基于机器视觉的自然环境中猕猴桃识别与特征提取

研究了综合应用果实颜色和形状特征识别自然环境中猕猴桃果实及特征提取的方法.通过对比不同颜色空间,选用R-G色差分量;再采用基于误分割像素的分割评价方法来确定颜色特征nR-G中最佳分割系数n,最终选取0.9R-G颜色特征.利用0tsu法对其进行阈值分割,形态学运算去除掉残余噪声,实现了目标果实区域和背景区域的分割.然后利用Canny算子提取边界,最后对边界图像进行椭圆形Hough变换,逐个识别出目标果实,并提取出果实的形心坐标、长轴端点坐标和长短轴长度等特征信息.对49幅包含110个果实图像进行识别试验,试验结果表明:相互分离果实的识别率为96.9％,邻接果实识别率为92.0％,被枝叶部分遮挡果实识别率为86.6％,重叠的果实识别率为81.6％.     

西红柿果实目标识别方法研究——基于模糊聚类算法

为了准确识别成熟的西红柿目标,提出了一种模糊C-均值聚类算法(Fuzzy Clustering Means,FCM)的西红柿目标分割方法。该方法首先利用FCM算法对西红柿图像进行模糊聚类,并对聚类后的果实图像与丢失的部分目标图像进行相加,以得到更加完整的西红柿目标;然后对西红柿目标进行二值化、去噪、开运算与闭运算等处理,完成西红柿目标的分割。为了验证算法的有效性,利用20幅图像进行了试验并与K-means算法和Otsu算法分割效果进行了对比。结果表明:利用文中算法所分割出的西红柿目标最高分割误差率均低于Kmeans算法和Otsu算法,平均分割错误率为1 6.5 5%,比K-means算法低了3.5 6%,比Otsu算法低了1 2.8 0%。这表明,将该方法应用于西红柿目标的识别是可行的。     

基于改进人工蜂群模糊聚类的葡萄图像快速分割方法

为解决基于模糊C-均值聚类(FCM)的图像分割算法需要预先给定初始聚类数目和聚类中心,易使得算法陷入局部最优的问题,提出一种改进的人工蜂群优化模糊聚类的图像分割方法。该方法在传统的人工蜂群的基础上进行优化,以FCM算法中目标函数为基础改进人工蜂群的适应度函数,运用蜂群行为中的采蜜蜂、跟随蜂和侦察蜂的分工合作来快速求解图像中的最优初始聚类中心,将求出的最优聚类中心输入给FCM进行处理,根据最大隶属度原则对果实图像进行分割。以300幅不同光照情况下拍摄的夏黑葡萄果进行分割试验,试验结果表明,改进的图像分割方法能更快地将水果从自然环境中分割识别出来,单幅图像平均分割时间为0.219 3 s,正确分割率达到90.33%,能满足采摘机器人及水果分级系统对目标图像的实时性要求。     

田间枣树叶片复杂目标图像综合分割方法

设计了一种复杂图像分割的综合算法。首先对图像进行预处理,锁定大致目标范围,对图像进行增强,再基于阈值分割和Canny算子对图像进行初步分割。然后结合形态学处理方法及各种逻辑运算对分割结果进行优化处理,得到精确完整的目标图像。以田间枣树叶片图像为例进行实验,证明了该算法的可行性和有效性。该算法对叶片重叠、叶片灰度不均匀等复杂图像都有很好的分割效果,获得了边缘清晰、平滑、定位精确的边缘图像。     

农田地块图像分割技术研究

农田地块图像包含的目标区域多，不同地物间信息相互影响和干扰明显，农田地块图像的分割提取非常困难。利用基于边界和基于区域两种图像分割方法对高空拍摄的农田地块图像进行处理和实验。实验结果表明，利用微分算子的图像边界分割算法虽然能够有效识别出农田地块的边缘，但是对噪声有放大作用；而利用阈值法的图像区域分割算法可以很好地消除农田地块图像的噪声影响。     

农田蛾类图像边界特征的获取

介绍了农田蛾类图像的预处理方法,然后使用Otsu方法来对农田蛾类图像进行分割。对分割得到的目标区域采取旋转变换,使同一种蛾类的目标区域具有相同方向;对旋转变换得到的蛾类图像目标区域,以目标区域的边界点到目标区域的质心点距离作为目标区域的边界特征,获取各种蛾类图像的边界特征。从所获取的边界特征可知,不同种类的蛾类图像具有各不相同的边界特征,可以把这些边界特征作为各种蛾类昆虫分类识别的数据依据。     

融合K-means聚类分割算法与凸壳原理的遮挡苹果目标识别与定位方法

自然场景下苹果目标的精确识别与定位是智慧农业信息感知与获取领域的重要内容。为了解决自然场景下苹果目标识别与定位易受枝叶遮挡的问题,在K-means聚类分割算法的基础上,提出了基于凸壳原理的目标识别算法,并与基于去伪轮廓的目标识别算法和全轮廓拟合目标识别算法作了对比。基于凸壳原理的目标识别算法利用了苹果近似圆形的形状特性,结合K-means算法与最大类间方差算法将果实与背景分离,由凸壳原理得到果实目标的凸壳多边形,对凸壳多边形进行圆拟合,标定出果实位置。为验证算法有效性,对自然场景下的157幅苹果图像进行了测试,基于凸壳原理的目标识别算法、基于去伪轮廓的目标识别方法和全轮廓拟合目标识别方法的重叠率均值分别为83.7%、79.5%和70.3%,假阳性率均值分别为2.9%、1.7%和1.2%,假阴性率均值分别为16.3%、20.5%和29.7%。结果表明,与上面两种对比算法相比较,基于凸壳原理的目标识别算法识别效果更好且无识别错误的情况,该算法可为自然环境下的果实识别与分割问题提供借鉴与参考。     

基于深度学习的自然环境下刺梨果实识别

采用0.57R-0.18G-0.2B色差分量法对刺梨图像进行处理,通过Ostu自适应阈值分割、形态学滤波和二值图像白色色素面积阈值等方法对图像进行一次分割。根据刺梨果实图像的颜色和纹理特征,再采用YCbCr颜色空间模型中各分量的阈值对图像进行二次分割。通过标记分水岭分割算法对粘连果实连通区域进行分割,利用Hough圆变换对独立、遮挡和重叠情况下的果实外圆进行拟合和修复,最终获取果实质心坐标及其半径。试验结果表明:刺梨果实识别正确率均高于92%,说明本算法能够对刺梨果实进行有效地识别。     

采摘机器人识别抓取重叠番茄果实的方法研究

为适应农业果实采摘机器人自主采摘的需求,针对重叠番茄果实,设计了一种在不同光照条件下改进色差算子的组合处理识别并抓取重叠果实的方法。首先,利用中值滤波滤除噪声;然后,采用改进算子的OTSU分割算法和形态学处理对番茄图像进行背景分割,通过异或运算、腐蚀操作,使未覆盖果实与被覆盖果实的分离更加明显,进而将凸包算法、泛洪填充算法和霍夫直线检测相结合,提取出番茄的真实轮廓,并利用最小二乘法对其进行椭圆拟合,计算出果实质心进行立体匹配;最后,设计了适用于番茄果实采摘的原型机器人,主要由三自由度的机械臂构成,用于抓取果实。分别从不同角度对不同光照条件下重叠的番茄果实图像进行了实验,并进行了水果立体匹配实验,结果表明:该方法是有效、可行且高效的。     

基于图像边界提取的果园作业机器人自主导航系统

针对果园中农业移动机器人的自主导航问题,提出了一种基于图像边界提取的自主导航系统。首先,通过摄像机采集果园场景图像,并利用均值偏移算法对图像中的像素点进行聚类;然后,采用基于图论的图像分割算法,根据预定义类别对图像进行分割;接着,提取出所需类的图像区域,并利用Canny算子对该区域图像的边缘进行检测和滤波;最后,利用Hough变换提取出该区域的边界线,从而获得机器人的行进路线。实验结果表明:该方案在不需要先验知识的情况下,能够快速、有效地获得最优路径。     

基于机器视觉的试管液位检测方法研究

利用目前机器视觉技术,提出一种基于数字形态学结合Laplacian算子的边缘检测算法,将其应用到对试管液面检测中,得到了精度高、定位准的液面位置,从而可以得出液面高度与试管内试剂体积。通过CCD工业相机拍摄试管图像,对图像进行灰度化、滤波,图像增强后,利用LoG边缘检测算法结合数字形态学操作得到清晰的边缘图像,最后得出准确的图像液位高度,可以在无外界辅助测量设备的情况下完成试管液位检测。通过对80张不同液位高度的试管图像进行测试,结果表明,该算法可以有效完成液位非接触测量,并可以快速地得出准确的测量结果。     

基于RealSense深度相机的多特征树干快速识别方法

针对农业机器人在果园定位和导航中,环境背景复杂、光照强度变化大等问题,本文提出了一种基于RGB-D相机并利用颜色、深度、宽度和平行边特征的树干快速识别方法。首先,使用RealSense深度相机获取果园的彩色图像和深度数据;然后,将彩色图像转换为HSV颜色空间,再对HSV颜色空间中的S分量进行超像素分割,并将颜色特征和深度特征相近的相邻超像素块进行合并;随后,对深度图像进行树干宽度特征检测,对宽度置信率大于阈值的物体看作是待处理物体;最后,对待处理的物体进行平行边特征检测,在待处理物体边缘区域选择感兴趣区域窗口（ROI）进行边缘检测,搜索可能的树干边缘直边,当物体边缘的置信率R_B大于设定的阈值T_LB时,则识别为树干。通过对树干的多特征提取,有效提高了在不同环境下树干识别准确率。利用移动机器人平台在果园环境进行试验测试,以检验在强光照、正常光照和弱光照条件下树干识别算法的性能。试验结果表明,本文的树干识别算法在强光照、正常光照和弱光照条件下,树干识别的准确率分别为92.38%、91.35%和89.86%,每帧图像平均耗时分别为0.54、0.66、...     

农业复杂环境下尺度自适应小目标识别算法——以蜜蜂为研究对象

农业生产环境中的目标识别对象常具有分布密集、体积小、密度大的特点,加之农田环境光照多变、背景复杂,导致已有目标检测模型无法取得令人满意的效果。本研究以提高小目标的识别性能为目标,以蜜蜂识别为例,提出了一种农业复杂环境下尺度自适应小目标识别算法。算法克服了复杂多变的背景环境的影响及目标体积较小导致的特征提取困难,实现目标尺度无关的小目标识别。首先将原图拆分为一些较小尺寸的子图以提高目标尺度,将已标注的目标分配到拆分后的子图中,形成新的数据集,然后采用迁移学习的方法重新训练并生成新的目标识别模型。在模型的使用中,为使子图识别结果能正常还原,拆分的子图之间需具有一定的重叠率。收集所有子图的目标识别结果,采用非极大抑制（Non-Maximum Suppression,NMS）去除由于模型本身产生的冗余框,提出一种交小比非极大抑制（Intersection over Small NMS,IOS-NMS）进一步去除子图重叠区域中的冗余框。在子图像素尺寸分别为300×300、500×500和700×700,子图重叠率分别为0.2和0.05的情况下进行验证试验,结果表明：采用SSD（Single Shot MultiBox Detector）作为框架中的目标检测模型,新提出的尺度自适应算法的召回率和精度普遍高于SSD模型,最高分别提高了3.8%和2.6%,较原尺度的YOLOv3模型也有一定的提升。为进一步验证算法在复杂背景中小目标识别的优越性,从网上爬取了不同尺度、不同场景的农田复杂环境下的蜜蜂图像,并采用本算法和SSD模型进行了对比测试,结果表明：本算法能提高目标识别性能,具有较强的尺度适应性和泛化性。由于本算法对于单张图像需要多次向前推理,时效性不高,不适用于边缘计算。     

基于多分辨率分析的储粮害虫图像预处理研究

粮虫种类多、体形小且形态结构比较复杂,须借助于高分辨率的图像进行准确的细分。针对高分辨率的粮虫图像,提出基于多分辨率图像分析的粮虫图像预处理方法。本算法首先降低图像的分辨率,并对低分辨率的图像滤波,然后将恢复为原分辨率后的图像与原图像进行"与"运算,并进一步滤波。该法有效去除了对粮虫识别贡献率较小的腿和触角等部分,保留了对识别分类贡献率较大的头部和鞘翅等部分,且预处理后的目标边界比较平滑,同时使算法运行的效率提高了15.12倍,并通过实验进一步验证了该方法的可行性。     

基于改进适应度函数组合法的机器人逆运动学求解

提出基于分离-重构方法获得智能算法的适应度函数，并与解析法相结合求解一般结构多自由度机器人逆运动学，一般结构满足至少一组相邻关节轴线交于一点。利用分离-重构的方法构建分离-重构适应度函数，使用智能算法验证分离-重构适应度函数，求解出部分关节角，再结合解析法求出其余关节角。以一般结构的FANUC CRX-10iA型协作机器人为算例，使用改进的CMA-ES算法验证分离-重构适应度函数，仿真结果表明，在相同条件下求解的点对点运动中，单次平均求解时间为0.0040s，适应度函数值稳定在10-7数量级，且迭代收敛次数稳定在25次左右；在空间中对两种连续轨迹进行跟踪时，单次平均耗时分别为0.0068s和0.0102s，位置误差均稳定在10-7m数量级，且各关节运动曲线平滑，提升了多自由度机器人逆运动学分析的效率和精度。以REBot-V-6R型六自由度机器人为实验对象，基于VC++6.0创建MFC实验平台，进行连续的空间轨迹跟踪实验，仿真与实验结果验证了该方法的有效性。     

作物病害图像中重叠病斑分离算法

针对传统的分水岭分割算法的不足,应用了一种基于标记测地重建的分水岭算法对棉花重叠病斑图像进行分离.首先对病斑二值图像利用多尺度距离变换获得病斑的距离图像,通过极限腐蚀操作检测出标记种子;然后以种子标记为基础.运用形态学测地重建运算获取测地影响区骨架SKIZ--分水岭线;最后利用分水岭线与原病斑图像进行交集运算.从而得到分离的图像.运用该算法对棉花重叠病斑图像进行分离,试验结果表明:该方法能较好地将图像中的重叠病斑分离,并较好地保存病斑边缘信息,对图像中的微小结构和噪声不敏感,具有良好的鲁棒性.     

基于聚类算法对象提取的快速定位采摘机器人设计

为了提高采摘机器人的定位速度,对机器人的机器视觉系统进行了改进,设计了一种基于聚类算法和视频对象提取技术的快速定位机器人。该机器人视频对象图像提取过程中,在完成图像进行滤波后,引入了Lab彩色空间聚类算法,有效地降低了图像的色彩数和噪声,实现了图像对象的量化处理,大大提高了果实定位和采摘的效率。为了验证设计的快速定位采摘机器人的可靠性,对机器人的采摘性能进行了测试,测试项目主要包括图像处理和果实定位。通过测试发现:快速定位机器人可以有效地实现图像聚类中心的提取,并对聚类中心进行编码,每次定位用时少、定位速度高且果实采摘的准确性累计概率较高,符合高精度、高效率果实采摘机器人的设计需求。     

基于粗糙集与遗传算法的采摘机器人路径规划

为了提高采集机器人路径规划速度和自主导航的智能化水平,提出了一种基于粗糙集和遗传算法的路径规划方法,从而有效地提高了路径规划的速度和精度。采摘机器人根据实际果实采摘环境,利用图像分割技术,对果实目标进行识别,在二维栅格地图环境下,制定出决策表,并使用粗糙集对决策表进行约简,得到最小决策表,将其作为遗传算法初试种群,进行遗传交叉和复制操作,优化路径规划算法。为了验证采摘机器人算法性能的可靠性,对采摘机器人的性能进行了测试,包括果实图像的识别和机器人路径规划能力。通过测试发现:采摘机器人可有效地分割提取出成熟果实,并可完成多目标任务。对粗糙集和遗传算法的性能进行了测试,结果发现:使用粗糙集可以大大降低所需训练种群的数目,减少平均迭代次数;增加障碍物的复杂程度后,使用粗糙集遗传算法可以明显地提高路径规划的速度,从而提高了机器人采摘作业的效率。