圖像B進行分解，分別得到細節(jié)增強圖像的低頻分量A1和高頻分量A2，以及邊緣增強圖像的低頻分量B1和高頻分量B2； [0036] 步驟S24：低頻融合，基于顯著度將細節(jié)增強圖像的低頻分量A1與邊緣增強圖像的 低頻分量B1進行加權融合，所用公式如下： [0037] ； [0038] 式中，C1是低頻融合圖像，Saliency（·）是顯著度函數(shù)， 和 分別是A1和B1的顯著度； [0039] 步驟S25：高頻融合，基于參數(shù)自適應脈沖耦合神經網絡PA?PCNN將細節(jié)增強圖像 的高頻分量A2與邊緣增強圖像的高頻分量B2進行融合，得到高頻融合圖像C2； [0040] 步驟S26：計算農田增強圖像，對低頻融合圖像C1和高頻融合圖像C2進行逆NSST處 理，得到農田增強圖像C； [0041] 步驟S27：構建農田地圖，農田增強圖像包含歷史農田增強圖像和實時農田增強圖 像，基于歷史農田增強圖像訓練U?Net模型，再使用訓練好的U?Net模型對實時農田增強圖像進行處理，識別出農田邊界和障礙物，并進行數(shù)字化表示，得到柵格格式的農田地圖。 [0042] 進一步地，在步驟S3中，所述農機路徑規(guī)劃具體包括以下步驟： [0043] 步驟S31：初始化，基于農田地圖設定路徑的起點和終點，在起點和終點之間進行 路徑規(guī)劃，每個路徑規(guī)劃方案包含D個導航點，用個體位置作為導航點的代表，D個個體位置組成一個種群，用種群作為路徑規(guī)劃方案的代表，在農田邊界內，避開障礙物隨機生成H個種群； [0044] 步驟S32：計算適應度值，基于路徑長度和路徑平滑度計算種群的適應度值，所用 公式如下： [0045] ； [0046] ； [0047] ； [0048] 式中，Lh是第h個種群的適應度值，h是種群索引，ω1和ω2分別是路徑長度權重和路徑平滑度權重， 和 分別是第h個種群對應的路徑長度和路徑平滑度，Qstar和Qend分 別是起點和終點， 、 、 、 、 、 和 分別是第h個種群中的第1 個、第2個、第d?1個、第d個、第d+1個、第D?1個和第D個個體位置，d是個體位置索引，|·|是向量長度，arccos（·）是反余弦函數(shù)； [0049] 步驟S33：設計路徑規(guī)劃熵，所用公式如下： [0050] ； [0051] ； [0052] 式中，s（t）和s（t?1）分別是第t次和第t?1次迭代時的路徑規(guī)劃熵，t是迭代索引，是第t次迭代時的路徑規(guī)劃熵差， 和 分別是第t次和第t?1次迭代時第h 個種群的適應度值， 和 分別是第t次和第t?1次迭代時第m個種群的適應度 值，m是種群索引，α是調整因子； [0053] 步驟S34：計算自適應閾值，所用公式如下： [0054] ； [0055] 式中，μ（t）是第t次迭代時的自適應閾值， 是第t次迭代時所有種群的平均適應度值； [0056] 步驟S35：種群更新，引入膨脹系數(shù)和加速因子對種群中的個體位置進行分段更 新，所用公式如下： [0057] ； [0058] 式中， 和 分別是第t+1次和第t次迭代時第h個種群中第d個個體 位置，d是個體位置索引，pmax和pmin分別是膨脹系數(shù)的最大值和最小值，T是最大迭代次數(shù)，是第t次迭代時最優(yōu)種群中第d個個體位置，S0是加速因子的初始值，tc是常量值，ρ 是衰減率，r1和r2分別是第一隨機數(shù)和第二隨機數(shù)； [0059] 步驟S36：位置檢測，預先設置第一檢測閾值J1和第二檢測閾值J2，計算H個種群中每個個體位置與最近障礙物之間的最小歐幾里得距離J1min，若種群h中存在J1min