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。     

基于轮廓分析的双串叠贴葡萄目标识别方法

为准确定位叠贴情况下的葡萄目标,提出了一种基于轮廓分析的双串叠贴葡萄目标识别方法。首先提取最能突显夏黑葡萄的HSV颜色空间中的H分量,通过改进K-means聚类方法对葡萄图像进行分割,运用形态学去噪等处理获取葡萄图像区域,再提取该区域边缘轮廓和左右轮廓的类圆中心。然后以该中心点为原点建立基于轮廓分析的叠贴葡萄串分界线几何求解与计算模型,分别在逆时针方向45°~135°和225°~315°区域内沿葡萄轮廓搜索距离原点最近的点,进而确立两叠贴葡萄轮廓拐点及其分界线,最终实现对叠贴葡萄目标的分别提取。对从果园采集的27幅双串叠贴葡萄图像进行试验,结果显示:24幅图像中的叠贴葡萄串被正确识别和提取,成功率达88.89%,目标像素区域的识别精准度为87.63%~96.12%,算法处理时间在0.59~0.68 s之间。将算法移植到自主研制的机器人上进行视觉定位试验,结果表明所提方法可很好地用于两叠贴葡萄目标的识别与定位。     

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。     

基于颜色特征的番茄图像分割算法的研究

图像分割是实现田间番茄机器识别的关键部分。根据采摘番茄目标与背景在颜色特征上的差异性,对田间采摘番茄的图像分割算法进行了研究。通过分析比较各种方法的分割效果和所耗费的时间可知,大律分割法具有较好的分割效果,但其在实际应用过程中却存在着一定的问题。针对出现的问题,对该方法进行了相应的改进。研究表明,改进后的大律分割法能较好地处理田间采摘番茄的图像,为进一步采摘识别提供了条件。     

基于模糊聚类的农田对象分类

利用图像分析技术对农田对象进行分类,识别农田中不同植物和不同湿度土壤,为定点变量作业提供依据。首先,针对农田各类对象包含颜色信息的不同,采用不同因子实现农田图像的灰度化;然后,利用3种灰度图像对绿色植物、蓝色天空和褐色土壤的识别优势,分析比较阈值法和K均值聚类方法并实现了图像分割;最后,利用模糊聚类法对绿色植物和不同湿度的土壤进一步实现分类。实验结果表明,利用K均值聚类法对绿色植物的平均识别率可达92.5%,对不同湿度的3类土壤的平均识别率达95.6%。因此,本研究能够准确分割和识别不同类型的植物与土壤,为农田对象的识别提供了基础。     

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。     

融合多源图像信息的果实识别方法

光线变化与目标重叠是影响自然环境中果实正确识别的重要原因。为了降低两者的影响,研究了融合多源图像信息的果实识别方法。在图像配准的基础上,优选了H分量图与幅度图像作为待融合的源图像;由模糊推理系统(隶属度函数和模糊规则)决定权重,采用加权平均策略实现图像的像素级融合;根据融合图像中果实区域的分布规律,设计了一种基于直方图的首阈检测法以获得最佳的果实分割效果;利用深度图像的统计特性,设计了一种逐层分割图像的方法以解决重叠果实的分离问题。实验结果表明:多源融合图像用于果实识别与定位比单一图像具有更好的准确性与鲁棒性,对重叠果实的正确识别率在83.67%~94.22%之间。     

基于SOM-K-means算法的番茄果实识别与定位方法

为解决多个番茄重叠黏连时难以识别与定位的问题,提出一种基于RGB-D图像和K-means优化的自组织映射(Self-organizing map,SOM)神经网络相结合的番茄果实识别与定位方法.首先,利用RGB-D相机拍摄番茄图像,对图像进行预处理,获取果实的轮廓信息;其次,提取果实轮廓点的平面和深度信息,筛选后进行处...     

苹果采摘机器人目标果实快速跟踪识别方法

为了减少苹果采摘机器人采摘过程处理时间,对苹果采摘机器人目标果实的快速跟踪识别方法进行了研究。对基于R-G颜色特征的OTSU动态阈值分割方法进行首帧采集图像分割,采用图像中心原则确定要采摘的目标果实;利用所采集图像之间的信息关联性,在不断缩小图像处理区域的同时,采用经过加速优化改进的去均值归一化积相关模板匹配算法来跟踪识别后帧图像的目标果实,并进行不同阈值分割方法实现效果,不同灰度、亮度和对比度的匹配识别以及新旧方法识别时间对比试验,从而验证了所采用和设计方法的有效性;其中所设计跟踪识别方法的识别时间相比于原方法,减少36%。     

基于改进型FCM算法的牛肉大理石花纹提取方法

提出了一种基于改进型模糊C均值聚类算法的牛肉大理石花纹提取方法。该方法结合了快速模糊C均值（FCM）聚类算法,对传统FCM算法中的隶属函数、聚类数C和初始聚类中心点选取方法进行了优化。试验表明,该方法使牛肉大理石花纹提取的准确度由     

面向立木识别的有效K 均值聚类算法研究

针对林区自动对靶施药过程中,当立木生长密集时,获取的点云数据聚类准确率低、效率低的问题,提出优化后的K-均值聚类算法,数据获取方式基于2D激光扫描。针对立木点云信息聚类前需对相关数据进行滤波,提出窗口滤波算法,选取产生混合像素点的树干边缘,提取3次连续扫描的混合像素及其近邻点组成滤波窗口,进行最大阈值滤波,结果显示50次试验中仅有2个混合像素点未被滤除,混合噪声的滤除率高。在K-均值算法优化方面,针对算法需预先确定聚类数和初始聚类中心的不足,提出利用斜率变化确定聚类数的方法,试验对5个不同距离下5组立木分别进行100次测量,结果显示错误测量次数仅为3次,并可在试验前期通过人工方式去除,算法合理有效;对哈夫曼树法确定立木扫描点聚类中心的性能进行了试验分析,3种不同树干分布类型下分别运用随机抽样法和哈夫曼树法进行K-均值聚类,前者平均正确率仅为76.4%,后者则为95.5%;同时分析了Ⅰ型分布下2种算法聚类的迭代次数和耗时,5个不同距离下,随机抽样法的平均迭代次数明显高于哈夫曼树法,平均运行耗时上,哈夫曼树法则高于随机抽样法,前者变化范围为120~220 ms,后者为50~85 ms,该范围为林区测绘的可接受范围。试验证明,基于斜率变化确定聚类数和基于哈夫曼树法确定聚类中心的K-均值算法是林区立木点云聚类的有效算法,可应用于林区的立木检测。     

川中丘陵区农业水资源高效利用综合分区

基于＂水-水文循环-生态环境变化＂这一关键性农业生态系统环境要素,结合水的资源属性和水资源的高效利用内涵以及生产力水平、土地利用方式、种植结构、种植模式等几方面,选取构建川中丘陵区农业水资源高效利用综合分区指标体系（16个定量指标、4个定性指标）,采用主成分分析和模糊C-均值聚类算法为区划方法,对川中丘陵区进行量化分区...     

基于模糊多准则算法的收割机搅龙叶片机械加工研究

搅龙叶片属于复杂的曲面机械零部件,其机械加工是一个复杂多元素作用的复合过程。为了提高搅龙叶片机械加工的精度,提出了一种基于CAD和PRO/E软件的叶片加工走刀轨迹的仿真优化方法。该方法利用CAD提取搅龙叶片型面的关键点。在搅龙叶片型面数据点提取的过程中,会产生大量的加工控制点,为了对控制点进行优化筛选,提出了一种模糊多准则算法,实现了叶片的机械加工决策和优化由经验型向理论指导型的转变。在PRO/E软件中,对提取得到的关键点进行了建模,得到了叶片的型面,将型面进行合并得到了搅龙叶片的曲面实体,最后对实体进行走刀轨迹仿真,得到了搅龙叶片的机械加工精度,并将模糊多准则算法和非模糊多准则算法控制下的机械加工精度进行了对比。对比结果表明:模糊多准则算法可以有效地提高收割机搅龙叶片的机械加工精度。     

基于谱聚类算法黑龙江垦区农业机械装备水平聚类分析

针对黑龙江省垦区各农场的农业机械装备水平差异性较大及数据维数高的问题,基于谱聚类算法的聚类方法,对2013-2015年垦区东部36个农场的统计数据进行了聚类分析。结合各农场农业生产总值变化速率与平均机耕面积农机总动力变化速率之间的关系,将聚类结果定义为发达农场、中等发达农场、不发达农场3类。结果表明:聚类较为准确,符合垦区农业机械装备水平差异性较大的事实,能够反应垦区农业机械装备水平现状,可为垦区未来经济的协调发展和农业机械管理等方面提供理论依据和有效建议。     

基于模糊聚类分析的草莓图像分割方法研究

为改善草莓采摘机器视觉系统中果实图像的分割效果,对普通均值聚类的分割方法理论进行分析,针对草莓果实图像的特点将模糊-均值聚类算法引入分割算法,大大改善草莓果实图像的分割效果。     

基于加权模糊聚类的农田养分管理区划

将加权模糊聚类算法应用于管理区划分,权值的确定分别采用主成分分析法和变异系数法.在吉林省榆树市精细农业试验田获取土壤氮、磷、钾数据,应用本文提出的加权模糊聚类算法进行管理区划分,确定了试验区的管理分区数目,并与传统的模糊聚类方法进行了比较.结果表明,基于加权模糊聚类的管理分区更合理、更符合实际情况,该方法可用于指导精准施肥.     

基于模糊聚类的玉米大斑病害图像的分割技术

通过颜色空间的转换,将RGB颜色空间转化为HSI颜色空间,在色度H空间对玉米大斑病图像进行分割。应用模糊聚类分析的方法,确定了图像分割的阈值。对186幅玉米大斑病图像进行分割试验,分割的准确率为97．8％。分析表明,准确的病害图像分割可以为病害的特征值提取和病害的模式识别做好准备。     

基于核K—均值聚类算法的植物叶部病害识

针对植物叶部病害图像的特点,首先对采集到的玉米病害彩色图像采用矢量中值滤波法去除噪声,然后提取玉米病叶彩色图像的纹理特征和颜色特征作为特征向量,利用Mercer核,把输入空间的样本映射到高维特征空间进行K-均值聚类以及植物病害识别.试验涉及的4种玉米病害识别正确率达82.5%,核K-均值聚类方法适合玉米叶部病害分类.