作物行检测技术广泛应用于田间管理作业、作物表型分析等领域。作物行检测方法通过相对定位从田间道路获取引导信息。该方法可以有效缓解GNSS制导等绝对定位方法的约束，最终提高农业装备的自主定位能力和导航精度。研究人员广泛探索了快速、准确、可靠地识别田间环境中作物行取向特征的方法。因此，基于视觉技术建立了许多算法和模型。本文的主要目的是全面概述作物行检测方法的现状，特别强调在田间地面自主导航操作中使用的幼苗作物视觉感知技术。详细总结了作物行检测方法的典型过程，包括作物图像数据采集、作物冠层特征提取和作物行中心线检测。分析了各工序的代表性装置、模型和算法。讨论了作物行检测所面临的挑战和现有研究方法的局限性。提出了未来的研究方向和可能的解决方案。

图1  典型的基于视觉的导航设备。(a) AgBotII除草机器人；(b) BonnBot-I机器人；(c)哈士奇机器人。

图2  典型作物表型采集平台。(a)安装用于高通量现场表型的多传感器系统的平台；(b)车载植物表型平台；(c) Rover表型平台。

图3  总体实现路线从获取作物图像数据到设计作物行检测算法，最终为农业设备提供导航定位参数。

图4  2000年1月1日至2024年1月31日关键词相关研究及论文统计汇总。(a)文献筛选流程图;(b) 2000年1月1日至2024年1月31日每年对应的相关文献数量统计;(c)作者国家共现图;(d)关键词协同网络;(e)关键字集群视图。

图5  作物行检测技术的总体过程、挑战和发展趋势。

图6 改进的滑动窗口方法提取特征点。(a)当前水平扫描线上提取特征点示意图；(b)原始作物图像；(c)不同k值(k为可调参数)下的特征点提取结果。在图(c)中，从左到右对应的k分别为0.2、0.8、0.8；(d)小麦作物行中心线检测结果。

图7  采用垂直投影法确定作物行左右边界并提取中心点原理图。

图8  基于Yolov5网络模型的玉米作物检测。

图9 RGB图像与Depth图像多模态融合的网络结构。

图10 行扫描确定玉米行线。

图11 端到端作物行检测网络−E2CropDet。

图12 数据集. (a) CRBD dataset；(b) Rosario dataset；(c) Flourish dataset；(d) CRDLD dataset.

图13 结合生成式CycleGAN模型和数字孪生空间仿真方法，提高探测性能。