苹果园区作业机器人障碍物识别研究

苹果采摘的季节性强,工作量大,利用机器人进行苹果采摘符合现代农业的发展趋势。障碍物识别对苹果作业机器人的正常工作至关重要。为此,针对苹果园区垄间地面情况和障碍物特点,采用L*a*b*颜色空间中的b*分量进行图像灰度化处理,再进行图像阈值分割处理,可有效将苹果园区垄间中的障碍物等从复杂背景中分离出来;再利用优化后的SURF算法进行障碍物匹配,可有效地提高障碍物的识别率。实验表明:优化后的SURF算法可以提高障碍物匹配的准确率,并缩短障碍物匹配的时间。     

基于彩色转换的水果分类系统设计

提出了一种先将RGB图像转换为HSI图像,然后再对HSI图像灰度化,接着对HSI的灰度图像进行动态阈值分割的方法.此方法先将RGB图像转换为HSI图像,这样,可以有效地避免在将RGB图像直接转换为二值图像时,由于光线不均而造成的影响;同时,采用动态阈值进行分割,使分割出来的目标更加完美.最后,使用BP神经网络对目标进行识别.试验证明,此种方法识别率高,远远好于传统的直接对RGB图像灰度化,再对灰度图像进行分割识别的方法.     

苹果采摘机器人目标果实快速跟踪识别方法

为了减少苹果采摘机器人采摘过程处理时间,对苹果采摘机器人目标果实的快速跟踪识别方法进行了研究。对基于R-G颜色特征的OTSU动态阈值分割方法进行首帧采集图像分割,采用图像中心原则确定要采摘的目标果实;利用所采集图像之间的信息关联性,在不断缩小图像处理区域的同时,采用经过加速优化改进的去均值归一化积相关模板匹配算法来跟踪识别后帧图像的目标果实,并进行不同阈值分割方法实现效果,不同灰度、亮度和对比度的匹配识别以及新旧方法识别时间对比试验,从而验证了所采用和设计方法的有效性;其中所设计跟踪识别方法的识别时间相比于原方法,减少36%。     

树木图像拼接系统特征点匹配

运用模板提取和搜索匹配特征点的方法进行了树木图像拼接研究,通过树木图像的颜色分割、灰度化、梯度化获取模板,以相似性测度寻找匹配特征点,结合模板半径与拼接成功率和拼接时间的关系,最终达到拼接成功率94.9%、一次拼接时间174 ms的综合水平,为农药精确对靶喷雾技术中扩大采集树木图像视野实时树木图像拼接提供了方法.     

计算机视觉鸭蛋图像分割技术研究

计算机视觉鸭蛋品质检测中,目标与背景的有效分割尤为重要。为了解决传统灰度阈值分割存在的弊端,构造图像的灰度-梯度共生矩阵,提出基于灰度、梯度信息和最大熵原理的二维阈值分割方法。通过统计目标和背景的熵,并使二者和最大,确定与此对应的灰度、梯度值,即为最佳分割阈值。采用数学形态学方法对分割图像后进行处理,去除噪声点,使分割效果更理想。实验表明,该方法有效。     

手势识别在Matlab中的仿真设计

手势识别系统是现阶段的热点研究方向之一,本系统利用图像预处理、手势分割、手势识别等相关处理技术,对简单手势进行识别。图片预处理是将图像进行灰度化、边缘检测、平滑等预处理,然后将预处理后的图片采用二值化方法进行手势分割,经过处理后再把手势与手势库里的图片进行对比来实现手势识别。本系统遵循简单可靠的理念,选择了像素对比的方法。     

基于机器视觉的发光字符的缺陷检测方法研究

针对工厂检测流水线人工检测发光字符产品效率低的现状,提出一种基于机器视觉的发光字符产品缺陷检测方法。该字符检测算法是在光线较暗条件下,充分利用标准发光字符的灰度特征,通过字符预处理、字符阈值分割、边缘检测和仿射变换等,创建2套标准的字符灰度模板和字符差异模板,分别用模板与预处理过的待检测字符进行字符模板匹配和字符模板比较。在匹配和比较之后,利用所得结果区域的面积特征判断字符缺陷,通过图像增强将发光较暗的字符与黑色背景的对比度增强,解决了暗光条件下字符提取问题。制作字符二值图像消除灰度值不均导致的检测错误的问题,并通过平滑滤波处理消除锯齿状边缘减小检测误差。实验测试图像准确率达到99.3%,检测平均时间为332.4 ms。     

基于颜色特征的水稻秧苗图像分割

本文针对水稻稻田图像中秧苗和背景分割问题,采用基于最大类间方差法(OTSU法)的分割方法,成功地把水稻秧苗像素和背景像素分割开.首先用CCD相机获取水稻插秧机插秧作业后的水稻稻田图像,选择超绿颜色因子将水稻秧苗RGB彩色图像转化为灰度图像,使用OTSU法计算阈值,成功地将灰度图像转变为二值图像.又采用该方法分割了20幅水稻秧苗图像,结果表明,超绿颜色因子可以对水稻秧苗图像有效分割.     

数字图像处理技术在棒材计数中的应用

利用数码相机获取棒材端面的图像，通过对图像格式转化、灰度化处理得到灰度图像，再进行平滑处理抑制噪声、锐化处理突出目标、选择合适的闻值转换为二值图像，然后进行形态学腐蚀操作去掉棒材之间的粘连，最终得到分割效果较好的图像，为后续棒材的计数奠定了基础。     

毛叶枣的计算机视觉分级技术研究

根据农业部发布的农业行业标准NY/T 484-2002,基于M Vision Assistant系列软件对毛叶枣提出了一种自动分级方法.以黑色传送带为背景,采用CCD摄像机在毛叶枣样本的滚动中采集图像,通过对图像进行初步分割、灰度化、平滑去噪、增强、边缘检测、二值化等处理得出样本果实大小、表面缺陷大小以及果梗识别,进而借助机械手完成对毛叶枣品质的自动分级,识别结果与人工挑选结果吻合率分别达到:优等品吻合92.43%,一等品吻合96.34%,二等品吻合95.60%,残次品吻合95.95%.     

基于梯度分布不均匀性的干瘪红枣识别

为了从混合的饱满红枣和干瘪红枣中识别出干瘪红枣,首先分析了颜色空间模型的特性,选择灰度图、RGB颜色空间模型的R分量、L*a*b*颜色空间模型的a*分量,并使用不同的梯度算子作为对比;然后通过形态学运算、逻辑运算去除异常梯度,进行梯度归一化变换;最后采用归一化的梯度直方图作为红枣表面的纹理特征表示方法,并计算其梯度分布不均匀性作为判别准则。利用12通道红枣分选机采集240幅饱满与202幅干瘪红枣图像作为样本图像。实验结果表明,采用简单梯度算子对L*a*b*模型的a*分量提取纹理信息效果最好,误判率为0.83%,正确识别率高达99.01%。     

基于多源图像融合的自然环境下番茄果实识别

蔬果采摘机器人面对的自然场景复杂多变,为准确识别和分割目标果实,实现高成功率采收,提出基于多源图像融合的识别方法。首先,针对在不同自然场景下单图像通道信息不充分问题,提出融合RGB图像、深度图像和红外图像的多源信息融合方法,实现了机器人能够适应自然环境中不同光线条件的番茄果实。其次,针对传统机器学习训练样本标注低效问题,提出聚类方法对样本进行辅助快速标注,完成模型训练;最终,建立扩展Mask R-CNN深度学习算法模型,进行采摘机器人在线果实识别。实验结果表明,扩展Mask R-CNN算法模型在测试集中的检测准确率为98.3%、交并比为0.916,可以满足番茄果实识别要求;在不同光线条件下,与Otsu阈值分割算法相比,扩展Mask R-CNN算法模型能够区分粘连果实,分割结果清晰完整,具有更强的抗干扰能力。     

基于色差信息多色彩模型的黄羽鸡快速分割方法

快速准确分割出复杂背景下的鸡只图像,是应用机器视觉系统快速识别实际饲养环境下病鸡的关键步骤。以某鸡舍散养的黄羽肉鸡为分割目标,提出了一种基于色差信息的多色彩模型鸡只分割方法。首先对200幅自然环境下拍摄的图像在常用的色彩模型下,分析了鸡冠、鸡身羽毛、鸡肚羽毛以及背景的颜色特征,利用背景在RGB色彩模型的R、G、B三分量色差信息特征进行一次分割,去除大部分的背景,然后转换到HSV色彩模型,获取黄羽鸡不同部位的H分量阈值,再由H阈值范围提取鸡身、鸡冠实现二次分割,最终得到分割目标。实验结果表明所提方法实际分割正确率为86.3%,优于L*a*b*色彩模型聚类的78.4%。所提方法复杂度小,运算时间短,适用于实时分割场合。     

基于视差图像的重叠果实图像分割算法

为解决自动采摘视觉系统中重叠果实的分割问题,提出了基于视差图像的果实分割算法。采用双目立体视觉系统获取图像对,对图像对进行预处理和校正,通过图像对的立体匹配来获取视差图像,最后对视差图像进行分割。该算法将分割的依据和信息从二维图像的颜色、形状、纹理等扩展到三维空间的深度,对空间距离不同的目标具有较好的分割效果。实验表明,对获取的视差图像进行基于区域的分割时,其区域间灰度对比度为0.98,目标计数一致性达到0.90;进行基于边缘的分割时,其边缘检测误差为5.74%,因此,该方法对重叠果实区域的分割是有效的。     

基于计算机视觉系统的番茄特征提取

针对实际番茄特征提取环境复杂情况的问题,提出了针对不同环境应用不同颜色模型来进行阈值分割的方法。通过应用改进的n R-G、YUV两种颜色模型对不同实验环境采集的图像进行阈值分割,并结合canny边缘提取算法、fitzgibbon椭圆拟合算法提取得出番茄像素坐标与像素尺寸,以此完成番茄特征提取。为得出各种颜色模型适用环境等特点,对比各种颜色模型在光线充足果实未被遮挡、光线充足果实部分遮挡和光线较弱果实未被遮挡3种情况下特征提取成功率,并比较3种颜色模型在光线充足果实未被遮挡情况下对采集图像的降噪能力。实验结果表明:n R-G颜色模型适用于采集图像噪声较小的实验环境,对于光线较弱的实验环境该模型表现出较高且稳定的特征提取成功率;YUV颜色模型表现出对含噪图像具有较为稳定的降噪能力,且对光线较强的实验环境表现出较高的特征提取成功率。     

类球形水果表皮颜色变化校正方法研究

针对类球形水果表面较大的曲率变化会引起表面亮度不均,从而导致水果颜色分级评价中存在误差大、准确率低等问题,提出了二维B样条水果表面亮度不均校正算法。利用该算法分别对原始RGB图像各单通道图像进行亮度校正,然后将校正后的RGB图像转换成HIS颜色空间图像,提取色调H和亮度I分量,通过对比校正前后H和I分量图像像素灰度标准差评价校正效果。对160幅橙图像处理结果表明,校正后的图像在色调和亮度上比原始图像更加均匀,色调H分量和亮度I分量的平均标准差分别仅为原始图像标准差的21.57%和33.94%,色调和亮度均匀性得到了明显的改善。     

基于卷积神经网络的生菜多光谱图像分割与配准

针对多光谱图像中由于多镜头多光谱相机各通道之间存在的偏差以及传统分割方法的不适用,图像分析处理过程往往会出现无法自动化分割或分割精度较低的问题,提出采用基于相位相关算法和基于UNet的语义分割模型对田间生菜多光谱图像进行各个通道的精确配准并实现前景分割。使用Canny算法对多光谱各通道图像进行边缘提取,进而使用相位相关算法对多光谱各通道图像进行配准,单幅图像平均处理时间0.92s,配准精度达到99%,满足后续图像分割所需精度;以VGG16作为主干特征提取网络,直接采用两倍上采样,使最终输出图像和输入图像高宽相等,构建优化的UNet模型。实验结果表明：本文所提出的图像配准和图像分割网络,分割像素准确率达到99.19%,平均IoU可以达到94.98%,能够很好地对生菜多光谱图像进行前景分割,可以为后续研究作物精准表型的光谱分析提供参考。     

基于超像素特征的苹果采摘机器人果实分割方法

针对苹果采摘机器人在自然环境下对着色不均匀果实的识别分割问题,提出了基于超像素特征的苹果采摘机器人果实分割方法。首先,采用简单线性迭代聚类算法将图像分割成内部像素颜色较为一致的若干超像素单元;然后,提取每个超像素的纹理和颜色特征,并采用支持向量机将超像素分为果实和背景两个类别;最后,根据超像素之间的邻接关系对分类结果进行进一步修正。实验表明,该方法能够对大部分超像素单元进行正确分类,平均每幅图像被错误分类的超像素约为2.28个。与采用像素级特征的色差法和采用邻域像素特征的果实分割方法相比,采用超像素特征的果实分割方法具有更好的分割效果。在进行邻接关系修正前,该方法图像分割准确率达0.9214,召回率达0.8565,平均识别分割一幅图像耗时0.6087s,基本满足实时性需求。     

基于形色筛选的苹果园羽化害虫粘连图像分割方法

针对苹果园害虫识别过程中的粘连问题,提出了一种基于形色筛选的害虫粘连图像分割方法。首先,采集苹果园害虫图像,聚焦于羽化害虫。害虫在羽化过程中已完成大部分生长发育,其外部形态、颜色、纹理更为稳定显著。因此,基于不同种类害虫的形色特征信息分析,来获取害虫HSV分割阈值和模板轮廓。其次,利用形状因子判定分割粘连区域,通过颜色分割法和轮廓定位分割法来实现非种间与种间粘连害虫的分割。最后,对采集的苹果园害虫图像进行了试验分析,采用基于形色筛选的分割法对单个害虫进行分割,结果表明,本文方法的平均分割率、平均分割错误率和平均分割有效率分别为101%、3.14%和96.86%,分割效果优于传统图像分割方法。此外,通过预定义的颜色阈值,本文方法实现了棉铃虫、桃蛀螟与玉米螟的精准分类,平均分类准确率分别为97.77%、96.75%与96.83%。同时,以Mask R-CNN模型作为识别模型,平均识别精度作为评价指标,分别对已用本文方法和未用本文方法分割的害虫图像进行识别试验。结果表明,已用本文方法分割的棉铃虫、桃蛀螟和玉米螟害虫图像平均识别精度分别为96.55%、94.80%与95.51%,平均识别精度分别提高16.42、16.59、16.46个百分点。这表明该方法可为果园害虫精准识别提供理论和方法基础。     

基于K均值聚类的厚壁组织区域自动提取

桉树是我国南方的速生丰产林,区域提取是定量分析各种组织抑制桉树茎生根原因的重要前提。为此,介绍了基于K均值聚类的在桉树茎切片图像中自适应提取厚壁组织区域的图像处理技术。将桉树茎切片彩色图像转换为CIEL*a*b*彩色空间,用K均值聚类分析算法对描述颜色的a*和b*通道进行聚类分析,提取细胞厚壁,然后填充其中白色的细胞腔,构成完整的厚壁组织区域。实验结果表明,在CIEL*a*b*空间使用该算法可以获得较准确的实验结果。