基于超像素特征的苹果采摘机器人果实分割方法

针对苹果采摘机器人在自然环境下对着色不均匀果实的识别分割问题,提出了基于超像素特征的苹果采摘机器人果实分割方法。首先,采用简单线性迭代聚类算法将图像分割成内部像素颜色较为一致的若干超像素单元;然后,提取每个超像素的纹理和颜色特征,并采用支持向量机将超像素分为果实和背景两个类别;最后,根据超像素之间的邻接关系对分类结果进行进一步修正。实验表明,该方法能够对大部分超像素单元进行正确分类,平均每幅图像被错误分类的超像素约为2.28个。与采用像素级特征的色差法和采用邻域像素特征的果实分割方法相比,采用超像素特征的果实分割方法具有更好的分割效果。在进行邻接关系修正前,该方法图像分割准确率达0.9214,召回率达0.8565,平均识别分割一幅图像耗时0.6087s,基本满足实时性需求。     

农田蛾类图像分割方法研究

介绍了已有的农田蛾类昆虫检测装置和相关研究技术.在已有技术的基础上,介绍了图像的预处理和杂质点的消除方法.在对提取的图像进行分割时,首先介绍使用Otsu方法来对图像进行分割,接着采用sobel算子提取蛾类对象的边缘,以边缘像素为种子点,使用区域生长来对蛾类图像进行分割.通过比较这两种分割方法可知,使用区域生长方法对蛾类图像分割的效果较好.     

自然场景下苹果图像FSLIC超像素分割方法

应用Cauchy-Schwarz不等式,推导出一个聚类搜索过程中剥离不必要计算的条件,早期预估后舍掉符合预设条件的候选聚类,提出了基于自然场景的快速简单线性迭代聚类算法(FSLIC算法)。对包含极端恶劣条件下的500幅苹果图像进行了边界召回率检验和运行速度测试;统计了极端恶劣条件下的30幅苹果图像的全局错误率GCE、假阳性率FPR和假阴性率FNR。试验表明,提出的FSLIC算法减小了后续迭代过程中的冗余误差,边界召回率较GB超像素分割算法平均提高了21.7%,速度是GB超像素分割算法的1.83倍;整个图像分割过程中基于超像素的分割算法(GB、FSLIC)的GCE值较常规分割算法(BP、WT、SVM)平均减小了13%,较常规算法的GCE值减小了19%。     

基于PCA和高斯混合模型的小麦病害彩色图像分割

为了提高高斯混合模型对小麦病叶的分割精度,减少分割时间,提出了一种基于PCA和高斯混合模型的分割方法。首先充分利用图像的颜色信息,将图像多个颜色通道进行主成分分析计算,获得3个主要颜色通道;在此基础上,将图像分成多个分块,根据其像素平均值排序,各取前后多个分块组成新的像素集合进行高斯混合模型运算;最后遍历整个图像,将每个像素归类到已求出的高斯模型上得出分割结果。通过对小麦锈病图像的分割试验表明,该方法的错分像素率分别比高斯混合模型、K-means等传统分割方法低5.46和13.44个百分点。     

一种适用于多种环境的超像素分割方法

对于多种环境下的图像分割,传统的超像素分割方法容易造成边界分割不精确、处理速度低等问题。为了保持超像素的边缘贴合度,对简单线性迭代聚类算法(simple linear iterative clustering,SLIC)提出改进:融合边缘梯度信息来计算惩罚函数,并在聚类时添加限制条件,最后利用相似度准则,合并孤立点,获得超像素。通过对多种环境图像的实验,验证了改进算法的高实时性和准确性。     

基于机器视觉的田间小麦开花期判定方法

针对大量小麦育种材料花期难以精准、快速检测的问题,提出了一种基于综合颜色特征和超像素分割算法的小麦开花期判定方法.首先,根据光照强度及图像清晰度对综合颜色特征的过红颜色分量、HSV颜色空间的S分量和红绿归一化颜色分量自适应调节,增强小花和小穗的差异性.其次,基于中心距离函数和灰度变化函数改进超像素分割算法的聚类规则,获...     

基于深度学习的烟草垄行分割模型

基于图像金字塔的分割算法存在分割边界不明显、区域较窄的人工结构图象分割不足、不能确定具体类别的问题,若图像中包含着其他的背景信息,此种算法就不能很好地进行分割。基于卷积神经网络搭建烟草垄行的语义分割,可更好地区分背景,此垄行语义分割的卷积神经网络模型使用了宽度卷积来压缩各卷积层的可训练参数,类间平衡技术训练,并使用PReLU激活函数为宽度卷积提供非线性输出。此模型相对于Segnet模型处理测试集图像平均每幅耗时降低46.9%,像素准确率提高28.6%。     

基于卷积神经网络的生菜多光谱图像分割与配准

针对多光谱图像中由于多镜头多光谱相机各通道之间存在的偏差以及传统分割方法的不适用,图像分析处理过程往往会出现无法自动化分割或分割精度较低的问题,提出采用基于相位相关算法和基于UNet的语义分割模型对田间生菜多光谱图像进行各个通道的精确配准并实现前景分割。使用Canny算法对多光谱各通道图像进行边缘提取,进而使用相位相关算法对多光谱各通道图像进行配准,单幅图像平均处理时间0.92s,配准精度达到99%,满足后续图像分割所需精度;以VGG16作为主干特征提取网络,直接采用两倍上采样,使最终输出图像和输入图像高宽相等,构建优化的UNet模型。实验结果表明：本文所提出的图像配准和图像分割网络,分割像素准确率达到99.19%,平均IoU可以达到94.98%,能够很好地对生菜多光谱图像进行前景分割,可以为后续研究作物精准表型的光谱分析提供参考。     

基于颜色特征的水稻秧苗图像分割

本文针对水稻稻田图像中秧苗和背景分割问题,采用基于最大类间方差法(OTSU法)的分割方法,成功地把水稻秧苗像素和背景像素分割开.首先用CCD相机获取水稻插秧机插秧作业后的水稻稻田图像,选择超绿颜色因子将水稻秧苗RGB彩色图像转化为灰度图像,使用OTSU法计算阈值,成功地将灰度图像转变为二值图像.又采用该方法分割了20幅水稻秧苗图像,结果表明,超绿颜色因子可以对水稻秧苗图像有效分割.     

高精度视觉感应技术在水肥一体机中的应用

以农田水肥智能化管理为研究对象,构建了一种高精度视觉感应式水肥一体机。采用高精度视觉感应技术获取作物生长状态参数图像,基于超像素图像分割技术,对复杂的作物生长状态图像特征向量进行提取,采用模糊聚类算法对图像进行分割处理,根据目标图像的像素值统计结果进行生长状态预测,并结合环境参数信息,构建灌溉过程土壤电导率EC和pH预测模型。测试结果表明：水肥一体机控制系统能够有效预测作物对水肥需求,提高了灌溉过程混肥精度,可节约灌溉用水量、提升生产效率、降低人工成本。     

基于自适应导航参数的智能车辆视觉导航

为提高导航路径识别的鲁棒性和实时性,采用了分区阈值二值化、噪声点搜索及滤波等图像处理方法,并对导航路径进行分区逐段识别;在路径跟踪方面,在获取的导航路径图像中选取远端路径和近端路径,以远端路径和近端路径的方位偏差量作为确定目标路径的依据,使提取的导航参数能适应导航路径的变化。根据四轮智能车辆模型进行路径跟踪仿真计算。在此基础上,采用两块数字信号处理器,对基于路径导航的视觉智能车辆进行了设计和试验验证。试验结果表明采用该方法设计的智能车辆具有较好的路径识别和跟踪控制效果。     

基于U-Net网络的果园视觉导航路径识别方法

针对视觉导航系统在果园环境中面临的图像背景复杂、干扰因素多等问题,提出了一种基于U-Net网络的果园视觉导航路径识别方法。使用Labelme对采集图像中的道路信息进行标注,制作果园数据集;基于U-Net语义分割算法在数据增强的基础上对全卷积神经网络进行训练,得到道路分割模型;根据生成的道路分割掩码进行导航信息提取,生成路径拟合中点;基于样条曲线拟合原理对拟合中点进行多段三次B样条曲线拟合,完成导航路径的识别;最后进行了实验验证。结果表明,临界阈值为0.4时,语义分割模型在弱光、普通光以及强光照条件下的分割交并比分别为89.52%、86.45%、86.16%,能够平稳实现果园道路像素级分割;边缘信息提取与路径识别方法可适应不同视角下的道路掩码形状,得到较为平顺的导航路径;在不同光照和视角条件下,平均像素误差为9.5像素,平均距离误差为0.044 m,已知所在果园道路宽度约为3.1 m,平均距离误差占比为1.4%;果园履带底盘正常行驶速度一般在0～1.4 m/s之间,单幅图像平均处理时间为0.154 s。在当前果园环境和硬件配置下,本研究可为视觉导航任务提供有效参考。     

基于机器视觉的林间导航路径生成算法

提出了一种基于机器视觉的、适用于林间行走机器人导航的路径生成算法,即采用扫描图像获得视野两边的树干底部与地面的交界点,计算得到交点中心的一系列离散点簇,通过最小二乘法拟合该中点生成导航直线的算法.Matlab仿真结果表明:该算法可有效地处理多种林间复杂环境,符合人眼视觉所识别的导航线,在图像批量处理时具有较高的可靠性和稳定性.     

温室环境视觉导航路径的识别

为实现视觉导航的精确性和鲁棒性,研究了温室复杂环境机器人视觉导航路径的识别方法。以温室内西红柿苗垄为研究对象,在地膜、光线和阴影等复杂环境对植物识别的影响下,用Lab色彩空间将绿色植物从背景中分离出来;用基于权重因子的阈值分割算法代替常用的阈值分割算法;用改进的Hough变换的导航线提取方法处理有杂草干扰的作物垄。试验证明,该方法对复杂温室环境下作物垄导航线的提取有较好的适应性,而且算法简单,能够满足实时性的要求。     

基于骨架关键点重规划的Voronoi图法路径规划

针对目前的Voronoi路径规划算法生成的Voronoi图弯曲冗余,依据Voronoi地图规划路径实时性差,规划出的路径弯曲,机器人导航时转折次数多、时间成本高、效率低等问题,提出一种基于骨架关键点重规划的Voronoi图法路径规划算法。首先对机器人构建的二维栅格地图进行预处理,去掉地图中的噪点和毛边,填充边界上细微的裂缝,然后提取地图的骨架,搜索出骨架中的关键点,将关键点按原来的相邻点连接关系重新连接,生成新的笔直的骨架,并采用降梯度采样方法平滑依据骨架规划出的路径。在经过多次仿真实验和实际实验验证后,证明本文算法生成的骨架比目前的Voronoi图和骨架更加简洁,数据量更小,机器人基于优化后的Voronoi地图能够更加快速规划出笔直的路径,具有良好的实时性,规划出的路径更短,转折次数更少,机器人导航过程中能够迅速到达目标点,导航效率高。     

基于相机与激光雷达融合的温室机器人行间导航方法

针对温室颠簸不平、枝叶遮挡道路的复杂环境,开展基于相机与激光雷达数据融合的机器人行间导航方法研究。首先,利用改进的U-Net模型实现图像道路区域的准确快速分割;其次,通过融合图像分割结果进行地面点云预分割,减少地面起伏造成的点云倾斜;然后,采用改进的KMeans算法实现作物行点云快速聚类,并将聚类中心作为作物行主干区域点,降低枝叶遮挡对作物行中线提取的影响;最后,采用RANSAC算法拟合两侧作物行方程并计算出导航线。通过实验评估导航线精度,在测试集中94%以上数据帧可以准确实现提取导航线,平均角度误差不高于1.45°,满足温室机器人沿作物行自主导航行驶要求。     

基于改进Floodfill算法的田垄视觉导航系统

探索在环境多变的田垄中进行视觉导航的方法,针对传统田垄视觉导航方法计算量大且导航效果较一般的问题,为林果作业机器人自主作业能力提供基础,本文提出一种基于机器视觉的田垄导航方法:使用改进的Floodfill算法分割路径信息,通过十字法进行路况分类,进而采用与路况相对应的算法进行导航计算。使用多张路径图片和模拟环境对算法的分割性能和导航能力进行测试,在试验测试中,道路偏移值保持在6 cm内。试验表明,改进Floodfill算法与分类导航法结合的视觉导航方法具有可行性,可为低算力田垄视觉导航方法的探索提供新的方法和思路。     

图像处理在猕猴桃采摘机器人路径规划中的应用

为了实现猕猴桃采摘自动化,设计了采摘机器人导航行走系统。该系统基于图像处理,以种植垄和杂草空地分界线作为导航轨迹,主要包括以下内容:①图像处理,采用HSV系统中色调H分量,实现图像灰度处理,采用同态滤波和阈值分割,实现图像二值化,最终找到导航轨迹离散点;②对离散导航像素进行拟合,并将图像中导航方程转化到实际空间坐标系中,得到实际导航方程;③对系统导航精度和抗光照干扰性能测试,表明系统能有效抑制光强变化带来的影响。系统结构简单,性能可靠,适宜大范围推广。     

基于DeepLab v3+的葡萄叶片分割算法

为解决自然光照环境下复杂背景葡萄叶片图像的自动分割问题,使用一种DeepLab v 3+语义分割算法,完成对葡萄叶片分割.该算法采用ResNet 101作为主干网络进行特征抽取;采用空洞卷积和编码模块进行多尺度特征融合,将ResNet的中间信息和编码模块的特征组合作为解码输入;采用上采样的方式进行尺度还原,得到语义分割...     

基于多特征融合的树干快速分割算法

针对传统的树干分割算法存在分割精度低、实时性差的问题,提出了一种融合深度特征和纹理特征的树干快速分割算法。首先,通过Realsense深度摄像头采集树干彩色图像和深度图像;随后,采用超像素算法对彩色图像进行分割,并融合深度和纹理相近的相邻超像素块,最后对深度图像进行宽度检测,并对宽度在阈值范围内的物体所属的超像素块进行色调匹配,区分树干与非树干。在室内和室外植株实验中分别运用本文算法、GrabCut算法与K-均值算法进行树干分割,本文算法的平均召回率和平均准确率分别为87. 6%和95. 0%,GrabCut算法分别为78. 0%和92. 8%,K-均值算法分别为80. 2%和89. 1%;本文算法平均耗时为0. 20 s,GrabCut算法为0. 66 s,K-均值算法为4. 42 s。实验结果表明,本文算法的快速分割效果较好,在保证分割精度的同时,简化了识别过程,加快了分割速度,能够应用于室内和室外树干的分割。