自然环境下苹果作业机器人双果重叠目标侦测方法

为进一步提升苹果的侦测精度,从而提高苹果作业机器人的果实作业效率,以果园重叠苹果为对象,研究了自然环境下双果重叠目标的机器侦测方法。首先将采集到的苹果图像在Lab色彩空间中利用K-means聚类算法提取重叠苹果目标区域;其次在得到重叠苹果边界上的Harris角点后,通过关键角点检测算法定位苹果重叠部分的果实轮廓所在区域,并利用Canny边缘检测算子提取出苹果重叠部分的果实轮廓;然后利用Y型节点搜索算法实现重叠苹果目标的单果轮廓分离,并得到未遮挡果实的完整轮廓;最终利用距离最小二乘算法对被遮挡苹果目标进行果实轮廓重建。为验证方法的有效性,将Hough变换法、Spline样条内插法的重叠果实侦测结果与本文方法所得结果进行对比。试验结果显示,本文方法不仅可以侦测出未遮挡果实的完整轮廓,同时对被遮挡苹果目标也有较好的轮廓重建效果,其果实平均重合度和定位误差分别为95.43%和4.44%,侦测性能明显优于前两种方法,表明本文方法可以较好实现自然环境下苹果双果重叠目标的侦测,该结果为苹果作业机器人多果重叠目标的自动化侦测提供参考。     

Lab色彩模型下梯度Hough圆变换的成熟草莓识别

自然生长状态下的草莓,果实密集,形状多变,枝叶遮挡率较高,使用机器采摘对成熟草莓的图像识别具有一定的难度。针对这个问题,提出了Lab色彩模型下采用梯度Hough圆变换的成熟草莓识别方法。以自然生长状态下的草莓图像为研究对象,在Lab色彩模型空间里对图像分割及阈值化并采用梯度Hough圆变换等方法,识别成熟草莓并计算出草莓中心。试验结果表明,对随机选取的100张草莓图片,该方法识别成熟草莓的相对偏差为1.07%,对枝叶遮挡、成熟草莓相互遮挡等情况,具有较好的识别效果。与传统的Hough变换相比,这一方法节省了运行内存,提高了时间效率,能够满足机器采摘对成熟草莓识别率与定位的要求。     

枝条遮挡下单个苹果目标识别与重建的研究

【目的】研究枝条遮挡情况下单个苹果目标的识别,为复杂生长环境下苹果目标的准确识别与定位及实现自动采摘提供支持。【方法】针对果实目标受枝条遮挡影响被分割成几个部分,从而严重影响果实目标准确识别的现状,以枝条遮挡下的苹果目标为研究对象,选用基于Lab颜色空间的Kmeans聚类算法对苹果目标进行分割,再通过数学形态学方法对目标苹果轮廓进行提取,然后根据最小外接矩形法去除目标苹果的伪轮廓,最后利用轮廓的曲率特征对目标苹果进行重建,并对分割与重建结果进行了方法验证。【结果】利用基于Lab颜色空间下的Kmeans聚类算法和最小外接矩形法可有效提取出苹果目标的真实轮廓,能够与苹果目标边缘线达到高度重合,同时可获得较准确的重建结果。对10幅枝条遮挡果实目标的识别、定位与重建的验证结果表明,该方法对目标苹果进行分割与重建的平均分割误差为13.83%,平均重叠系数为88.08%,假阳性率和假阴性率分别为1.22%和11.92%,目标苹果重建准确率均在84.00%以上,平均重建时间为24.40 s。【结论】应用本研究中的方法可对枝条遮挡下的苹果目标进行准确识别、定位与重建,有效缩短重建时间。     

枝条遮挡下单个苹果目标识别与重建方法的研究

【目的】研究枝条遮挡情况下单个苹果目标的识别,为复杂生长环境下苹果目标的准确识别与定位及实现自动采摘提供支持。【方法】针对果实目标受枝条遮挡影响被分割成几个部分,从而严重影响果实目标准确识别的现状,以枝条遮挡下的苹果目标为研究对象,选用基于Lab颜色空间的K-means聚类算法对苹果目标进行分割,再通过数学形态学方法对目标苹果轮廓进行提取,然后根据最小外接矩形法去除目标苹果的伪轮廓,最后利用轮廓的曲率特征对目标苹果进行重建,并对分割与重建结果进行了方法验证。【结果】利用基于Lab颜色空间下的K-means聚类算法和最小外接矩形法可有效提取出苹果目标的真实轮廓,能够与苹果目标边缘线达到高度重合,同时可获得较准确的重建结果。对10幅枝条遮挡果实目标的识别、定位与重建的验证结果表明,该方法对目标苹果进行分割与重建的平均分割误差为13.83%,平均重叠系数为88.08%,假阳性率和假阴性率分别为1.22%和11.92%,目标苹果重建准确率均在84.00%以上,平均重建时间为24.40s。【结论】应用本研究中的方法可对枝条遮挡下的苹果目标进行准确识别、定位与重建,有效缩短重建时间。     

自然光照条件下苹果识别方法对比研究

针对自然光照条件下果园苹果识别效果不佳的问题,从苹果的颜色分割和形状提取2方面进行对比研究,提出一种自然光照条件下的苹果识别方法。利用错检率、漏检率和处理速度3个量化指标综合对比分析颜色阈值、SVM和BPNN 3种苹果颜色分割方法的处理效果。比较6种边缘检测算法对苹果区域图像的边缘检测效果,并使用Hough圆检测算法对苹果形状进行提取,以获得苹果的圆心和半径。试验结果表明:由BPNN的苹果颜色分割方法以及结合Log和Hough的苹果形状提取方法所构建的果实识别算法具有较高的鲁棒性和准确性,能有效克服果实遮挡、重叠和颜色变异等问题,果实平均识别率可达91.6%。     

自然环境下苹果彩色图像分割研究

[目的]获得自然环境下较好分割苹果图像的方法。[方法]选取苹果被遮挡（主要是叶子）、相互重叠的情况作为试验图片,采用欧几里得距离对彩色图像进行预处理,在预处理中,利用边界盒的相似性准则,提高了处理速度;对预处理的结果进行黑白（苹果和非苹果）编码,产生一副二值分割图像;最后采用数学形态学对二值化图像进行处理。[结果]有效的去除了复杂背景、目标物被遮挡、相互重叠等存在的图像噪声,去噪效果良好。[结论]算法对成熟苹果具有很好的分割效果,但不适合未成熟苹果的分割。     

基于形态学梯度的细胞图像自动分割

提出一种自动分割细胞图像的方法,利用数学形态学梯度运算对图像边缘进行锐化。再利用判别分析法自动确定梯度图像阈值,经后处理,可得单像素宽度细胞图像边缘。该边缘可描述医学图像中细胞的有效区域,实现细胞图像自动分割。为验证该方法的有效性,对30幅实际细胞图像进行分割试验。结果表明,该方法对细胞图像分割有较好的适应能力。     

果园环境下苹果侦测与定位方法研究现状与展望

随着信息技术的快速发展,果园管理逐步走向数字化、机械化和智能化。果园环境下苹果的精确侦测与定位成为实现果实作业自动化的关键。总结了苹果侦测中的视觉数据获取方法、图像预处理方法和果实图像分割方法,分析了苹果侦测中遮挡和重叠问题的处理方法,归纳了目标果实定位的主要方法和原理,探讨了苹果侦测与定位研究中存在的挑战,并对未来发展趋势进行了展望,以期为进一步开展果园信息化研究提供参考。     

基于计算机视觉的自然光照条件下成熟石榴的识别

研究自然光照条件下成熟石榴识别;利用同态滤波进行图像增强,将图像从RGB空间转换到HSI空间,并将色调和饱和度融合,有效去除暗背景和灰背景,利用区域面积并结合形态学特征去噪实现区域分割,最后利用优化后的Hough变换提取形心和半径,恢复遮挡果形;基于VC++6.0开发图像处理程序,能够实现对成熟石榴的识别;识别率为85%以上,为下一步对目标正确定位,实现水果采摘自动化收获打下基础.     

基于WT-Otsu算法的植物病害叶片图像分割方法

植物病害叶片图像分割是植物病害识别和植物分类的基础。为了解决作物病斑叶片的分割效率和实时性,在小波变换(wavelet transform)和Otsu法的基础上,提出一种基于WT-Otsu算法的植物病害叶片图像分割方法。首先,利用二维小波变换提取作物病斑图像的边缘点;其次,利用Otsu法在这些边缘点搜索最佳分割阈值;最后,利用该阈值分割图像。利用该方法在真实辣椒病害叶片图像上进行了分割试验,结果表明,该方法对病害叶片图像分割有效可行。     

基于梯度幅度和Hough 变换的林木根系GPR 目标检测

探地雷达图像中识别林木根系的重要依据是双曲线回波特征。通过分析精确检测到的林木根系探地雷达图 像中的双曲线,提出了目标曲线检测的改进方法。该方法包括2 个方面的内容:1)基于探地雷达图像具有子波频 率信息的特殊性,提出了一种基于梯度幅度的感兴趣区域(ROI)提取方法,为了使梯度幅度图中双曲线特征更为突 出,对普通梯度法进行了微分取值方式的优化,实现了双曲线的快速提取;2)对提取出来的ROI 进行Hough 变换以 检测双曲线,通过位置信息与幅度信息综合投票提高原始Hough 变换的精确度,去除背景杂波等虚假目标,从而实 现目标双曲线的精确提取。      

机器视觉对农田中定位基准线的识别

针对机器视觉对作物行定位困难问题,给出一种基于Hough变换的作物行视觉定位方法。根据农田作物行图像的信息特点,运用2G-R-B灰度变换加大图像类间距离,采用最大类间方差法(OTSU)分割作物行与背景图像,采用5像素×1像素结构元素图像膨胀法对作物行形态进行修正并缩小或消除作物行和背景中的孔洞,采用中间线检测准定位基准线图像处理方法提取代表作物行走向的准定位基准线,采用Hough变换得到真正的定位基准线及其参数。采用400像素×300像素的白菜作物行图像进行实验,经本方法进行图像处理后,得到每条作物行单一的最能反映作物行走向的准定位基准线,再经Hough变换得到清晰、准确的定位基准线。所得到的定位基准线很好地代表了作物行走向,表明本方法能够得到较好的定位效果。     

基于二维阈值向量的木材表面缺陷分割方法

根据木材表面缺陷图像的自身特点,提出了基于灰度—梯度二维阈值向量的缺陷区域分割方法。该方法以灰度—梯度共生矩阵为模型,通过计算基于灰度—梯度共生矩阵的二维熵并使边缘区域的熵最大化来选择二维阈值向量。该方法不仅利用了图像的灰度信息,也利用了图像的梯度信息。采用形态学运算对分割后的二值图像进行分割后处理,试验表明,分割效果良好。     

基于清晰度的茶叶嫩芽聚类分割方法

针对自然环境下茶叶嫩芽图像分割易出现过分割和欠分割等问题,提出一种基于清晰度评价和颜色聚类级联的嫩芽图像分割方法,并结合Tenengrad梯度评价和滑动分割获取清晰度较高的图像区域,然后在RGB、HSV、Lab、YCbCr颜色模型下进行聚类分割。结果表明,选取Tenengrad梯度值的上四分位数作为清晰度初选阈值,漏选率为25%;在HSV颜色模型下,利用K-means聚类方法完成嫩芽图像分割,晴天和阴天环境下嫩芽图像分割精度分别为72.48%和77.83%,较直接K-means分割方法相比,假阳性率分别减少5.19%和2.03%。该方法能够实现自然环境下茶叶嫩芽图像的有效分割,减少欠分割和过分割,为茶叶智能采摘提供理论参考。     

改进的模糊C均值聚类算法和霍夫变换在榛子仁缺陷检测中的应用

以榛子仁为检测样本,采用模糊C均值聚类(FCM)算法进行图像分割;利用飞蛾扑火(MFO)算法改进其目标函数;利用函数对个体样本边缘提取,标记边缘拐点位置,计算拐点个数;对边缘图像进行霍夫(Hough)变换的椭圆曲线拟合,标记并输出饱满籽粒个数;依据试验数据,分析应用改进的模糊C均值聚类算法和霍夫变换对榛子仁缺陷检测的效果.结果表明:改进的模糊C均值聚类算法和霍夫变换,可以准确有效地对饱满、干瘪、霉斑、虫蛀、腐烂的5种榛子仁中的缺陷籽粒进行识别检测,提高榛子仁加工过程中的分拣效率.     

复杂背景下油茶果采收机重叠果实定位方法研究

油茶果机械化振动采摘技术关键在于振动点选取,判断振动点选取取决于果实生长密度测算和分布估计.然而自然环境下重叠果实的识别对判定结果有较大的影响,因此提出一种基于凸壳识别的分割边界优化方法,提升重叠油茶果识别与分割准确度.该方法先将原始图像转换颜色空间,经过阈值分割和形态学处理获得重叠果实的凹区域,然后在此基础上通过Harris角点检测得到区域的特征点集,利用主成分分析(PCA)和欧式距离方法分析特征点距离关系得到分割路径,最后采用最小二乘法对分割后的目标区域进行拟合重建得到果实轮廓.对比重建的果实轮廓与真实分布图像,该方法的平均定位误差为8.6％,比Hough方法低5.1％;平均耗时为0.52 s,比Hough方法低0.12 s.结果 表明,提出的方法可以有效解决重叠油茶果实识别与分割问题,为采摘装置的振动点选择奠定基础.     

基于改进型BP神经网络的重叠叶片边缘重建

为有效解决重叠叶片目标边缘修复难的问题,提出一种基于L-M算法的改进型BP神经网络对叶片重叠部分边缘进行预测重建的方法。首先使用数学形态学方法去除叶片的叶柄部分,采用链码差算法精确提取角点,用相关分割准则分割重叠目标;得到目标区域边界点到图像质心的距离和角度,然后利用基于L-M算法的改进型BP神经网络,通过角度预测遮挡重叠部分图像质心到边缘点的距离。最后将预测的距离值转换到图像坐标,得到重建的边缘。通过实验,该方法在保证叶片基本形状下,重建边缘后叶片面积误差可在10%以下,边缘预测效果较好,实验表明该方法可行有效。该方法可以更加方便快捷的测定重叠叶片面积,对重叠叶片边缘重建具有一定的现实意义。     

自然环境下基于Lab空间的成熟苹果图像分割

为了提高自然环境下成熟苹果图像的分割质量,通过对自然环境成熟苹果颜色特征的分析,提出一种在Lab颜色空间的苹果图像分割算法。首先对图像进行均值滤波预处理以消除噪声的影响,然后把图像从RGB空间转换到Lab空间并提取a分量,最后进行K-means分割。结果表明,基于Lab空间中a分量的K-means分割能有效地把苹果从图像中提取出来。     

基于广义Hough聚类的粘连猪头尾识别

为了通过形状特征对群养猪进行个体分析,首先必须获得每个猪个体的完整轮廓和主要特征部位。提出了基于距离变换的粘连猪体分割和基于广义Hough聚类的头部和尾部的识别方法。首先利用形状因子判定出图像中粘连猪体,然后对粘连猪体利用距离变换进行外轮廓逐层剥离,确定分离点和分割线,最后利用椭圆拟合对分割后的猪体轮廓进行局部修复,分割过程中轮廓失真较小,能准确地实现粘连猪体的分割。在分割的基础上根据猪体身长来截取头部和尾部的轮廓,根据猪体头尾形状的差异性,采用广义Hough聚类的方法识别头部和尾部,识别的平均正确率为87.28%。     

结合深度学习和引导滤波的苹果叶片图像分割

针对传统方法对苹果叶片进行图像分割和测量几何形状参数精确度较低的问题,结合基于深度学习和引导滤波技术提出一种新的苹果叶片图像自动分割算法。首先采用深度学习方法,使用BiseNet卷积神经网络对苹果叶片图像进行自动分割,得到苹果叶片主体轮廓;然后使用彩色苹果叶片图像作为引导图像对主体轮廓进行引导滤波处理,以增强边缘锯齿等细节特征信息;最后将主体轮廓与细节特征信息进行联合分割,得到完整、准确的苹果叶片信息。对包含174种8 184张苹果叶片图像数据集进行试验,结果表明苹果叶片分割的精确率达到98.99%,交并比98.82%。利用本研究算法能够真正实现准确、快速测量苹果叶片的面积、周长等参数值,为苹果叶片几何参数的测定提供了一种新的测量方法。