自动采摘目标图像快速识别算法研究——基于K-means聚类算法

介绍了K-means聚类算法的工作原理,研究了基于图像处理和K-means聚类算法的目标物体快速识别,设计了一套自动采摘目标图像快速识别算法,可以准确实现对苹果的快速精确识别,未来还可以扩展对其他水果的识别。实验结果表明:当采摘机器人的机械臂移动速度较高,能够准确对目标物体进行快速识别,证明了目标图像快速识别算法性能优良,具有较高的有效性和可行性。     

基于改进凸壳理论的遮挡油茶果定位检测算法

针对传统凸壳理论进行遮挡果实定位检测时由于过多剔除有效轮廓,造成目标果实定位误差较大,甚至无法识别目标果实的问题,提出了一种基于改进凸壳理论的遮挡油茶果定位检测算法。首先利用基于颜色特征的阈值分割法对油茶果遮挡图像进行目标分割,并通过预处理操作剔除图像中的背景噪声,获得目标果实的二值图像;然后采用凹点搜寻算法检测重叠目标的凹点,并根据凹点对重叠目标进行分离,获得相互独立的目标图像;再构建各独立目标的凸包,并提取凸壳,利用轮廓提取算法确定各独立目标凸壳上的有效轮廓;最后根据提取的有效轮廓求解目标果实形心坐标和半径,完成遮挡果实的定位检测。试验结果表明,改进算法平均耗时为0.491 s,比传统凸壳方法增加了24.07%,但其仅占油茶果采摘机器人单个果实采摘周期的2.46%,对于图像中的遮挡油茶果目标,改进方法的识别率达到93.21%,相比传统凸壳方法提升了7.47个百分点,改进算法的平均定位检测误差和平均重合度分别为5.53%和93.43%,比传统凸壳算法平均定位误差降低了6.22个百分点,平均重合度提高了6.79个百分点,表明文中所提出的方法能够较好地识别和定位自然环境中的遮挡油茶果。     

基于K-means聚类算法分类的水果等级识别与应用

首先介绍了K-means算法的思想和原理,然后对水果分类模型图像的获取和预处理进行分析研究,最后实现了K-means聚类和BP神经网络相结合的水果等级分类识别模型。试验结果表明:采用K-means聚类和BP神经网络相结合的方法,大大提高了水果分类识别的准确率,并使得识别时间大大缩短,具有一定的现实意义。     

基于K-means聚类算法的草莓灌溉策略研究

为进一步提高日光温室封闭式栽培下草莓灌溉水肥利用率,研究了基质含水率和温度影响下的草莓灌溉策略优化方法。采用土壤水分传感器对草莓果期基质含水率进行实时监测,通过对基质含水率随时间变化的规律分析,并结合日平均温度进行K-means聚类分析,提出一种草莓优化灌溉策略。试验结果表明,灌溉第1阶段基质含水率快速上升,在灌溉结束时达到峰值,每次灌溉基质含水率平均提高21.5个百分点;第2阶段快速下降,在20 min内基质含水率平均下降3.5个百分点;第3阶段变化趋于平稳,在30 min内基质含水率平均下降1.2个百分点。在每个灌溉周期内,含水率呈线性下降趋势,在整个果期内,其斜率随日平均温度的升高逐渐增加,由0.0114增加至0.0365。研究结果表明,根据基质含水率变化和日平均温度区间进行定量灌溉,理论上果期每株草莓仅需要4.51 L水,可节水15.4%,该方法能有效提高水肥利用率,实现节水节肥。     

基于K-means聚类的猕猴桃花朵识别方法

针对猕猴桃授粉机器人的研究,由于缺少猕猴桃花朵识别方法,现有授粉机器人自动化程度低。为此,提出基于K-means聚类的猕猴桃花朵识别方法。首先,原图像通过K-means聚类分割,得到包含花蕊图像在内的4个类别图像;然后,由经过训练的卷积神经网络对这4个类别图像进行分类,自动选出花蕊图像;再通过形态学运算对花蕊图像进行去噪,计算余下各个区域形心,找到各花朵在图像中位置并标出,最终完成猕猴桃花朵识别。该算法识别成功率为92.5%,满足现有授粉机器人要求,利于提高其自动化程度。     

基于K-means聚类和RF算法的葡萄霜霉病检测分级方法

针对自然环境复杂背景下葡萄霜霉病检测分级困难的问题,提出了一种基于语义分割结合K-means聚类和随机森林算法的葡萄霜霉病检测分级方法,实现对葡萄霜霉病快速分级。构建了葡萄霜霉病数据集,采用HRNet v2+OCR网络建立葡萄叶片语义分割模型,提取复杂环境下葡萄叶片;采用K-means聚类算法将葡萄叶片分解为若干子区域图像,并标记少量数据集进行随机森林算法学习,实现葡萄叶片病斑分割与提取;同时在叶片提取和病斑提取过程中,设计一种像素尺寸变换方法,解决图像分辨率引起的精度低问题。基于HRNet v2+OCR网络的葡萄叶片分割模型的准确率为98.45%,平均交并比为97.23%;融合K-means聚类和随机森林(RF)算法的葡萄叶片正面、反面和正反面霜霉病病害分级准确率分别为52.59%、73.08%和63.32%,病害等级误差小于等于2级时的病害分级准确率分别为88.67%、96.97%和92.98%。研究结果表明,基于K-means聚类和随机森林算法的葡萄霜霉病检测分级方法能够准确地分割自然环境复杂背景下的葡萄叶片和葡萄霜霉病病斑,并实现葡萄霜霉病分级,为葡萄霜霉病精准防治提供了方法和...     

基于CUDA的并行K-means聚类图像分割算法优化

为提高K-means聚类算法的运算速度,基于CUDA架构提出一种分块、并行的K-means算法,并采用合并访问、多级规约求和、负载均衡和指令优化等策略优化并行算法。实验结果表明,并行K-means算法的分割效果与串行K-means算法相同,但运行速度得到了极大的提高,加速比最高达到560,很好地解决了农业工程实际中由于分割算法带来的瓶颈问题,能够极大地提高农业劳动生产率。     

基于K-means聚类的微细通道纳米流体气液两相流流型识别

为快速识别流型的类型,提出微细通道纳米流体气液两相流流型K-means聚类识别的方法,该方法采用高速摄像机获取微细通道内气液两相流的流型图像,利用灰度流型图像的直方图获得峰值并且该峰值作为K-means聚类的初始中心点,结合不变矩原理和欧氏距离进行相似度流型图像的识别。由查准率-查全率评估体系和5 500幅流型图像识别实验的执行耗时分析结果表明:采用K-means聚类对微细通道纳米流体气液两相流流型进行识别的整体识别率达到97.8%,其中弹状和泡状识别率为100%。该方法为微细通道纳米流体两相流的在线识别流型提供了一种新途径。     

农业机器人采摘目标识别技术研究——基于FCM模糊聚类算法

介绍了FCM (Fuzzy C-Means)模糊聚类算法的原理，采用权重分配的方法对该算法进行了改进，通过建立模糊的相似矩阵，对目标对象的特征聚类图进行分析，并引入隶属度矩阵对FCM算法进行优化，以加快算法的迭代速度。实验结果表明：农业机器人采用该方法对农作物轮廓分割识别度较高，算法计算效率较快，验证了其可靠性，该方法可用于目标农作物的分割和目标识别。