同的横条，用S_p,q表示第q条横条第p列中白色像素出现的次数，其中p的取值从1到w，w为ROI图像的宽度像素；

对于第q条横条，对应有阈值u_q，阈值u_q为第q条横条中所有S_p,q的均值；

当S_p,q小于等于u_q且S_p+1,q大于u_q时，认为进入农作物行，记录此时的列坐标为p₁；

当S_p,q大于等于u_q且S_p+1,q小于u_q时，认为离开农作物行，记录此时的列坐标为p₂；

计算进入和离开农作物行时列数的差值Δ＝p₂-p₁，如果Δ大于设定的常数d，则认为横条q上从第p₁到p₂的段为农作物，并取该段中点为农作物特征点；

遍历所有横条，获取ROI图像中所有的农作物特征点；

其中，所述常数d的取值范围为：W/20<d<W/15。

进一步地，所述对所提取的农作物特征点进行线性回归，拟合出农作物行直线方程，包括：

根据特征点的分布，将特征点划分为不同的农作物行；

对于任一农作物行，设农作物行直线方程为：

y＝kx+b

其中b为斜距，k为斜率，计算属于该农作物行的所有特征点到该直线的距离l:

$l=\frac{\left|kx+b-y\right|}{\sqrt{1+k^2}};$

进一步计算，属于该农作物行的所有特征点到该直线的距离平方和l′:

$l^{\&prime;}=\underset{r=1}{\overset{M}{\&Sigma;}}{l_r}^2$

对上式的分子对k和b求偏导并令其为0，得到：

$\frac{\&part;l^{\&prime;}}{\&part;b}=-2\underset{r=1}{\overset{M}{\&Sigma;}}(y_r-b-{\mathrm{kx}}_r)=0$

$\frac{\&part;l^{\&prime;}}{\&part;k}=-2\underset{r=1}{\overset{M}{\&Sigma;}}\&lsqb;y_r-(b+{\mathrm{kx}}_r)\&rsqb;x_r=0$

其中M为属于该农作物行的所有特征点的数量，r属于1～M，第r个特征点的坐标为(x_r，y_r)，l_r为第r个特征点与农作物行直线的距离，求解出上式中k和b的解分别为和将其带入直线方程得到农作物直线方程为： $y=\hat{k}x+\hat{b}.$

进一步地，所述通过多次线性回归的方法剔除错误的特征点，对农作物行直线方程进行修正，包括：

根据农作物行直线方程，计算属于该农作物行的特征点到该农作物行的距离，剔除距离大于设定的常数的特征点；

在剔除错误的特征点后，根据剩下的特征点再次拟合出农作物行直线方程，并再次根据新拟合出的农作物行直线方程，计算特征点到该直线的距离，剔除距离大于设定的常数的特征点；

如此循环，直到达到最大线性回归次数，或当线性回归剔除的特征点数量为0时迭代停止。

本发明还提出了一种农作物行的识别装置，所述装置包括：

模糊聚类模块，用于通过模糊聚类方法将采集的农作物图像转化为二值图像；

特征点提取模块，用于从获取的二值图像中提取感兴趣的区域ROI图像，通过横条法获取其中农作物特征点；

拟合模块，用于对所提取的农作物特征点进行线性回归，拟合出农作物行直线方程，并通过多次线性回归的方法剔除错误的特征点，对农作物行直线方程进行修正。

本发明提出的一种农作物行的识别方法及装置，通过模糊聚类对采集图像进行分割，利用横条法确定特征点，并利用特征点在x轴上的位置判断所属农作物行，利用线性回归求出过渡农作物行，在通过多次线性回归剔除错误的特征点，得出最终的农作物行。本发明识别农作物行准确度高，运行速度块，抗干扰能力强。

附图说明

图1为本发明农作物行识别方法的流程图；

图2为本发明实施例二值图像示意图；

图3为本发明实施例ROI图像示意图；

图4为本发明实施例ROI图像中特征点示意图。

具体实施方式

下面结合附图和实施例对本发明技术方案做进一步详细说明，以下实施例不构成对本发明的限定。

本发明利的总体思路是用计算机视觉技术，对图像采集设备采集到的农作物行图像进行分析处理，来识别作物行。本实施例以玉米幼苗为例来进行说明。

如图1所示，一种农作物行的识别方法，包括如下步骤：

步骤S1、通过模糊聚类方法将采集的农作物图像转化为二值图像。

本实施例用X来表示所有样本，即采集的农作物图像的每个像素点的RBG通道的值作为一个样本元素x_i，x_i对应于一个像素点。将整个样本X分为农作物和背景两部分，所以聚类数c＝2，即将图像中的像素点分为农作物和背景两类。

用f_ij表示x_i属于第j类的隶属度，用v_j表示第j类的聚类中心，对样本X中的每个x_i进行迭代，所有样本元素计算完成依次为依次迭代，通过迭代计算出农作物和背景的聚类中心。

在迭代之前需要对聚类中心v_j进行初始化。由于农作物部分在理想情况下应该是绿色，本实施例设置农作物聚类中心v₁＝{0,255,0}；剩下的背景中绿色通道相较于红色通道和蓝色通道，不需要占主导地位，设置v₂＝{255,0,128}。

隶属度f_ij和和聚类中心v_j的迭代公式如下所示：

$f_{ij}\left(t+1\right)=\frac{1}{{\mathrm{\&Sigma;}}_{r=1}^c{\&lsqb;\frac{d_{ij}\left(t\right)}{d_{ir}\left(t\right)}\&rsqb;}^{2/(\mathrm{\&lambda;}-1)}}$

$v_j(t+1)=\frac{{\mathrm{\&Sigma;}}_{r=1}^n{\&lsqb;f_{rj}\left(t\right)\&rsqb;}^{\mathrm{\&lambda;}}{x}_r}{{\mathrm{\&Sigma;}}_{r=1}^n{\&lsqb;f_{rj}\left(t\right)\&rsqb;}^{\mathrm{\&lambda;}}}$

其中，d_ij是x_i到聚类中心v_j的欧氏距离，λ被称作指数权重，λ>1，n为样本X的容量。

该过程反复迭代直到||f_ij(t+1)-f_ij(t)||＜ε或者已经到达指定的迭代次数t_max。

迭代结束后将得到两个聚合中心：v₁＝{V_1R，V_1G，V_1B}和v₂＝{V_2R，V_2G，V_2B}，由于v₁是农作物的聚类中心，本实施例根据v₁来计算分割阈值，分割预置＝V_1G/(V_1R+V_1G+V_1B)。

对于任意像素点x_i，当其RGB三通道的值满足G/(R+G+B)大于分割阈值时，将该点像素置为255，即白色，否则置为0，即黑色，从而将原图像分割为二值图像。例如图2为根据采集图像得到的一副二值图像，其中白色像素代表了农作物，黑色像素代表了背景。

在不同的情况下，通过聚类分割可以很好的提取农作物信息，相比与常用的超绿法和大津法的组合的方法相比，模糊聚类可以保存更多的细节，比如杂草，落叶等，且在不同光照条件下，都能准确的将农作物和背景区分开。

值得注意的是，在聚类结束后，对于每个聚类中心V_j，其G通道的值所占的百分比val为：

$val=\frac{G}{R+B+G}$

通过大量的实验数据，如表1所示：

背景v1(％)	作物v2(％)
		0.345	0.403
0.335	0.347
		0.345	0.386
0.336	0.353
		0.339	0.412
0.345	0.386

表1

不难发现农作物聚类中心对应的百分比val大多在0.35和0.40之间，背景聚类中心对应的百分比val在0.30和0.35之间。而在实际聚类过程中，起决定性作用的也是G通道的值所占的百分比。为了提高计算效率，优选地，直接以G通道的值所占的百分比作为样本元素，因此样本的维数从3降到1，并在每次聚类开始前，将农作物和背景的聚类中心分别初始化为0.35～0.40和0.30～0.35，避免每次聚类迭代时的重复计算，提高聚类速度。

步骤S2、从获取的二值图像中提取感兴趣的区域ROI，通过横条法获取其中农作物特征点。

首先，从获取的二值图像中提取感兴趣的区域ROI(RegionOfInterest)，对于宽为W像素，高为H像素的采集图像，一般提取的ROI的长为w＝W/2，宽为h＝H/2，本实施例提取的ROI如图3所示，提取的ROI至少包括一条农作物行，本实施例包括两个农作物行。

对ROI使用横条法，将ROI图像分为Q条宽度相同的横条，对于宽为w像素，高为h像素的ROI图像，将其分为Q条横条，用S_p,q表示第q条横条第p列中白色像素出现的次数，其中p的取值从1到w。

对于第q条横条，对应有阈值u_q，阈值u_q为第q条横条中所有S_p,q的均值： $u_q=\frac{1}{w}{\&Sigma;}_{p=0}^{p=w}{S}_{p,q}.$

遍历S_p，q,用以下过程提取农作物行的特征点：

(1)当S_p,q小于等于u_q且S_p+1,q大于u_q时，说明进入农作物行，记录此时的列坐标为p₁；

(2)当S_p,q大于等于u_q且S_p+1,q小于u_q时，说明离开农作物行，记录此时的列坐标为p₂；

(3)每次进入和离开农作物行时，计算进入和离开农作物行时列数的差值Δ＝p₂-p₁，如果Δ大于设定的常数d，则认为横条q上从第p₁到p₂的段为农作物，并取该段中点为农作物特征点。

其中，d为常数，可以理解为农作物行的宽度，其取值范围为：W/20<d<W/15。

通过遍历所有横条，可以得到若干特征点，如图4所示，其中黑点为特征点。

步骤S3、对所提取的农作物特征点进行线性回归，得出农作物行直线方程。

根据特征点的分布，将特征点划分为不同的农作物行。本实施例创建的ROI里一般仅保留两条农作物行，判断所有特征点的x轴坐标，如果坐标小于宽度的一半，将该点归于左侧的农作物行，否则归于右侧。

对于任一农作物行，根据属于该农作物行的所有特征点通过线性回归得到农作物行直线方程，过程如下：

假设特征点的坐标为(x，y)，农作物行直线的方程为：

y＝kx+b

其中，b为斜距，k为斜率。

则特征点到该农作物行直线的距离l为:

$l=\frac{\left|kx+b-y\right|}{\sqrt{1+k^2}};$

所有特征点到直线距离的平方和l′为:

$l^{\&prime;}=\underset{r=1}{\overset{M}{\&Sigma;}}{l_r}^2;$

其中M为特征点的数量。

可见，如果特征点(x，y)在该直线上，则l为0，但不可能所有特征点都恰好落在该直线上，通过求k和b使l′取最小值，即对的分子的k和b求偏导并令其为0：

$\frac{\&part;l^{\&prime;}}{\&part;b}=-2\underset{r=1}{\overset{M}{\&Sigma;}}(y_r-b-{\mathrm{kx}}_r)=0$

$\frac{\&part;l^{\&prime;}}{\&part;k}=-2\underset{r=1}{\overset{M}{\&Sigma;}}\&lsqb;y_r-(b+{\mathrm{kx}}_r)\&rsqb;x_r=0$

其中M为属于该农作物行的所有特征点的数量，r属于1～M，第r个特征点的坐标为(x_r，y_r)，l_r为第r个特征点与农作物行直线的距离，解出上式的解和将和带入直线方程，得到农作物行直线的方程为：

$y=\hat{k}x+\hat{b}.$

使得特征点基本分布在该直线两侧附近。

步骤S4、通过多次线性回归的方法剔除错误的特征点，对农作物行直线方程进行修正。

在理想状况下，此时通过步骤S3中得出的农作物行直线方程已经可以得到较为准确的农作物行，但实际情况中ROI内未必只包含两条农作物行，而且光照，天气，杂草等外界因素也会影响准确性。为了得到准确的作物行，本实施例需要剔除错误的特征点，保留正确的特征点。

在所有外界环境中，ROI中其他行的侵入和杂草的影响最大，而这些侵入的农作物行和杂草在光谱上与目标接近，所以本实施例利用点与线的位置关系来判断哪些特征点需要剔除。

本实施例引入多次线性回归的方法，通过S3，已经得到了农作物行直线方程并通过点到直线距离公式计算特征点到该直线的距离l，当l大于W/15时，剔除该点，W为图像的宽。

在剔除错误的特征点后，根据剩下的特征点再次拟合出农作物行的直线方程，并再次根据新拟合出的农作物行的直线方程，计算特征点到该直线的距离l，当l大于W/15时，剔除该点。

如此循环，直到达到最大线性回归次数，本实施例为10次，或当线性回归剔除的特征点数量为0时迭代停止。

本实施例为了提高效率，对两条农作物行分开进行线性回归，当一条农作物行上的特征点没有错误时，直接跳过对另一条农作物行进行求解。

本实施例还提出了对应于上述方法的一种农作物行的识别装置，所述装置包括：

模糊聚类模块，用于通过模糊聚类方法将采集的农作物图像转化为二值图像；

特征点提取模块，用于从获取的二值图像中提取感兴趣的区域ROI图像，通过横条法获取其中农作物特征点；

拟合模块，用于对所提取的农作物特征点进行线性回归，拟合出农作物行直线方程，并通过多次线性回归的方法剔除错误的特征点，对农作物行直线方程进行修正。

各模块所执行的操作与上述农作物行识别方法对应，这里不再赘述。

现有技术采用Hough变换和本实施例提出的多次线性回归的对比如表2所示：

表2

表2中的数值均为平均数值。从表中可以看出，无论是在准确度还是耗时，后者均优于前者，而且当图像逐渐增多时，Hough变换的计算量增大趋势也快于本实施例的方法。对玉米幼苗进行实验后的实验数据显示，在不同天气环境的条件下，识别农作物行的准确率达到96％，误差在2°左右，运行速度在10ms以内，可以达到实时性的要求。

以上实施例仅用以说明本发明的技术方案而非对其进行限制，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (10)

1.一种农作物行的识别方法，其特征在于，所述识别方法包括：

通过模糊聚类方法将采集的农作物图像转化为二值图像；

从获取的二值图像中提取感兴趣的区域ROI图像，通过横条法获取其中农作物特征点；

对所提取的农作物特征点进行线性回归，拟合出农作物行直线方程；

通过多次线性回归的方法剔除错误的特征点，对农作物行直线方程进行修正。

2.根据权利要求1所述的农作物行的识别方法，其特征在于，所述通过模糊聚类方法将采集的农作物图像转化为二值图像，是以采集的农作物图像作为整个样本，以像素点G通道的值所占的百分比作为样本元素，将农作物和背景的聚类中心分别初始化为0.35～0.40和0.30～0.35进行模糊聚类得到。

3.根据权利要求1所述的农作物行的识别方法，其特征在于，所述采集的农作物图像的宽为W像素，高为H像素，所述ROI图像的宽为w＝W/2像素，宽为h＝H/2，所述通过横条法获取其中农作物特征点，包括：

将ROI图像分为Q条宽度相同的横条，用S_p,q表示第q条横条第p列中白色像素出现的次数，其中p的取值从1到w，w为ROI图像的宽度像素；

对于第q条横条，对应有阈值u_q，阈值u_q为第q条横条中所有S_p,q的均值；

当S_p,q小于等于u_q且S_p+1,q大于u_q时，认为进入农作物行，记录此时的列坐标为p₁；

当S_p,q大于等于u_q且S_p+1,q小于u_q时，认为离开农作物行，记录此时的列坐标为p₂；

计算进入和离开农作物行时列数的差值Δ＝p₂-p₁，如果Δ大于设定的常数d，则认为横条q上从第p₁到p₂的段为农作物，并取该段中点为农作物特征点；

遍历所有横条，获取ROI图像中所有的农作物特征点；

其中，所述常数d的取值范围为：W/20<d<W/15。

4.根据权利要求1所述的农作物行的识别方法，其特征在于，所述对所提取的农作物特征点进行线性回归，拟合出农作物行直线方程，包括：

根据特征点的分布，将特征点划分为不同的农作物行；

对于任一农作物行，设农作物行直线方程为：

y＝kx+b

其中b为斜距，k为斜率，计算属于该农作物行的所有特征点到该直线的距离l:

$l=\frac{\left|kx+b-y\right|}{\sqrt{1+k^2}};$

进一步计算，属于该农作物行的所有特征点到该直线的距离平方和l′:

$l^{\&prime;}=\underset{r=1}{\overset{M}{\&Sigma;}}{l_r}^2$

对上式的分子对k和b求偏导并令其为0，得到：

$\frac{\&part;l^{\&prime;}}{\&part;b}=-2\underset{r=1}{\overset{M}{\&Sigma;}}(y_r-b-{\mathrm{kx}}_r)=0$

$\frac{\&part;l^{\&prime;}}{\&part;k}=-2\underset{r=1}{\overset{M}{\&Sigma;}}\&lsqb;y_r-(b+{\mathrm{kx}}_r)\&rsqb;x_r=0$

其中M为属于该农作物行的所有特征点的数量，r属于1～M，第r个特征点的坐标为(x_r，y_r)，l_r为第r个特征点与农作物行直线的距离，求解出上式中k和b的解分别为和将其带入直线方程得到农作物直线方程为： $y=\hat{k}x+\hat{b}.$

5.根据权利要求4所述的农作物行的识别方法，其特征在于，所述通过多次线性回归的方法剔除错误的特征点，对农作物行直线方程进行修正，包括：

根据农作物行直线方程，计算属于该农作物行的特征点到该农作物行的距离，剔除距离大于设定的常数的特征点；

在剔除错误的特征点后，根据剩下的特征点再次拟合出农作物行直线方程，并再次根据新拟合出的农作物行直线方程，计算特征点到该直线的距离，剔除距离大于设定的常数的特征点；

如此循环，直到达到最大线性回归次数，或当线性回归剔除的特征点数量为0时迭代停止。

6.一种农作物行的识别装置，其特征在于，所述装置包括：

模糊聚类模块，用于通过模糊聚类方法将采集的农作物图像转化为二值图像；

特征点提取模块，用于从获取的二值图像中提取感兴趣的区域ROI图像，通过横条法获取其中农作物特征点；

拟合模块，用于对所提取的农作物特征点进行线性回归，拟合出农作物行直线方程，并通过多次线性回归的方法剔除错误的特征点，对农作物行直线方程进行修正。

7.根据权利要求6所述的农作物行的识别装置，其特征在于，所述模糊聚类模块在通过模糊聚类方法将采集的农作物图像转化为二值图像时，是以采集的农作物图像作为整个样本，以像素点G通道的值所占的百分比作为样本元素，将农作物和背景的聚类中心分别初始化为0.35～0.40和0.30～0.35进行模糊聚类得到。

8.根据权利要求6所述的农作物行的识别装置，其特征在于，所述采集的农作物图像的宽为W像素，高为H像素，所述ROI图像的宽为w＝W/2像素，宽为h＝H/2，所述特征点提取模块通过横条法获取其中农作物特征点时，执行如下操作：

将ROI图像分为Q条宽度相同的横条，用S_p,q表示第q条横条第p列中白色像素出现的次数，其中p的取值从1到w，w为ROI图像的宽度像素；

对于第q条横条，对应有阈值u_q，阈值u_q为第q条横条中所有S_p,q的均值；

当S_p,q小于等于u_q且S_p+1,q大于u_q时，认为进入农作物行，记录此时的列坐标为p₁；

当S_p,q大于等于u_q且S_p+1,q小于u_q时，认为离开农作物行，记录此时的列坐标为p₂；

计算进入和离开农作物行时列数的差值Δ＝p₂-p₁，如果Δ大于设定的常数d，则认为横条q上从第p₁到p₂的段为农作物，并取该段中点为农作物特征点；

遍历所有横条，获取ROI图像中所有的农作物特征点；

其中，所述常数d的取值范围为：W/20<d<W/15。

9.根据权利要求6所述的农作物行的识别装置，其特征在于，所述拟合模块对所提取的农作物特征点进行线性回归，拟合出农作物行直线方程时，执行如下操作：

根据特征点的分布，将特征点划分为不同的农作物行；

对于任一农作物行，设农作物行直线方程为：

y＝kx+b

其中b为斜距，k为斜率，计算属于该农作物行的所有特征点到该直线的距离l:

$l=\frac{\left|kx+b-y\right|}{\sqrt{1+k^2}};$

进一步计算，属于该农作物行的所有特征点到该直线的距离平方和l′:

$l^{\&prime;}=\underset{r=1}{\overset{M}{\&Sigma;}}{l_r}^2$

对上式的分子对k和b求偏导并令其为0，得到：

$\frac{\&part;l^{\&prime;}}{\&part;b}=-2\underset{r=1}{\overset{M}{\&Sigma;}}(y_r-b-{\mathrm{kx}}_r)=0$

$\frac{\&part;l^{\&prime;}}{\&part;k}=-2\underset{r=1}{\overset{M}{\&Sigma;}}\&lsqb;y_r-(b+{\mathrm{kx}}_r)\&rsqb;x_r=0$

其中M为属于该农作物行的所有特征点的数量，r属于1～M，第r个特征点的坐标为(x_r，y_r)，l_r为第r个特征点与农作物行直线的距离，求解出上式中k和b的解分别为和将其带入直线方程得到农作物直线方程为： $y=\hat{k}x+\hat{b}.$

10.根据权利要求9所述的农作物行的识别装置，其特征在于，所述拟合模块在通过多次线性回归的方法剔除错误的特征点，对农作物行直线方程进行修正时，执行如下操作：

根据农作物行直线方程，计算属于该农作物行的特征点到该农作物行的距离，剔除距离大于设定的常数的特征点；

在剔除错误的特征点后，根据剩下的特征点再次拟合出农作物行直线方程，并再次根据新拟合出的农作物行直线方程，计算特征点到该直线的距离，剔除距离大于设定的常数的特征点；

如此循环，直到达到最大线性回归次数，或当线性回归剔除的特征点数量为0时迭代停止。