基于YUV颜色模型的番茄收获机器人图像分割方法

在研究番茄收获机器人对目标图像分割识别时,经常由于采集的图像受光照影响以及分割识别算法的计算复杂性而影响到识别的准确性和实时性.通过比较RGB、HSI、YUV等颜色模型的特点,从理论上分析了YUV颜色模型应用于收获机器人视觉系统的可行性,提出了一种基于YUV颜色模型的成熟番茄分割方法.同时综合实验及经验确定了成熟的红色番茄在RGB、HSI、YUV颜色模型中阈值范围,采用直接确定色差阈值的双阈值分割算法识别成熟番茄,并对3种颜色模型在不同的光照条件下的分割识别效果进行实验对比.实验结果证实,将基于YUV颜色模型成熟番茄分割方法应用于番茄收获机器人视觉识别系统,能很好地解决其鲁棒性和实时性问题.     

RGB与HSI颜色空间下番茄图像分割的对比研究

针对番茄收获机器人视觉系统在自然光照条件下对田间成熟番茄图像进行分割的问题,研究了基于(R-G)色差特征的阈值分割方法和基于HSI颜色空间H色调的统计阈值分割方法,并对其进行了对比分析。在RGB颜色空间,首先提取了RGB彩色图像的R、G分量并做代数减运算得到色差灰度图像RG,然后对该色差灰度图像RG使用Otsu阈值法进行自适应分割;在HIS颜色空间下,统计番茄与叶子的H色调分布差异,然后对H色调灰度图像进行阈值分割。通过大量试验表明:基于(R-G)色差特征的阈值分割方法能够实现自适应阈值处理,能对不同自然光照强度下的生长状态为相互分离的多目标番茄图像进行有效分割;同时,对番茄的成熟度及品种差异也具有很好的鲁棒性,其性能大大优于基于HSI颜色空间H色调的统计阈值分割。     

基于HIS颜色特征的田间成熟番茄识别技术

研究了一种基于HIS颜色特征的田间成熟番茄识别技术。将计算机视觉系统获取的番茄RGB图像转换成HIS图像，通过统计H、I、S分量的灰度分布找出成熟番茄、未成熟番茄和叶子(枝干)灰度分布差别；然后根据H分量的灰度分布用阈值法分割出成熟番茄区域；经过空洞填充后，计算出番茄质心坐标。该方法对田间成熟番茄之间相互分离的情况有很好的识别效果。     

番茄色选机分选系统延迟时间计算

番茄色选分选机是一种利用光电技术分析识别物料的品质优劣,并利用压缩空气将不符合要求物料剔除的设备.该设备采用独特而有效的筛选方式,可有效提高物料的品质等级,并针对色选系统对物料从CCD传感器镜头前下落到气枪喷嘴前的延迟时间进行设计与计算.     

SL350型番茄收获机的引进与试验

天业集团于1999年8月引进美国FMC公司生产的SL350型番茄收获机,并对40hm2番茄进行收获试验。1主要结构及工作原理SL350型番茄收获机由往复式切割器、倾斜输送器、番茄与茎叶输送装置及分离装置、色选装置、成熟番茄输送装置、发动机、行走装置、液压系统、电控装置和驾驶室等组成。如图所示SL350型番茄收获机结构简图1.往复切割器2.液压传动装置3.驾驶室4.倾斜输送器5.番茄与茎叶分离装置6.茎叶输送装置7.发动机8.行走装置9.成熟及未成熟番茄输送装置10.色选装置11.成熟番茄输送装置12.踏板工作时,往复式切割器将番茄茎杆切断,由倾斜…     

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.     

美国白蛾幼虫网幕图像识别算法

根据美国白蛾幼虫网幕图像色彩分布特征,选择RGB颜色空间,分析网幕、叶片和树枝的各通道数据的差值,采用R—B色差模型并结合最大类间方差法和阈值算法,分割网幕图像。使用Freeman编码算法和区域标记计算出每一区域的面积,使用多个面积的平均值和标准方差确定面积双阈值,进行残余噪声去除。根据面积分别对大片白色区域和细小白色区域使用改进的膨胀腐蚀法进行图像补偿。实验表明,网幕图像识别精度在85%以上,单幅图像处理时间小于40ms。     

基于计算机视觉的成熟番茄识别研究

以番茄图像为研究对象,提出一种成熟番茄识别方法。首先,以HSI模型中的色调分量为基础进行图像分割,提取出成熟番茄目标图像;然后,再采用最大方差自动取阈值法进行分割处理,对得到的目标图像进行轮廓提取;最后,对轮廓曲线采用Hough变换的方法进行识别,以同一个轮廓圆识别的多个极值点的均值作为最终识别结果,在Hough变换之前采用最小外接矩形法进行有效区域标记,提高了Hough变换的效率。通过多幅番茄果实图像的仿真测试表明:本算法对果实遮掩度为0、小于50%、大于50%这3种情况的识别率分别为78.7%、6 8.1%、4 1.9%,平均识别率达到7 0.6%。本算法对于成熟番茄可以较好识别,尤其对于存在重叠情况的番茄,识别准确率较高。     

基于机器视觉的番茄果实图像分割方法研究

为了改善番茄采摘机器视觉系统中番茄果实图像的分割效果,对基于二维直方图的阈值分割方法的理论进行了分析,针对番茄果实图像的特点将阈值点附近的区域信息引入分割算法中,提出了一种改进的基于二维直方图的Otsu阈值分割方法,改善了图像的分割效果。     

SUSAN算子和Hough变换在杨梅果实识别中的应用

研究自然场景下成熟杨梅的识别技术。根据杨梅果实的特点,在RGB模式下,选用R-G颜色特征用最大类间方差阈值分割法Otsu对图像进行分割去除复杂背景;再利用SUSAN算子不需要梯度计算的特点,自适应选取阀值进行边缘检测;然后通过Hough来实现杨梅果实的识别;最后通过实验结果验证本文方法的有效性。     

基于图像处理的果树滴水线导航路径检测方法研究

针对果园开沟施肥,提出一种基于图像处理的果树滴水线导航路径检测方法。该方法采用垂直地面向上布置的CCD相机采集果树冠层投影图像,并实现果树冠层沿地面垂直投影轮廓的识别与滴水线平滑处理,进而对无人施肥装备沿果树环状行走路径进行确定。通过相机标定获取相机内部参数和畸变参数,对原始图像进行畸变矫正;通过对图像在RGB颜色空间的分布特征进行定量分析,使用平均值法对图像灰度处理,使用定阈值法进行二值分割;二值图像中由于存在大量的空间间隙,使用形态学膨胀操作,填充间隙,以凸显树冠投影边缘轮廓;使用边界跟踪算法,提取树冠轮廓边缘;引入Beseel曲线拟合方法,对轮廓边缘进行平滑处理,通过对比二阶、三阶、四阶、五阶拟合结果,得出使用三阶和四阶Beseel拟合结果较为符合导航路径要求。将相机固定在一个位置,分别在晴天和阴天拍摄条件下采集图像,进行滴水线导航路径提取,分别使用三阶和四阶Beseel曲线拟合晴天和阴天的图像边缘轮廓,使用四阶拟合结果较为符合实际要求,平均像素误差为19.5像素,平均像素相对误差为2.6%,平均每帧图像处理速度为27 ms,能较好地满足导航精度和实时性的要求,为施肥作业平台沿滴水线自动导航提供参考。     

基于改进YOLOV4网络模型的番茄果实检测

果实识别是视觉检测技术重要的环节,其识别精度易受复杂的生长环境及果实状态的影响。以大棚环境下单个、一簇、光照、阴影、遮挡、重叠6种复杂生长状态下的番茄果实为对象,提出一种基于改进YOLOv4网络模型与迁移学习相结合的番茄果实识别方法。首先利用ImageNet数据集与VGG网络模型前端16卷积层进行模型参数预训练,将训练的模型参数初始化改进模型的权值以代替原始的初始化操作,然后使用番茄数据集在VGG19的卷积层与YOLOV4的主干网络相结合的新模型中进行训练,获得最优权重实现对复杂环境下的番茄果实进行检测。最后,将改进模型与Faster RCNN、YOLOv4-Tiny、YOLOv4网络模型进行比较。研究结果表明,改进模型在6种复杂环境下番茄果实平均检测精度值mAP达到89.07%、92.82%、92.48%、93.39%、93.20%、93.11%,在成熟、半成熟、未成熟3种不同成熟度下的F1分数值为84%、77%、85%,其识别精度优于比较模型。本文方法实现了在6种复杂环境下有效地番茄果实检测识别,为番茄果实的智能采摘提供理论基础。     

自然背景下计算机视觉技术在西红柿采摘中的应用

针对西红柿种植过程中,采摘费时费力的问题,将计算机视觉技术与图像处理和模式识别技术相结合,开发了在自然背景条件下的西红柿自动识别系统。运用双目立体视觉系统来识别红色西红柿,去除原始图像的噪声、转换图像的灰度、对新图像进行分割和目标特征提取,从背景中把西红柿分离出来;同时,针对果实间存在的重叠问题,采用圆形Hough变换算法,提取西红柿的圆心坐标和半径特征,通过获取T=Sqrt(s×l)图像,恢复被遮挡西红柿。利用该技术,采集了不同条件下的100张西红柿照片,其中99张照片被准确识别,识别率达到9 9%以上,能够较好地满足西红柿采摘工作的要求。     

基于深度残差网络的番茄叶片病害识别方法

传统深度学习模型在用于蔬菜病害图像识别时,存在由于网络梯度退化导致的识别性能下降问题。为此,本文研究了一种基于深度残差网络模型的番茄叶片病害识别方法。该方法首先利用贝叶斯优化算法自主学习网络中难以确定的超参数,降低了深度学习网络的训练难度。在此基础上,通过在传统深度神经网络中添加残差单元,解决了由于梯度爆炸/消失造成的过深层次病害识别网络模型性能下降的问题,能够实现番茄叶片图像的高维特征提取,根据该特征可进行有效病害鉴定。试验结果表明,本研究中基于超参数自学习构建的深度残差网络模型在番茄病害公开数据集上取得了良好的识别性能,对白粉病、早疫病、晚疫病和叶霉病等4种番茄叶片常见病害的识别准确率达到95%以上。本研究可为快速准确识别番茄叶片病害提供参考。     

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。     

基于机器视觉的番茄采摘器红外图谱识别研究

为了实现番茄分类自动化采摘,基于机器视觉和红外图谱技术设计了识别系统。基于可见光分析,分离番茄图像,对RGB和HSI通道强度进行分析,发现色调H可以有效区分除半熟和成熟阶段的番茄成熟度;引入红外图谱分析,采集810nm番茄图谱,发现灰度在半熟和成熟阶段区别明显。因此,建立半熟和成熟阶段区分模型,并以G、R、H、NIR强度以及4个因素标准方差为系统输入,基于色调H处理番茄图像,采用聚类算法计算番茄中心和半径。对成熟度判定与番茄半径精度进行测试,结果表明:成熟度分类准确率在94.8%以上,半径相对误差小于6%。     

番茄采摘机器人非颜色编码化目标识别算法研究

为了实现番茄采摘机器人在非结构化环境下对目标番茄的准确识别,提出了一种基于非颜色编码的番茄识别算法。通过Haar-like特征及其编码的方法,结合AdaBoost深度学习算法可以获得用于识别成熟番茄的分类器;并研究了Haar-like特征类型和AdaBoost学习训练次数对分类器性能的影响。所得强分类器对测试集中的番茄进行在线识别试验。试验结果表明,测试集中93.3%的成熟番茄能够被正确识别;同时该分类器还对光照变化、果实粘连以及枝叶遮挡等干扰具有较强的自适应性和鲁棒性,满足采摘机器人对目标识别的技术要求。