基于Harris和卡尔曼滤波的农业机器人田间稳像算法

针对田间颠簸环境影响农业机器人采集实时稳定图像问题，提出了基于Harris和卡尔曼滤波的农业机器人田间稳像算法。首先，利用摄像头获取田间抖动视频图像序列，进行图像子区域划分并计算各区域灰度均方差，进而确定各区域Harris角点阈值；通过自适应角点阈值设置，增加角点距离约束，完成图像角点检测。然后，对检测出的角点进行光流跟踪，计算出帧间运动估计参数。最后，利用自适应卡尔曼滤波算法对运动估计参数进行平滑操作并动态调整滤波平滑性能，获得精确运动估计矢量。测试结果表明，改进后的Harris角点检测算法区域平均分布标准差减小；自适应卡尔曼滤波算法在保证平滑随机运动前提下，跟踪主动运动性能平均提升30.75个百分点；稳像后的图像峰间信噪比提升15.93%,单帧处理时间为25.66 ms,满足农业机器人30 f/s高速图像采集时同步稳像对实时性要求。     

基于改进Hough变换的收获机器人行走目标直线检测

提出了基于改进随机Hough变换(RHT)的收获机器人行走目标直线检测算法.将摄像机安装在联合收获机的顶部,在收获过程中采集农田场景图像.根据已收获区域、未收获区域和非农田区域的不同颜色特征,利用统计分析和边缘检测,确定行走目标直线的终点位置以及直线方向上的候选点.以候选点为点集,采用改进RHT完成直线检测.与传统的RHT相比,避免了无效采样和累积问题.经过对多幅图片的处理,证明算法能够有效检测出直线参数,且处理时间在200 ms左右.     

棉花铺膜播种机导航路线图像检测方法

研究了棉花铺膜播种机田间作业时导航路线和田端的图像检测算法。针对自然环境下的棉花播种作业图像,采用Daubechies小波变换对处理区域进行平滑滤波;针对第1帧图像,寻找图像处理区域的垂直累计直方图的波谷,以此为基础,通过寻找局部窗口累计直方图波谷的方法,从图像底端逐行向上寻找各行候补点;对于非第1帧图像,采用当前帧与前帧导航路线相关联的方法分段寻找候补点群;最后基于过已知点Hough变换拟合出导航路线。实验证明,采用的算法可以快速、准确地检测出棉花铺膜播种作业时的导航路线及棉田田端,平均每帧图像处理时间为72.02 ms,满足铺膜播种机实际播种作业的需求。     

非结构环境中扰动葡萄采摘点的视觉定位技术

非结构环境下采摘机器人对扰动葡萄采摘点的视觉识别定位有实际应用价值。首先基于"挠性杆-铰链-刚性杆-质量球"模型对葡萄串形态进行分析,将其扰动状态分解为XOY和YOZ 2个平面的类单摆运动,对扰动葡萄进行视频拍摄,通过对视频中多帧葡萄图像进行Otsu阈值分割得到果实和果梗,并计算出各帧图像中葡萄串的质心;对各帧图像的葡萄串质心进行曲线拟合,计算出葡萄类单摆运动的周期与摆角,从而确定当前扰动葡萄是否适合视觉定位;对可实现视觉定位的扰动葡萄,选取类单摆中间位置质心点对应的葡萄图像,对葡萄串上方矩形区域进行Canny边缘检测,再利用霍夫直线拟合结合角度约束法实现扰动葡萄采摘点的定位。视觉定位试验结果表明:自然环境中不同光照下扰动葡萄采摘点的视觉定位准确率达80%以上,为采摘机器人应用于实际生产提供了理论基础。     

基于图像旋转投影的导航路径检测算

提出一种农业车辆视觉导航路径识别算法--旋转投影算法.该算法通过角度枚举对图像ROI实施旋转变换,由旋转后图像的列均值与枚举角度构成旋转投影矩阵R,对其行向量实施差分运算得到差分旋转投影矩阵Rd,由Rd的极值可确定图像导航路径,即航向偏差θ与航位偏差d,进而可以求得世界坐标系下的导航路径参数.同理可以对田头线进行检测.为了提高算法的实时性,提出设定合理的ROI、实施线性压缩、旋转角度先粗分再细分的二步法以及充分利用前帧信息4种处理方法,使处理一帧用时6.2ms左右.通过对不同条件下成熟小麦图像测试表明,该算法识别导航路径准确率达到95%.     

基于近红外图像的温室小型西瓜采摘信息获取技术

为实现温室立体栽培模式下小型西瓜的识别与空间定位,研究了基于近红外图像的西瓜采摘信息获取方法。测定、比较西瓜果实与茎、叶的光谱反射率,确定波长850 nm附近波段为区分西瓜与背景的最佳波段,在光强差异较大的两时段内采集了最佳波段下的西瓜近红外图像;通过Otsu算法滤除背景信息,利用"米"字型模板检测得到"浓缩西瓜"区域,实现西瓜果实识别;使用形心坐标计算公式获得采摘点坐标;根据西瓜果梗生长特性,利用分块定位算法获得切割点坐标信息。在温室环境下随机选择拍摄50幅有西瓜图像和20幅无西瓜图像进行识别算法验证,并对识别成功的有西瓜图像进行采摘点与切割点提取算法验证。结果表明,有西瓜图像识别成功率为86%,无西瓜图像为95%;采摘点、切割点定位准确度分别为93.0%、88.4%。     

采摘机器人振荡果实动态识别

提出一种采摘机器人在果实振荡状况下的动态识别方法,解决由于果实振荡影响采摘机器人识别定位时间,进而影响采摘速度和效率的问题。首先对所采集的振荡果实图像进行图像分割,将其分为果实和背景两部分;其次引入帧间差分法、水平最小外接矩形法等对分割图像进行振荡果实动态区域的区域标识,然后对其振荡果实进行识别,当图像中有多个振荡果实时,以距离图像中心最近原则确定采摘振荡目标果实。试验结果表明对实际采摘环境下遇到的多数情况,所提算法都能很好地识别出振荡果实,识别时间少于0.5 s。     

基于达芬奇平台的联合收获机视觉导航系统路径识别

针对联合收获机视觉导航对实时性及鲁棒性要求,采用了基于达芬奇平台的路径识别算法实现方案.在分析小麦收获视频图像纹理度量的基础上,提出了基于改进平滑度纹理特征的视觉导航路径识别算法.该算法利用水平方向上图像平滑度纹理特征,把原亮度图像转换成水平方向平滑度图像,然后采用自适应阈值分割图像的边界点,最后通过Hough变换确定视觉导航的路径.为验证该算法在达芬奇平台的运行效果,对联合收获机田间收获小麦进行导航实验.结果表明:算法运行实时性高,识别路径平均速度可达28.6帧/s;算法鲁棒性好,对多种环境下的路径识别有较好的适应性;算法运行稳定可靠,持续运行时间无限制.     

基于分水岭算法的道路识别

实时、可靠的道路识别是智能车辆研究中一个重要的方向.介绍了一种基于特征的道路识别方法.该方法以分水岭算法为基础,根据图像的区域特征,首先定义道路和背景的极小值点,然后逐步扩展两者的集水盆,最后寻找道路和背景之间的分水岭,实现道路识别.通过对单幅图像和视频的实验,测试了算法的性能.结果显示,在一定的条件下,该算法的速度和效果都能满足道路识别要求.     

基于神经网络的实蝇成虫图像识别算法

为了实现从图像中快速、准确地识别双翅目果实蝇害虫，本文提出一种基于神经网络学习模型的识别算法。该算法首先采用Hough变换对实蝇样本图像的双翅边缘进行直线检测，使图像中实蝇旋转为躯体朝上形态，同时限定条纹所在的有效区域。结合HSV色彩空间锁定胸背板上的条纹区，对该区域进一步处理，根据中心条纹形状特征的描述方法，提取出形状特征参数，定义4种实蝇形态特征向量。采集90幅实蝇图像中各目标的4种特征因子，建立BP神经网络对数据集进行训练，从而得到用于实蝇分类的神经网络模型参数。试验结果表明，该方法对双翅目实蝇成虫的识别效果具有较好的准确性和实时性，对橘小实蝇、南瓜实蝇和瓜实蝇的识别准确率分别为95.45%、93.33%和97.83%，总体准确率为95.56%，单次识别平均耗时500ms。     

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。     

基于双目视觉的田间作物高度和收割边界信息提取

为实现收获机无人驾驶自适应调控,提出一种基于双目视觉对田间作物高度和收割边界信息进行提取的方法。利用双目相机获取三维数据,基于RANSAC算法拟合初始地面平面,结合IMU计算作业实时平面,根据点到平面的距离将三维数据转换为对应的实际高度。提出一种改进的结合密度峰聚类和K均值聚类的方法对高度数据分类,同时基于归一化彩色图像分割作物上部区域,融合高度分类和彩色图像分割结果,实现作物高度信息的提取。利用高度数据序列和模型函数的互相关性提取收割边界点,基于最小二乘法拟合边界直线,根据当前边界线预测下一帧数据边界点的候选范围,由收割边界直线计算航向偏差和横向偏差。实验表明,该方法可以有效提取作物高度和收割边界信息,高度检测平均绝对误差为0.043 m,边界识别正确率93.30%,航向偏差平均误差为1.04°,横向偏差平均绝对误差为0.084 m,对联合收获机无人驾驶自适应调控有应用价值。     

基于辅助线的农机视觉导航路径提取算法研究

针对不同场景下的农机视觉导航路径提取方法适用性、抗干扰性差的问题,提出一种基于辅助线的农机视觉导航路径提取算法。首先,对均衡化处理后的农田图像采用1.8G-R-0.8B颜色模型进行灰度化,得到目标与背景区分明显的图像;其次,使用OTSU法阈值分割,对二值图像进行先开后闭运算的形态学处理方法去除图像噪声;最后,根据垂直投影法进行相应的辅助线处理,并结合改进的ROI方法提取感兴趣区域,确定导航定位点,进而最小二乘法将定位点拟合得到导航路径。仿真试验结果及对比表明：本文算法提取路径的欧式距离为1 001.9,路径提取精度相对于传统Hough方法提高47.9%,且对高分辨率图像提取时间缩短79.6%,满足农机具导航路径提取的要求的同时且具有更高的普适性。     

复杂环境中苹果树识别与导航线提取方法

为精准化管理果园，针对存在裸露土壤、遮蔽物、果树冠层阴影和杂草等复杂环境下难以提取导航线问题，通过无人机搭载多光谱相机获取苹果园影像数据后提取果树像元并进行全局果树行导航线提取。通过处理多光谱影像数据得到正射影像图(DOM)、数字表面模型(DSM)图像，选取并计算易于区分杂草与苹果树的归一化差异绿度指数（NDGI）、比值植被指数（RVI）分布图，构建DSM、NDGI、RVI融合图像后，综合利用过绿植被(EXG)指数和归一化差异冠层阴影指数（NDCSI）以阈值分割法剔除融合图像中土壤、遮蔽物、阴影等像元，降低非植被像元对果树提取的干扰。对比使用支持向量机（SVM）法、随机森林（RF）法和最大似然（MLC）法分别提取最终融合图像和普通正射影像中的苹果树像元，并计算混淆矩阵评价各识别精度。试验表明，MLC法对融合图像中果树的识别效果最优，其用户精度、制图精度、总体分类精度、Kappa系数分别为88.57%、93.93%、93.00%、0.8824；相对于普通正射影像，本文构建的最终融合图像使3种方法的识别精度均得到有效提升。其中，融合图像对RF法的用户精度提升幅度最大，为27.12个百分点；对SVM法的制图精度提升幅度最大，为9.03个百分点；对3种方法的总体分类精度提升幅度最低为13个百分点；对SVM法的Kappa系数提升幅度最大，为22.55%，且对其余两种方法的提升也均在20%以上。将本文得到的苹果树像元提取结果图像做降噪、二值化、形态学转换等处理后，以感兴趣区域划分法提取各果树行特征点，并以最小二乘法拟合各行特征点得到导航线，其平均角度偏差为0.5975°，10次测试整体平均用时为0.4023s。所提方法为复杂环境中果树像元和果树行导航线提取提供了重要依据。     

基于机器视觉的农田地头边界线检测方法

在非结构化复杂农田作业环境中,为实现农机在地头处的自主导航转弯,首先需及时、准确地感知地头的空间位置信息,尤其是地头边界位置。本文基于机器视觉技术,首先依据农田内外像素灰度的跳变特征来判断地头是否出现,通过建立正向和负向分布偏差两个度量确定是否存在该灰度跳变特征;随后,将图像沿水平方向平均分成8个子处理区域,针对各子处理区域求取其行灰度平均值分布图,基于局部加权回归法对其进行平滑处理,建立按序离群度参数,通过寻找平滑曲线上首个按序离群程度较大的波峰点或波谷点以及相应的跳前波谷点或波峰点,最终确定跳变特征点的像素坐标,并基于稳健回归法线性拟合跳变特征点,获取实际非规整地头边界的主体延伸方位线;最后,将主体延伸方位线向下平行移动,当其线上像素的灰度平均值接近于田内像素的灰度分布特征时,认为抵达安全位置处,由此获得农机在当前地头处安全转向掉头的边界线。试验结果表明,判断地头出现的准确率不低于96%,地头边界线检测准确率不低于92%。     

牛肉眼肌图像在线采集和实时分割系统

根据肉牛屠宰现场牛肉自动分级的技术要求,设计并构建了一个以TMS320DM642处理芯片为核心的牛胴体眼肌图像在线采集和实时分割系统.首先利用所开发系统在线采集牛肉图像,然后通过蒙板方法,对所采集图像进行背景分割;由于DM642系统采用y、Cb、Cr 3个色度分量来分别描述和存储图像,为节省算法处理的数据量,对Cr(红色)色度空间图像进行二值化处理,然后再用区域面积标记法和小区域消除法提取眼肌区域.实验结果表明,利用DM642系统能够实现牛肉图像的在线采集和眼肌区域分割,眼肌图像提取的准确率平均值为92.9％.     

基于灰色关联分析和区域生长的微小缺陷提取

提出了一种基于灰色关联分析的区域生长算法。首先通过计算二维灰色绝对关联度,将原始图像转换为仅包含高频信息的灰色关联图像,并在此基础上进行阈值处理和区域标记,获得缺陷区域的形心。然后将该形心作为种子像素在灰色关联图像内进行区域生长,实现微小缺陷的在线提取。实验结果表明,新的区域生长算法能够有效地抑制背景噪声、简化计算过程,满足在线提取和实时性要求。     

基于茎基部分区边缘拟合的稻株定位方法

准确地定位稻株是水稻株间除草机械作业的前提,提出了侧位俯拍的图像采集方式获取稻株茎基部图像,采用茎基部分区边缘拟合的方法定位稻株,解决了除草期内水稻冠层接连引起的定位不准确问题。首先分析稻株生长形态,探究侧位俯拍稻株茎基部的相机安装参数设定,以及影响成像质量的相关因素,提出了遮光条件下采集图像的方法,构建了具有遮光功能的图像采集系统;其次采用2G-R-B彩色图像灰度化、自动阈值、形态学操作等方法处理并分割稻株图像,检测茎基部边缘并分析其形态特征,并提出了分区边缘拟合定位方法:划分拟合区间为3个子区间,在子区间内进行边缘拟合,以拟合边缘线段中点坐标均值作为子区间茎基部中点,根据中点拟合茎基部中线,以中线中点作为定位的茎基部中心。最后进行了基于茎基部与冠层的稻株定位精度田间对比试验,结果显示:插秧后10~20 d内,基于茎基部的稻株定位误差均在7.0 mm以下,其中10 d、15 d、20 d时的定位误差分别为6.9mm/6.8 mm、5.9 mm/5.8 mm、6.3 mm/6.5 mm(有水条件/无水条件);基于冠层的稻株定位误差在8.0 mm以上,其中插秧20 d后,定位误差超过15 mm以上。试验结果表明,所提出的基于茎基部分区边缘拟合的稻株定位方法,定位精度高,除草适用期长,可满足株间机械除草过程中对稻株精准定位的技术要求。     

基于线阵扫描图像的玉米果穗性状检测技术

为实现玉米果穗性状自动检测,以线阵扫描方式获取玉米果穗表面圆周图像信息,利用图像处理技术从中提取相关性状参数。从扫描图像自身提取检测模板,应用归一化互相关算法完成玉米果穗单周图像的精确切割;以Otsu法完成籽粒分割后,利用边界非完整籽粒的连接性,完成边界分割籽粒的合并,提高籽粒计数准确度;采用图像投影曲线平滑后求极值的方法获取穗行数。与人工检测实验结果对比,穗粒数和穗行数的计数准确率分别为94.6%和99.1%。     

基于模式识别的农田目标定位线检测

根据农田图像的特点,采用K-means模式识别算法,实现农作物与背景的分离.通过对二值图像进行水平扫描.检测定位区域和定位点,利用定位点的坐标信息确定聚类判别函数,实现农田目标定位线的检测.多幅农田图像实验表明,定位线能够正确提取出来.该算法处理640×480像素的彩色图像蒂要0,12 s,在自动导航系统中是一种有效、快速的图像处理算法.