GPS导航在农业中面临许多挑战:(1)在高秆作物大田和果园中，信号容易被密集的作物冠层遮挡;(2)多山地区的弱GPS信号环境也会使导航可靠性降低;(3)由于GPS应用的费用较高，在国内家庭联产的小地块耕地背景下，其在农业生产中的进一步推广也受到了限制。随着更精良的视觉算法的涌现，视觉导航可以克服上述问题，并日益成为智能农业装备的重要研究内容之一。其中，地标辨识和航线规划是视觉导航的核心环节。在地标和背景存在显著颜色差异（例如红，绿，蓝等这些颜色之间的差异）时，传统方法能够有效地完成地标分割与辨识。在地标和背景存在非显著颜色差异（例如墨绿与翠绿之间的差异）情况下，当前还没有健壮且高精度的方法对地标进行辨识。本课题针对上述技术难题，以玉米大田的植保无人机导航为例展开研究。
　　(1)设计了基于Inception-V3卷积神经网络的块识别方法用于识别玉米作物行区域。
　　首先，采用Inception-V3框架作为作物行区域识别内核;然后，将该网络pool_3层与块分类器连接用以识别作物区块;最后，设计作物行掩码提取器，获得了作物行区域分割图像。结果表明，该方法的分类精度为0.9501。当分块数为256时，块识别方法实现了最佳分割，平均分割质量为0.87，耗时0.251s。
　　(2)设计了基于残差矢量和SVM的近颜色像素分类方法用于区分具有非显著颜色差异像素。
　　首先，将像素的颜色矢量投影到过点原点Origin(0，0，0)且垂直于参考颜色矢量B0(255，255，255))的平面上。投影后，不同的颜色矢量分布在不同的极角内，而相近的颜色矢量集中在相同的极角内。近色矢量具有的较小角差值roll被视为冗余信息。然后，计算出目标颜色矢量A（r,g,b）和参考颜色矢量B0之间的角度差θ，以及A的范数‖(A)‖。从而，将三维目标颜色矢量A转换为二维残差矢量R(‖(A)‖，θ)。最后，利用SVM分类器对残差向量进行识别。结果表明，线性识别率为90.25％，平均识别速度为0.243s，非线性识别率为87.47％，平均识别速度为0.254s。
　　(3)用(2)的方法和玉米冠层灰度梯度规律实现作物行区域内的玉米植株冠层地标辨识。
　　首先，HLS mask被用于作物行区域的全局分割;然后矢量残差和SVM方法被用于玉米冠层的局部分割;其次，对局部分割结果进行分析，发现了玉米苗期冠层灰度沿径向呈梯度分布的现象，利用多项式回归分析方法，找到了灰度梯度g与冠层直径D之间的函数关系，即D=1.76630+0.01199*g+0.000042*g2，该定量关系可以为近颜色背景下玉米冠层的精确分割和定位提供理论基础，进而为植保无人机的田间导航提供精确的位置坐标和偏航信息。结果表明，平均分割时间为0.49s，平均分割质量为87.25％，分割的标准差为3.57％。中心位置的平均识别率为93.33％。
　　(4)基于玉米冠层地标信息和冠层灰度梯度分布实现了无人机局部航线规划与实验
　　分别进行冠层地标提取实验和无人机飞行实验。首先，将无人机的摄像头垂直向下，捕捉冠层地标;然后，控制无人机保持1.5m飞行高度，使得视野里出现2～3个冠层地标;最后，保持无人机沿作物行以直线方式向前运动，并通过控制偏航角来控制无人机前进方向，实现了地标识别与导航。