基于视差图像的重叠果实图像分割算法

为解决自动采摘视觉系统中重叠果实的分割问题,提出了基于视差图像的果实分割算法。采用双目立体视觉系统获取图像对,对图像对进行预处理和校正,通过图像对的立体匹配来获取视差图像,最后对视差图像进行分割。该算法将分割的依据和信息从二维图像的颜色、形状、纹理等扩展到三维空间的深度,对空间距离不同的目标具有较好的分割效果。实验表明,对获取的视差图像进行基于区域的分割时,其区域间灰度对比度为0.98,目标计数一致性达到0.90;进行基于边缘的分割时,其边缘检测误差为5.74%,因此,该方法对重叠果实区域的分割是有效的。     

基于CMOS图像传感器的采摘机器人嵌入式视觉系统

为了提高采摘机器人的自动化程度,实现自主导航和自主采摘作业能力,将基于CMOS图像传感器的嵌入式视觉系统引入到了采摘机器人的设计过程中,有效降低了机器人的设计复杂程度,提高了机器人的设计效率。采用DSP主控芯片构建了嵌入式图像处理系统,可以处理CMOS相机实时采集的图像,并采用模块化设计,构建了包括通讯单元、存储单元及视频输入输出接口的硬件系统,使各模块之间协调工作。为了验证方案的可行性,对一款果实采摘机器人进行了改装,安装了嵌入式视觉系统,并对其性能进行了测试。测试结果表明:采用基于CMOS图像传感器嵌入式视觉系统后,采摘机器人的定位准确率和采摘准率率都较高,满足了自动化采摘作业需求。     

立体视觉系统标定及成熟果实定位

根据颜色特征利用阈值自动设定的方法对图像进行分割,自动、快速地识别成熟柑橘,采用圆形Hough变换算法拟合出目标图像的形心坐标.采用现场标定技术标定系统,减少设备组装拆卸带来的误差.同时,对传统双目立体成像测距公式进行了改进,以增强其适应性,提高定位精度.实验结果表明,该方法简单、有效、可靠.     

视觉传感器在采摘机器人目标果实识别系统中的应用

目标果实的识别和定位是准确采摘的核心,是采摘作业的必要条件。为此,首先从硬件和软件两方面对采摘机器人总体框架进行了介绍,然后搭建了双目视觉系统,并建立了摄像机标定模型,最后实现了对目标果实的识别和定位功能。试验结果表明:采摘机器人目标果实识别系统对目标果实的识别定位误差在8mm以内,成功采摘率在96%以上,系统精度高,采摘效果良好,能够满足采摘机器人的作业要求,对实现水果采摘的自动化、无人化具有重要现实意义。     

图像中成熟苹果果实定位方法研究

针对目前苹果果实图像定位中存在的准确度较低、速度较慢等问题,在分析比较的基础上,对苹果果实定位方法进行了进一步的思考和研究。以3点确定圆算法为中心,配合图像中树枝树叶部分的分割、果实边缘的检测及去除图像的噪声等技术,以使处理速度满足实时要求,并使果实定位结果准确。经测试,本方法对成熟苹果果实具有较好的定位效果。     

采摘机器人果实识别与定位研究——基于双目视觉和机器学习

分析了双目视觉系统的工作原理及视觉标定方法,利用YOLO V2卷积神经网络算法实现对目标果实的识别,并对目标果实的空间定位进行了深入研究,设计了一套基于双目视觉和机器学习的采摘机器人果实识别与定位系统。在多次实际定位实验中,橘子的深度定位误差最大值为1.06mm,证实了系统具有一定的准确性和稳定性。     

田间果蔬采摘机器人视觉传感器设计与试验

针对田间果蔬采摘机器视觉识别与定位的需求,设计嵌入式采摘视觉传感器,内嵌130万像素CMOS图像传感器和开放性MCU,配置亮度处理模块和室外光自适应控制专家库,解决室外光变化影响视觉检测的难题.用主从传感器构造双目视觉系统,配置图像分割和测距算法,进行采摘目标的识别与定位.经试验和测试,在采摘臂长范围内,对成熟西红柿的识别有效率为96%,位置误差±12 mm.     

机器视觉在棉花智能打顶领域的应用研究进展

棉花打顶作为棉花田间管理中的关键环节,打顶作业的质量将影响棉花后续的生长,精准识别定位棉株对棉花机械化打顶具有积极的意义.简要概述机器视觉技术在国外农业领域的应用研究,总结对比国内棉花打顶领域的定位技术,并对双目立体视觉技术、BP(Back Propagation)神经网络、卷积神经网络在棉株识别定位上的研究进行介绍,...     

基于双目视觉的树木图像测距方法

研究了双目视觉技术在智能对靶喷雾中的应用;试验中运用平行光轴的摄像机采集图像,通过寻找树木图像中特征点的方式将两幅图像进行匹配,解决相似性问题;再计算出目标树木到摄像头的距离及其误差,试验的平均偏差率在8%以内;运用该方法能达到智能喷雾中控制施药量的目的,提高精确智能对靶施药效率。     

基于CMOS传感器的玉米图像采集方法

苗田图像信息采集是喷雾目标自动识别的重要环节.在对图像传感器CCD和CMOS进行比较的基础上,选用具有USB2.0接口的CMOS摄像机构建了一套苗田图像信息实时采集系统.根据苗田穴间喷雾的农艺要求,为自然光照条件下的图像实时采集确定了各主要采集参数, 并通过试验验证了曝光时间与行进速度之间的制约关系,为进一步的应用奠定了基础.     

基于深度图像和神经网络的拖拉机识别与定位方法

针对多机协同导航作业中本机前方的拖拉机识别精度低、相对定位困难,难以保障自主作业安全的问题,提出了一种基于深度图像和神经网络的拖拉机识别与定位方法。该方法通过建立YOLO-ZED神经网络识别模型,识别并提取拖拉机特征;运用双目定位原理计算拖拉机相对本机的空间位置坐标。对拖拉机进行定点识别与定位试验,分别沿着拖拉机纵向、宽度方向和S形曲线方向测量拖拉机的识别与定位结果。试验结果表明：本文方法能够在3~10m景深范围内快速、准确地识别并定位拖拉机的空间位置,平均识别定位速度为19f/s;在相机景深方向和宽度方向定位拖拉机的最大绝对误差分别为0.720m和0.090m,最大相对误差分别为7.48%和8.00%,标准差均小于0.030m,能够满足多机协同导航作业对拖拉机目标识别的精度和速度要求。     

基于视觉检测的苹果采摘机器人系统设计与实现

为提高苹果采摘的自动化与智能化水平,降低重复繁琐的人工劳动强度,减少对果实的损坏率,研制了一款用于苹果成熟自动检测并采摘的轮式机器人系统。系统由硬件平台和软件平台两部分组成。其中,硬件平台由四轮驱动越野小车、IPC-610L工控机、图像数据采集卡、四自由度机械臂和末端执行器组成;软件平台基于Visual C++6.0开发环境,使用双目立体视觉技术和图像处理技术实现对苹果的识别与定位,再通过机械臂的路径规划实现对苹果的采摘。通过仿真实验和数据分析表明:机器人在无人值守的情况下,能实现自动导航、自动识别、自动采摘苹果等功能,并且识别成功率大于94.00%,采摘成功率达到91.33%,平均采摘周期约为1 1 s,具有较高的准确性及稳定性。     

基于Kinect传感器的猕猴桃果实空间坐标获取方法

猕猴桃自动采摘机器人研究中,为了自动获取目标果实的空间坐标,提出了一种基于Kinect传感器的猕猴桃果实空间坐标获取方法。首先利用Kinect传感器的红外投影机和红外摄像机获取深度图像,利用彩色摄像机获取RGB图像,根据彩色图和深度图对应关系,转换成深度坐标;然后通过Map Depth Point To Skeleton Point函数得到以红外摄像机为原点的坐标系坐标。实验表明:该方法能够有效获取猕猴桃目标果实的空间坐标,其定位误差小于2mm。     

基于传感器融合阵列的果树冠层信息采集方法

针对果园上、中、下冠层不同稀疏度,提出一种多传感器阵列的果树冠层信息融合方法（简称传感器融合阵列）,并进行了相关试验及验证。首先设计了果园冠层宽度信息的无线采集系统,并对比分析了6种非接触式测距传感器的动态识别能力;其次采用筛选出的激光传感器及超声波传感器阵列,收集3种果园上、中、下果树冠层信息;最后选出适合3种果园的传感器融合阵列,依据Box-Benhnken 中心组合试验法设计试验,对采用同种传感器阵列与传感器融合阵列测距方案进行响应面试验,并对得出的试验结果进行统计分析。试验结果表明：影响果树整体测量精度显著性水平从大到小依次为测距方案、车体速度、果园类型。车速为0.3~0.5m/s时,与人工测量相比,采用超声波传感器阵列收集果园冠层信息,相对误差为14.70%~20.04%;采用激光传感器阵列时,相对误差为9.13%~16.02%,采用传感器融合阵列时,相对误差为4.2%~10.24%。采用传感器融合阵列比单种传感器阵列精度高,更适合果园变量喷雾作业。     

基于K-OPLS的无线传感网络室内定位跟踪算法

针对基于指纹的无线传感网络室内定位,提出了一种基于核隐变量正交投影(Kernel-based orthogonal projection to latent structures,K-OPLS)的定位算法。在O-PLS的模型框架下,K-OPLS算法应用核技巧将描述变量映射至高维特征空间,给出了描述变量和响应变量之间的非线性关系,以实现对模型的预测成分及与响应-正交成分的计算。K-OPLS算法集核偏最小二乘建模和正交信号校正预处理方法于一体,在一定程度上有效地改进了模型性能,增强了模型解释性。基于RSSI指纹信息,构建锚节点与处于参考位置的非锚节点之间的非线性映射关系,K-OPLS算法可以实现WSN的室内定位跟踪。将所提出的算法应用于仿真与物理环境下的不同实例中,在同等条件下,还与核岭回归(KRR)、核极限学习机(KELM)、核信噪比(KSNR)、核偏最小二乘(KPLS)、核自适应滤波等其他核学习算法进行比较。仿真实验中,基于小波核的WK-OPLS算法在无噪声和有噪声环境下的跟踪估计误差分别为0. 232 6、1. 320 5 m。物理实验中,基于小波核的该算法跟踪估计误差为0. 249 3 m。实验结果表明,所提算法有效提高了定位精度,而且具有一定的除噪能力。     

基于三维激光雷达与优化DBSCAN算法的果树定位方法

为提高果园喷雾机器人在果园行间行走的自主性和安全性,提出一种基于三维激光雷达与优化DBSCAN算法的果树定位方法。首先,采用三维激光雷达获取果园的环境信息,通过感兴趣区域提取、地面点云分割和体素滤波降采样对原始点云数据进行预处理;然后,对DBSCAN算法进行优化,构建KD树索引有序化实时点云数据,并使用KD树最近邻搜索替代传统DBSCAN算法的遍历搜索方式,最后根据数据点到激光雷达的距离自适应确定聚类密度阈值,实现行间不同距离的果树检测;最后,以果树聚类结果的冠层边缘点为果树的定位参考点,得到果树定位参考点的坐标,计算果园喷雾机器人与果树的相对位置。试验结果表明：优化的DBSCAN算法相较于传统DBSCAN算法检测的准确性和实时性均有明显提升,果树的横向定位平均误差为2.6%,纵向定位平均误差为1.6%。该方法能够满足果园喷雾机器人在行间果树定位的准确性和实时性要求,为精准农业装备在林果园环境下的自主导航和作业提供有效参考。     

基于计算机视觉技术的水果分级研究进展

较为全面地介绍了国内外基于计算机视觉技术的水果外观品质的单指标分级、多指标综合分级和水果内部品质检测分级的研究现状与方法,指出了现有研究中研究对象较单一、图像采集不全面、图像处理算法不多、精度不高等存在的主要问题.同时,提出了未来水果分级的发展方向,认为水果内外品质融合的一体化分级技术是未来的发展趋势.     

采摘机器人水果检测及定位研究——基于图像处理和卷积神经网络

首先,设计了一种采用K-means聚类算法和图像处理相结合的目标边缘识别算法,可以获得完整的目标边缘轮廓;然后,利用卷积神经网络和双目视觉技术实现了采摘机器人水果检测及定位方法。实验结果表明:该采摘机器人水果检测及定位方法较好,计算量小,处理速度快,误差较小,能够满足采摘要求。