基于纹理和梯度特征的苹果伤痕与果梗/花萼在线识别

为了解决苹果果梗/花萼与伤痕在线识别的问题,利用自行设计的机器视觉检测系统在线采集苹果图像,通过自动分割合成算法将3个不同运动状态下的图像进行合成,使得合成后图像可以包含苹果的整个表面。再利用感兴趣区域提取算法提取出苹果合成图像中的果梗/花萼和伤痕部分。通过分析早期伤痕、中期伤痕和后期伤痕的纹理特征和边缘梯度特征,得出纹理特征适用于早中期伤痕与果梗/花萼的检测,而由于后期伤痕的褐变严重且多已出现凹陷,其纹理特征与果梗/花萼相似,故通过提取后期伤痕和果梗/花萼的边缘梯度特征值用于两者的区分。从SVM的建模结果来看,对于早中期伤痕,模型的总体判别正确率为97%,而后期伤痕的总体判别正确率为96%,并利用所得到的模型设计了用于果梗/花萼与伤痕区分的总体算法。最终通过80个带有不同种类伤痕的样本验证总体算法的正确率为95%,验证试验结果表明该算法可实现对果梗/花萼与伤痕的在线识别。     

基于主动热成像技术的苹果早期机械损伤检测

针对苹果早期机械损伤在普通光学图像中特征不明显,易受表皮颜色、果梗和花萼干扰,很难检测识别的特点,选取红富士苹果作为研究对象,通过主动红外热激励以及降温措施,利用红外热成像技术研究苹果表面机械损伤温度变化情况.结果表明:苹果表面早期机械损伤在热图像中的对比度受周围空气流动影响,苹果的缺陷部位与果梗、花萼的线轮廓温度曲线的波形特征存在明显差异,可以较好地排除苹果果梗和花萼的干扰,达到缺陷检测的目的.     

基于亮度校正和AdaBoost的苹果缺陷在线识别

提出了一种基于亮度校正和AdaBoost的苹果缺陷与果梗-花萼在线识别方法。以富士苹果为研究对象,首先在线采集苹果的RGB图像和NIR图像,并分割NIR图像获得苹果二值掩模;其次利用亮度校正算法对R分量图像进行亮度校正,并分割校正图像获得缺陷候选区(果梗、花萼和缺陷);然后以每个候选区域为掩模,随机提取其内部7个像素的信息分别代表所在候选区的特征,将7组特征送入AdaBoost分类器进行分类、投票,并以最终投票结果确定候选区的类别。实验结果表明,该算法检测速度为3个/s,满足分选设备的实时性要求,且总体正确识别率达95.7%。     

用计算机图像技术进行苹是坏损自动检测的研究

根据苹果光学反射特性建立了一套适于苹果坏损自动检测的计算机图像系统。鉴于坏损出现位置、大小等因素的不同可预测性,提出了一种葳知识的坏损点单调检测方法以及坏损区域判别方法。试验表明：系统有较高的坏损检出率,且能有效地消除果梗区和花萼区对坏损区域判别的影响;检测方法具有较强的鲁棒性。     

基于实例分割的番茄串视觉定位与采摘姿态估算方法

准确识别定位采摘点，根据果梗方向，确定合适的采摘姿态，是机器人实现高效、无损采摘的关键。由于番茄串的采摘背景复杂，果实颜色、形状各异，果梗姿态多样，叶子藤枝干扰等因素，降低了采摘点识别准确率和采摘成功率。针对这个问题，考虑番茄串生长特性，提出基于实例分割的番茄串视觉定位与采摘姿态估算方法。首先基于YOLACT实例分割算法的实例特征标准化和掩膜评分机制，保证番茄串和果梗感兴趣区域(Region of interest, ROI)、掩膜质量和可靠性，实现果梗粗分割；通过果梗掩膜信息和ROI位置关系匹配可采摘果梗，基于细化算法、膨胀操作和果梗形态特征实现果梗精细分割；再通过果梗深度信息填补法与深度信息融合，精确定位采摘点坐标。然后利用果梗几何特征、八邻域端点检测算法识别果梗关键点预测果梗姿态，并根据果梗姿态确定适合采摘的末端执行器姿态，引导机械臂完成采摘。研究和大量现场试验结果表明，提出的方法在复杂采摘环境中具有较高的定位精度和稳定性，对4个品种的番茄串采摘点平均识别成功率为98.07%,图像分辨率为1 280像素×720像素时算法处理速率达到21 f/s,采摘点图像坐标最大定位误差为3像素...     

基于最小外接圆法的苹果直径检测技术

水果大小是水果机器视觉自动分选的重要依据。以苹果为研究对象,提出了一种利用最小外接圆检测苹果直径的方法。苹果样本为12枚,共计144幅苹果图像,经过图像处理后,获取每个苹果的12个近似圆度,选取最小近似圆度对应的外接圆像素直径作为该苹果的像素直径。通过对8组苹果像素直径和近似圆度与实测直径进行二元拟合,得到拟合方程,其相关系数为0.988。利用此方法估测苹果直径的绝对误差在±1.8 mm以内,同时能够确定果梗-花萼轴线与摄像机的光轴接近重合的那幅图像。该方法为利用图像中的水果姿态进行检测直径提供了新的思路。     

基于圆形模型的骏枣果梗检测方法

果梗有无的判别是骏枣分级系统中的一项重要指标,针对传统的膨胀与腐蚀操作不能达到果梗识别的要求,为此提出了基于圆形模型的骏枣果梗检测方法。通过图像预处理获取二值图像;构建一圆形模型,以目标图像的形心为圆心,以等效椭圆长半轴乘1个调整系数为半径,该圆形模型可以覆盖骏枣果肉部分图像,剩下图像部分主要为果梗;由于图像可能还含有噪声,为此进行中值滤波处理,最后即可提取果梗图像部分。对120帧图像进行检测试验,结果表明:每个图像的平均处理时间小于500ms,本次试验果梗识别准确率93%,基本满足红枣分级系统精度的要求。     

一种快速判别梨果梗的方法

果梗完好与否是梨品质检测的指标之一,因而对果梗情况进行准确判别具有重要意义。为此,通过计算机视觉系统摄取梨的图像,利用图像处理技术提出了一种能快速判别梨果梗有无的算法。该算法的识别正确率达90%,识别速度大约在20～30ms,实现了对梨果梗进行高速检测的目标。     

果实采摘中果梗激光切割分析与实验

为探讨机器人果实采摘中应用激光进行果梗切断的可行性,以黄瓜果梗为对象,利用基于30 W光纤耦合半导体激光器构建的果梗切割实验平台,分别进行了激光穿透时间与果梗直径、激光束功率、离焦量、入射角的关系实验和果梗激光切割速度实验。实验发现,激光焦斑热功率密度0.75 W/mm2即可实现果梗的穿透和切割,且对果梗直径变化、焦斑定位与入射角度误差具有良好的适应性。但半导体激光器在垂直照射、零离焦量、光输出功率14.94 W条件下的最短切割时间达到23.73~28.13 s,应通过选择更高光束质量的光纤激光器等实现快速气化切割以满足实际作业的需要。     

苹果霉心病可见/近红外透射能量光谱识别方法

针对苹果霉心病从外表无法识别的难题,提出基于可见/近红外透射能量光谱进行快速无损识别的模型和方法。在200~1 100 nm波段内采集了200个苹果的透射能量光谱数据,随机选取140个样品作为训练集,剩余60个样品作为测试集。用平滑法和多元散射校正对光谱数据进行预处理。基于全光谱、连续投影算法(SPA)提取的12个特征波长、主成分分析(PCA)提取的9个主成分,分别建立了偏最小二乘判别法、误差反向传播人工神经网络和支持向量机(SVM)识别模型。实验结果说明,应用PCA-SVM建立的模型识别性能最优,该模型对测试集和训练集中霉心病果和健康果的识别正确率分别为99.3%和96.7%。基于SPA和PCA所建模型的输入变量数仅相当于基于全光谱所建模型输入变量数的0.99%和0.74%,极大降低了模型的复杂度。研究结果表明,该方法是可行的且具有较高识别准确度,为苹果在线内部品质分级和便携式苹果霉心病检测仪的研究提供了技术依据。