基于两级分割与区域标记梯度Hough圆变换的苹果识别

自然环境下果实的准确分割与快速识别是采摘机器人作业面临的难题之一。针对自然环境中的成熟苹果，该研究提出一种基于Otsu与分水岭相结合的两级分割算法与区域标记梯度Hough圆变换的苹果识别方法。首先，使用亮度自适应校正算法对表面亮度分布不均的苹果图像进行校正，增强图像的细节信息。结合果实颜色特征，提取YCbCr颜色空间的Cr分量图像作为预处理样本。然后，采用改进后的Otsu算法进行初次分割，得到苹果目标的二值图像，该算法通过引入形态学开-闭重建滤波去除大量背景噪声，通过缩减灰度级遍历范围提高分割速率。采用基于距离变换的分水岭算法进行二次分割，分离粘连果实区域，提取目标苹果的外部轮廓。最后，在轮廓外设置最小外接矩形标记有效区域，在标记区域内进行梯度Hough圆变换实现苹果目标的自动识别。对自然环境中采集的200幅苹果图像进行测试，并与传统梯度Hough圆变换方法进行对比，本文方法在顺、逆光下的识别准确率为90.75和89.79%，比传统方法提高了15.03和16.41%，平均识别时间为0.665和0.693 s，比传统方法缩短了0.664和0.643 s。所提的两级分割算法不仅可以从复杂环境中准确分割果实目标区域，而且可以从粘连果实区域中提取单个果实边界。利用区域标记的梯度Hough圆变换方法能够快速准确地对果实进行识别。研究结果能满足苹果采摘机器人对不同光照下目标识别速度和精度的要求，可为苹果等类球形果实的快速识别提供参考。     

基于自动Hough变换累加阈值的蔬菜作物行提取方法研究

为解决机器视觉对生菜和绿甘蓝两种作物在整个生长时期内多环境变量对作物行识别影响的问题,同时提高机器视觉作物行识别算法的有效性,该文提出了一种基于自动Hough变换累加阈值的多作物行提取算法。首先,选用Lab颜色空间中与光照无关a分量对绿色作物进行提取,通过最优自适应阈值进行图像分割,并采用先闭后开形态学运算对杂草和作物边缘进行滤波。其次,采用双阈值分段垂直投影法对作物行特征点进行提取,通过对亮度投影视图中的目标像素占比阈值和噪声判断阈值设置,实现特征点位置判断和杂草噪声过滤,并对相邻特征点进行优化,剔除部分干扰特征。最后,采用Hough变化对特征点进行直线拟合,将不同Hough变换累加阈值获得的拟合直线映射到累加平面上,通过K-means聚类将累加平面数据聚类为与作物行数相同的类数,根据相机成像的透视原理提出基于聚类质心距离差和组内方差的最优累加阈值获取方法,将最优累加阈值下累加平面中的聚类质心作为识别出的真实作物行线。温室和田间试验表明,针对不同生长时期的生菜和绿甘蓝作物,该文算法均可有效识别出作物行线,最优阈值算法耗时小于1.5 s,作物行提取平均耗时为0.2 s,在田间和温室中作物行的平均识别准确率分别为94.6%、97.1%,识别准确率为100%的占比分别为86.7%和93.3%。研究结果为解决多环境变量影响因素下的算法鲁棒性和适用性问题提供依据。     

基于中值点Hough变换玉米行检测的导航线提取方法

为解决机器视觉对早期玉米苗带在多环境变量下导航线提取耗时长、准确率低的问题,该研究提出了一种基于中值点Hough变换作物行检测的导航线提取算法。首先,改进了传统的2G-R-B算法,再结合中值滤波、最大类间方差法和形态学操作实现土壤背景与玉米苗带的分割。其次,通过均值法提取玉米苗带特征点,然后采用中值点Hough变换拟合垄间两侧玉米苗列线,最后将检测出的双侧玉米苗列线为导航基准线,利用夹角正切公式提取导航线。试验结果表明：改进的灰度化算法能够正确分割玉米苗带与土壤,处理一幅640×480像素彩色图像平均耗时小于160 ms,基于中值点Hough变换检测玉米苗列再提取导航线的最大误差为0.53°,相比于传统Hough变换时间上平均快62.9 ms,比最小二乘法平均精确度提高了7.12°,在农田早期玉米苗带多环境变量影响因素下导航线提取准确率均达92%以上,具有较强的可靠性和准确性。     

基于机器视觉自然场景下成熟柑橘识别

采用2R-G-B色差分量,通过Ostu自适应阈值算法进行图像分割,利用形态运算消除分割后随机噪声,并对分割区域进行标记,利用区域面积和区域最小外接矩形长宽比参数进一步去除背景区域.对于多果重叠问题,利用T=Sqrt(S×I)形成新的图像提取边界,再结合形态学运算实现分割.最后利用优化的圆形Hough变换提取目标图像的形心坐标及半径,恢复遮挡果形.经验证有95%果实能正确识别.     

基于机器视觉的非结构化道路检测与障碍物识别方法

为了实现非结构化道路检测与障碍物的识别,提出了一种基于最小错误率贝叶斯决策与Hough变换相结合的非结构化道路检测与障碍物识别算法。算法首先将Otsu多阈值理论引入到最小错误率贝叶斯决策中并进行图像分割,然后利用Hough变换进行道路检测、提取出纯路面区域并再次进行路面分割,最后根据分割结果进行路面障碍物定位。结果表明,该算法能够有效实现非结构化道路的检测与障碍物的识别,在光影、照度变化、水渍等不利因素影响较小的情况下,具有较好的鲁棒性。     

融合K-means与Ncut算法的无遮挡双重叠苹果目标分割与重建

重叠苹果目标的准确分割是采摘机器人必须解决的关键问题之一。针对现有重叠苹果目标分割方法不能保留重叠部分轮廓信息的问题,提出了一种无枝叶遮挡的双果重叠苹果目标分割方法。该方法首先利用K-means聚类算法进行图像分割以提取苹果目标区域,然后利用Normalized Cut(Ncut)算法提取苹果目标轮廓,以实现未被遮挡苹果目标完整轮廓的准确提取,最后利用Spline插值算法对遮挡的苹果目标进行轮廓重建。为了验证算法的有效性,对20幅无枝叶遮挡双果重叠的苹果图像进行试验,并将该算法与寻找2个有效凹点用其连线分割重叠苹果目标,把分离的2个轮廓分别用Hough变换重建轮廓的方法进行对比。试验结果表明,对于图像中未被遮挡的苹果目标,利用该研究算法的平均分割误差为3.15%,提取的苹果目标与原始图像中苹果目标的平均重合度为96.08%,平均误差比Hough变换重建算法低7.73%,平均重合度高9.71%,并且该研究算法能够很好地保留未被遮挡苹果目标的完整轮廓信息,提高了分割精度。对于重叠被遮挡的苹果目标,平均分割误差和平均重合度分别为5.24%和93.81%,比Hough变换重建算法的平均分割误差低11.35%,平均重合度高12.74%,表明该算法可以较好地实现重叠被遮挡苹果目标的轮廓重建,研究结果可为实现枝叶遮挡影响下的多果重叠目标分割与重建提供参考。     

基于卷积神经网络的温室黄瓜病害识别系统

基于图像处理和深度学习技术,该研究构建了一个基于卷积神经网络的温室黄瓜病害识别系统。针对温室现场采集的黄瓜病害图像中含有较多光照不均匀和复杂背景等噪声的情况,采用了一种复合颜色特征(combinations of color features,CCF)及其检测方法,通过将该颜色特征与传统区域生长算法结合,实现了温室黄瓜病斑图像的准确分割。基于温室黄瓜病斑图像,构建了温室黄瓜病害识别分类器的输入数据集,并采用数据增强方法将输入数据集的数据量扩充了12倍。基于扩充后的数据集,构建了基于卷积神经网络的病害识别分类器并利用梯度下降算法进行模型训练、验证与测试。系统试验结果表明,针对含有光照不均匀和复杂背景等噪声的黄瓜病害图像,该系统能够快速、准确的实现温室黄瓜病斑图像分割,分割准确率为97.29%;基于分割后的温室黄瓜病斑图像,该系统能够实现准确的病害识别,识别准确率为95.7%,其中,霜霉病识别准确率为93.1%,白粉病识别准确率为98.4%。     

红枣收获机视觉导航路径检测

针对新疆地区骏枣与灰枣枣园的收获作业,该研究提出一种红枣收获机枣树行视觉导航路径检测算法。通过枣园图像固定区域中B分量垂直累计直方图的标准差d与最小值f的关系对枣园种类进行自动判断。针对灰枣枣园,首先采用色差法与OTSU法对图像进行灰度化与二值化处理,然后进行面积去噪与补洞处理,在处理区域内从上向下逐行扫描,将每行像素上像素值为0的像素点坐标平均值作为该行候补点的坐标,并将所有候补点坐标的平均值作为Hough变换的已知点坐标,最后基于过已知点的Hough变换拟合导航路径;针对骏枣枣园,在处理区域内通过垂直累计R分量的方法确定扫描区间,然后在扫描区间内从上到下逐行扫描,将每行像素上R分量值最小的像素点作为该行的候补点,并将所有候补点的坐标平均值作为Hough变换的已知点,最后使用过已知点的Hough变换拟合导航路径。试验结果表明:对于灰枣枣园与骏枣枣园,该算法的路径检测准确率平均值分别为94%和93%,处理1帧图像平均耗时分别为0.042和0.046s,检测准确性与实时性满足红枣收获机作业要求,能够自动判别枣园种类进行作业,可为实现红枣收获机自动驾驶提供理论依据。     

基于头尾定位的群养猪运动轨迹追踪

猪的头/尾位置直观反映了猪的进食、饮水、争斗、追逐等日常活动。从群养猪俯视视频中有效分割粘连的猪个体,找出猪的头/尾部,并以头/尾坐标实现较精准的运动轨迹追踪有着较大的难度。该研究采用改进分水岭分割算法分割视频图像帧中的粘连猪个体;对分割后的猪体提取头/尾轮廓,分别用类Hough聚类和圆度识别算法识别每头猪的头/尾,用运动趋势算法修正头/尾识别的误差,生成以头/尾部为定位坐标的运动轨迹。运算结果和人工标记对比证明类Hough聚类和圆度识别算法的头尾识别正确率分别为71.79%和79.67%;经过运动趋势修正后,以头部为定位坐标生成的运动轨迹与人工标记生成运动轨迹吻合良好;对比头/尾轨迹和质心轨迹可以发现,头/尾轨迹能够更多获取猪个体和群体活动、运动信息。该研究对于实现自动记录和分析猪个体和群体的活动行为提供新的思路和方法。     

田间作物群体三维点云柱体空间分割方法

农田作物群体表型信息对于研究作物内部基因改变和培育优良品种具有重要意义。为实现田间作物群体点云数据中单个植株对象的完整提取与分割,以便于更高效地完成作物个体表型参数的自动测量,该研究提出一种田间作物柱体空间聚类分割方法。利用三维激光扫描仪获取田间油菜、玉米和棉花的三维点云数据,基于HSI(Hue-Saturation-Intensity,色调、饱和度、亮度)颜色模型进行作物群体目标提取,采用直通滤波方法获取作物茎秆点云,基于茎秆点云数据使用欧氏距离聚类分割算法提取每个植株的聚类中心点,并以聚类中心点建立柱体空间模型,使用该模型分割得到田间作物每个单体植株的点云数据。试验结果表明,该研究的方法对油菜、玉米和棉花3种作物的分割准确率分别为90.12%、96.63%和100%,与欧氏距离聚类分割结果相比,准确率分别提高了36.42,61.80和82.69个百分点,算法耗时分别缩短为后者的9.98%,16.40%和9.04%,与区域增长算法分割结果相比,该研究的方法可用于不同类型农作物,适用性更强,能够实现农田中较稠密作物植株的分割。该研究的方法能够实现农田尺度下单个植株的完整提取与分割,具有较高的适用性,可为精确测量作物个体表型信息提供参考。     

基于双目立体视觉的葡萄采摘防碰空间包围体求解与定位

无损收获是采摘机器人的研究难点之一,葡萄采摘过程中容易因机械碰撞而损伤果实,为便于机器人规划出免碰撞路径,提出一种基于双目立体视觉的葡萄包围体求解与定位方法。首先通过图像分割获得葡萄图像质心及其外接矩形,确定果梗感兴趣区域并在该区域内进行霍夫直线检测,通过寻找与质心距离最小的直线来定位果梗上的采摘点,运用圆检测法获取外接矩形区域内果粒的圆心和半径。然后运用归一化互相关的立体匹配法求解采摘点和果粒圆心的视差,利用三角测量原理求出各点的空间坐标。最后以采摘点的空间坐标为原点构建葡萄空间坐标系,求解葡萄最大截面,再将该截面绕中心轴旋转360°得到葡萄空间包围体。试验结果表明:当深度距离在1 000 mm以内时,葡萄空间包围体定位误差小于5 mm,高度误差小于4.95%,最大直径误差小于5.64%,算法时间消耗小于0.69 s。该研究为葡萄采摘机器人的防损采摘提供一种自动定位方法。     

Microclimate influence on mineral and metabolic profiles of grape berries

The grape berry microclimate is known to influence berry quality. The effects of the light exposure of grape berry clusters on the composition of berry tissues were studied on the "Merlot" variety grown in a vineyard in Bordeaux, France. The light exposure of the fruiting zone was modified using different intensities of leaf removal, cluster position relative to azimuth, and berry position in the cluster. Light exposures were identified and classified by in situ measurements of berry temperatures. Berries were sampled at maturity (>19 Brix) for determination of skin and/or pulp chemical and metabolic profiles based on (1) chemical and physicochemical measurement of minerals (N, P, K, Ca, Mg), (2) untargeted 1H NMR metabolic fingerprints, and HPLC targeted analyses of (3) amino acids and (4) phenolics. Each profile defined by partial least-square discriminant analysis allowed us to discriminate berries from different light exposure. Discriminant compounds between shaded and light-exposed berries were quercetin-3-glucoside, kaempferol-3-glucoside, myricetin-3-glucoside, and isorhamnetin-3-glucoside for the phenolics, histidine, valine, GABA, alanine, and arginine for the amino acids, and malate for the organic acids. Capacities of the different profiling techniques to discriminate berries were compared. Although the proportion of explained variance from the 1H NMR fingerprint was lower compared to that of chemical measurements, NMR spectroscopy allowed us to identify lit and shaded berries. Light exposure of berries increased the skin and pulp flavonols, histidine and valine contents, and reduced the organic acids, GABA, and alanine contents. All the targeted and nontargeted analytical data sets used made it possible to discriminate sun-exposed and shaded berries. The skin phenolics pattern was the most discriminating and allowed us to sort sun from shade berries. These metabolite classes can be used to qualify berries collected in an undetermined environment. The physiological significance of light and temperature effects on berry composition is discussed.     

Effects of vine or bunch shading on the glycosylated flavor precursors in grapes of Vitis vinifera L. Cv. syrah

Effects of the modification of vine or bunch environment on glycoconjugates were studied in Syrah berries over two years. Vines were shaded from berry set to maturity, with black polyethylene nets of different mesh size to obtain 30 and 50% of the direct sunlight. Bunches were naturally shaded by the leaves or artificially with 90% shade bags. Sun-exposed berries were chosen as control berries. A quantitative decrease in levels of glycoconjugates was observed in shaded bunches, particularly for phenolic and C(13)-norisoprenoidic glycosides. In the same way, vine shading caused a decrease in the contents of glycosides of terpenols, phenols, and C(13)-norisoprenoids in berries, but the grape environment (microclimate) affected the berry composition more than the vine environment. A cluster thinning experiment confirmed the independence of grapes with regard to the plant for the biosynthesis of the C(13)-norisoprenoid glycosides.     

基于吊蔓绳的温室番茄主茎秆视觉识别

为了精确识别番茄植株以供精确对靶喷施,该文提出一种基于温室吊蔓绳对番茄主茎进行检测识别的算法。通过分析番茄作物图像在HSI颜色空间的分布特性,基于H分量应用Otsu分割算法对番茄作物图像进行二值化处理,以突出图像中吊蔓绳区域。利用细化算法提取出吊蔓绳区域离散特征点簇,并采用最小二乘法直线拟合特征点簇获取吊蔓绳位置。试验结果表明,处理分辨率640×480像素的图像平均用时0.16s,对100张图像进行识别试验,正确率达93%,该算法提取吊蔓绳和番茄主茎间的最大距离偏差为48像素单位,能够准确识别番茄主茎秆,具备较强的鲁棒性。     

基于K-means和近邻回归算法的Kinect植株深度图像修复

针对Kinect传感器应用于农业植株检测产生的图像噪声问题,特别是由光线以及传感器自身局限导致的匹配图像目标植株数据的缺失,提出一种基于K-means和近邻回归算法的植株深度检测图像修复方法。首先对Kinect传感器获取的彩色RGB图像进行阈值分割预处理提取植株目标区域,再利用K-means聚类算法去除背景噪声,使得植株目标区域轮廓更加清晰;然后基于配准的彩色图像和深度图像,对获取的深度图像中可疑像素点的深度数据采取近邻回归算法进行修复,再将修复后的深度图像与目标分割后的彩色图像进行植株区域的匹配,并进行二次近邻回归算法修正错误的深度数据,最后获取目标植株深度信息的检测图像。试验结果证明,采用RGB阈值分割和K-means聚类算法植株目标区域分割误差均值为12.33%,比单一RGB阈值分割和K-means聚类分割误差降低了12.12和41.48个百分点;同时结合聚类后的彩色图像对深度数据进行两次近邻回归算法修复深度数据,能够提高深度数据边缘的清晰度,单帧深度数据空洞点进行修复数据的准确度提高。该研究结果可为农业植株检测、植株三维重构、精准对靶喷雾等提供参考。     

基于通道特征金字塔的田间葡萄实时语义分割方法

复杂环境下葡萄的快速检测识别是智能采摘的关键步骤,为解决目前葡萄识别精度低和实时性差的问题,该研究提出一种轻量级葡萄实时语义分割模型（Grape Real-time Semantic Segmentation Model,GRSM）。首先,利用通道特征金字塔（Channel-wise Feature Pyramid,CFP）模块进行特征提取,该模块通过1?3和3?1空洞卷积的跳跃连接,在减少模型参数量的同时提取葡萄图像的多尺度特征和上下文信息;然后,采用池化卷积融合结构完成下采样,增加可训练参数以减少信息损失;最后,利用跳跃连接融合多种特征恢复图像细节。试验结果表明：该研究所提出的模型在田间葡萄测试集上达到了78.8%的平均交并比,平均像素准确率为90.3%,处理速度达到68.56帧/s,网络结构大小仅为4.88MB。该模型具有较高分割识别精度和较好实时性,能满足葡萄采摘机器人对视觉识别系统的要求,为葡萄的智能化采摘提供了理论基础。     

基于图像特征点粒子群聚类算法的麦田作物行检测

为了快速准确地提取麦田作物行中心线,提出了基于图像特征点粒子群聚类算法的麦田作物行检测。首先,对自然光照下获取的彩色图像运用"过绿颜色因子图像灰度化"、"Otsu图像二值化"、"左右边缘中间线检测提取作物行特征点算法"3步对图像进行预处理。然后,根据农田作物行中心线周围区域的特征点到该直线的距离均小于某一距离阈值的特征,运用粒子群优化算法对每一作物行的特征点分别进行聚类。最后,对每一类的特征点用最小二乘法进行直线拟合获取麦田作物行中心线。试验结果表明,该算法可以对作物断行、杂草、土块等复杂农田环境下的图像进行有效地作物行检测,识别率达95%,识别误差小于3°。与标准Hough算法相比,运行速率提升了一倍。该文可为实现农业机器人田间作业提供参考。     

基于改进二维最大类间方差法的白色异性纤维检测算法

白色异性纤维的检测是棉花在线检测中的一个难题。通过对白色异性纤维和皮棉灰度直方图的分析,改进了二维Otsu算法,在计算目标和背景的概率和时考虑了二维灰度直方图副对角线区域的概率和,缩小了二维Otsu算法阈值对的取值范围。经过试验表明,与一维Otsu算法和快速二维Otsu算法相比,改进后的二维Otsu算法的准确性和实时性都得到了有效提高,该算法在实际生产中已经得到了成功的应用。     

自然环境下贴叠葡萄串的识别与图像分割算法

针对自然环境下贴叠葡萄串难以识别与分割的问题,该文首先提取HSV颜色空间中的H分量,获取贴叠葡萄串区域,分析该区域长宽比从而判定葡萄串的贴叠性质;提取葡萄串图像轮廓信息,获取轮廓拐点与类圆心点信息;利用拐点与中心点之间的斜率判定目标葡萄串所在位置。然后,利用Chan-Vese模型进行葡萄串的迭代识别,并结合拐点信息获得重叠边界的轮廓信息。最后,将重叠边界轮廓与图像轮廓进行融合,实现目标葡萄串识别。试验结果表明,该文方法的平均精准度为89.71%,平均假阳率为4.24%,识别成功率为90.91%,与现有方法相比,该文方法可实现完整目标葡萄串的识别与分割,并提高了识别与分割的精准度,为葡萄采摘机器人成功采收贴叠葡萄串提供切实可行的算法。