基于Kinect相机的苹果树三维点云配准

为建立具有真实彩色信息的果树三维点云形态结构模型,用Kinect相机获取不同视角下果树的原始三维点云,针对传统最近点迭代算法对待配准点云的空间位置要求苛刻的问题,提出了改进的点云配准算法。首先通过归一化对齐径向特征算法搜寻点云关键点,并使用快速点特征直方图描述子计算关键点处的特征向量。然后根据求得的特征向量估计2片点云关键点之间的空间映射关系,再基于随机抽样一致性算法提纯映射关系并完成点云的初始配准。最后利用最近点迭代算法完成点云的精确配准。实验结果表明,通过在最近点迭代算法前增加点云初始配准算法,有效地提高了点云配准的准确性和稳定性,能够对任意初始位置的2片点云进行准确匹配,平均配准误差为0.7 cm。     

基于改进SIFT-ICP算法的Kinect植株点云配准方法

针对传统配准方法准确度低、速度慢的问题,提出了基于改进SIFT-ICP算法的彩色植株点云配准方法。首先采用Kinect获取不同视角下植株彩色图像和深度图像合成原始植株彩色点云,通过预处理提取原始点云植株信息,对植株点云进行尺度不变特征变换(SIFT)的特征点检测,得到点云配准关键点,再对关键点进行自适应法线估计,然后求取关键点的快速点特征直方图(FPFH),通过采样一致性(SAC-IA)初始配准方法改进点云间初始位置关系,最后利用Nanoflann加速最近点迭代(ICP)算法完成精确配准。试验结果表明,改进SIFT-ICP算法可以大幅度提高点云配准的准确性和快速性,其中对应点间平均欧氏距离小于7 mm,配准时间小于30 s。     

基于计算机视觉的玉米果穗三维重建方法

提出了一种快速、准确、自动化的基于计算机视觉的玉米果穗三维重建方法。以一定角度间隔旋转果穗获取各视角下的图像,通过双目立体视觉技术重建各视角下的玉米果穗表面点云,计算重投影误差去除点云中的外点,寻找两相邻图像的对应匹配点,并由匹配点确定果穗表面点云中三维配准点的集合,计算两相邻视角下配准点的旋转矩阵与平移向量,采用RANSAC方法检验配准模型的一致性。依次对各视角下的点云配准拼接获得整个果穗表面点云,进行冗余点去除、网格简化、纹理贴图等后处理,获得最终果穗三维造型。实验结果表明:重建模型的体积与实测值不存在显著性差异,所述方法能够满足玉米果穗三维重建的需求。     

基于三维点云的群体樱桃树冠层去噪和配准方法

樱桃树的栽培密度影响其冠层的光照分布,通过研究群体樱桃树的三维结构,可分析不同栽植密度下温室甜樱桃树冠层光照分布规律,指导樱桃树的科学种植,进而提高甜樱桃产量和品质。高质量的点云数据是构建群体樱桃树三维结构的基础,而点云去噪和点云配准是点云数据预处理的关键环节。本文提出一种基于三维点云的群体樱桃树去噪和配准方法,搭建群体樱桃树三维信息采集平台,使用2台固定的DK深度相机获取群体樱桃树彩色点云数据;提出基于颜色区域生长的二分类方法,设置颜色阈值分割点云并进行二分类处理,可有效去除彩色点云数据中的异常无效点,并设置点云离散度和RGB值,作为点云去噪评价标准;结合人工标记法和双相机位姿矩阵,提出基于颜色特征改进的ICP方法,解决传统ICP配准算法多依赖初始位姿且配准速度较慢的问题。该方法通过对点云粗配准,得到较好的初始位姿,使用SIFT算法提取颜色特征点,将颜色特征与ICP算法结合进行点云精配准,然后使用PCL中随机采样一致性算法,去除错误匹配点,有效减少配准时间,提高配准精度。以夏季和冬季的群体樱桃树20组点云数据为实验对象,对比分析ICP算法、NDT算法、SAC-IA算法和本文配准方法的配准精度和配准时间,结果表明,本文配准方法平均耗时分别为5.01、4.30s,均方根误差分别为2.316、2.100cm,有效减少了配准时间和配准误差,验证了本文算法的有效性和普适性。     

基于骨架点的矮化密植枣树三维点云自动配准

为了实现枣园的自动化管理,针对枣树自动化选择性冬剪作业要求,需要重建出矮化密植无叶枣树枝干的三维模型。利用2台固定的Azure Kinect DK深度相机搭建获取枣树点云信息的三维重建系统平台,然后把系统平台逆时针旋转55°获取同一棵枣树的另一帧三维点云信息。为了自动完成2帧点云的配准,提出了基于骨架点的枣树点云配准方法：首先利用FPFH特征描述子计算骨架点的特征向量,并采用SAC-IA（采样一致性）算法对2个视角下的枣树骨架点云进行初始匹配;其次利用经典的ICP算法对初始位姿进行优化;最终只采用2个视角下的点云重建枣树枝干的三维模型。实验对比了在3种典型自然环境下（晴天、阴天、夜间）枣树点云的配准精度和配准时间,结果表明：晴天时对采集系统有一定的影响,使得配准后的枣树枝干有部分不完整;阴天和夜间对采集系统影响小,能够重建出完整的枣树枝干;相对于阴天和夜间,晴天时,枣树点云配准耗时最少,为0.09s,而配准误差最大,其拟合分数为0.00029;阴天时,枣树点云配准时间介于晴天和夜间之间,为0.12s,而此时配准误差最小,其拟合分数为0.00011;夜间配准误差介于晴天和阴天,且此时配准时间最长,为0.16s。     

基于M-估计的线性化稳健配准算法研究

复杂曲面在制造中的广泛应用对曲面配准技术提出了新的要求,特别是不同区域精度存在差异的复杂曲面配准问题日益突出。为了稳健估计思想推广到不同区域精度存在差异的复杂曲面配准,给出了基于M-估计的一种稳健配准算法。该算法利用M-估计子削弱复杂曲面低精度数据对配准结果的影响,但是这一模型目标函数是高度非线性的分段函数,求解效率不高。现有配准方法已能够迅速获得较好初始位置,因此利用Taylor展式线性逼近偏差函数,得到配准问题M-估计的线性化模型,提高了配准模型估计效率。每步迭代利用F-范数最小逼近旋转矩阵。对仿真数据和实测叶片数据进行试验,结果证明,对精度存在差异的复杂曲面所提算法比最近点迭代算法更加合理。     

基于快速点特征直方图的树木点云配准

随着农林业智能化与信息化发展,树木三维重建技术成为国内外研究的热点.为获取具有颜色信息的树木三维点云,需配准不同视角下的彩色点云数据,为果树三维重建提供基础数据.为此采用仿真树模拟果树,提出一种基于快速点特征直方图(FPFH)的树小点云配准方法,通过添加标定物增加具有稳定FPFH特征的点云个数,从而提高点对配准精度.首...     

基于改进ORB的害虫图像特征匹配方法

引入BRISK算法思想,提出改进的BRRB算法(BRISK and ORB)。首先采用ORB算法中的特征检测算法oFAST检测到图像中的特征点,用改进的Harris角点响应函数对特征点加入尺度信息;最后用BRISK算法对特征点进行均匀采样,并生成具有尺度不变性的二进制特征描述符。将采集到的200张害虫样本数据划分为50组,分别进行图像配准实验。实验结果表明,BRRB算法的平均匹配精准度达到了约95%,比原算法提升了约73%;平均计算速度约为47.8 ms;在综合性能实验中,改进后算法的平均匹配精度比传统算法高出了0.6个百分点,在光照不变性上比传统算法高出了1.9个百分点。改进后算法有效的解决了ORB不具备尺度不变性的缺陷,并且保留了原算法在计算速度上的高效性和对旋转、光照的不变性,使害虫图像的匹配工作更加精准,为农作物害虫识别和防治工作提供技术支持。     

基于Kinect相机的油麦菜自动化三维点云重建

为了解决传统三维点云重建过程中人工调参费时、费力,且精度得不到保障等问题,提出了一种三维点云自动化配准算法,并应用于油麦菜三维重建。使用Kinect相机采集油麦菜不同视角下的点云数据,通过配准实验分析配准参数的变化规律,继而建立了配准评价体系,实现了两片点云的自动化配准,并通过最小化匹配误差积累将多幅点云变换到同一基准坐标系下,实现了油麦菜三维重建。对随机选取的12株油麦菜进行自动化三维重建,结果表明,在两片点云重叠率不低于30%的前提下,本文算法可获得最优参数组合,自动全局配准平均距离误差为0.65cm,平均耗时为44.05s,具有较高的配准精确度和稳定性。本文算法能有效减少配准误差积累、构建较高精度的完整结构,可为其他作物三维重建提供参考。     

基于多视角三维点云融合的采棉机器人视觉感知方法

针对传统采棉机器人因单一视角和二维图像信息带来的视觉感知局限问题,本文提出了一种多视角三维点云配准方法,以增强采棉机器人实时三维视觉感知能力。采用4台固定位姿的Realsense D435型深度相机,从不同视角获取棉花点云数据。通过AprilTags算法标定出深度相机RGB成像模块与Tag标签的相对位姿,并基于深度相机中RGB成像模块与立体成像模块坐标系间的转换关系,解算出各个相机间点云坐标的对应变换,进而实现点云间的融合配准。结果表明,本文配准方法的全局配准平均距离误差为0.93cm,平均配准时间为0.025s,表现出较高的配准精度和效率。同时,为满足采棉机器人感知的实时性要求,本文对算法中点云获取、背景滤波和融合配准等步骤进行了效率分析及优化,最终整体算法运行速度达到29.85f/s,满足采棉机器人感知系统实时性需求。     

基于表面凹凸性的羊胴体点云分割方法

羊胴体自动化分割对于提高羊屠宰加工企业生产效率有重要意义。为实现将羊胴体点云精准高效地分割为多分体,研究了一种基于表面凹凸性的羊胴体点云分割方法。以倒挂状态下的巴美肉羊胴体为研究对象,利用三维激光扫描仪获取羊胴体点云。首先,对羊胴体点云进行预处理,去除离群点噪声和采用体素滤波的方法进行下采样;并将羊胴体点云超体素化,以获取超体素邻接图;然后,对超体素邻接图中相邻点云的公共边进行凹凸性判断,将凹边凸边赋予不同权重;并由得分评估函数计算不同权重点云的得分,将结果与参数S_min作比较;最后,根据比较结果确定分割区域,完成对羊胴体点云的分割。试验结果表明：羊胴体点云分割的平均精确度、平均召回率、平均F1值和平均总体准确率分别为92.3%、91.3%、91.8%、92.1%。各分体的平均分割精确度分别为92.7%、90.7%、92.6%、93.2%、92.5%、92.2%,各分体的平均分割召回率分别为86.0%、93.2%、92.8%、91.6%、90.9%、93.4%,处理单只羊胴体点云的平均时长为18.82 s。通过处理多分体组合点云以及多体型羊胴体点云判断本文方法的适...     

基于ECMM分割法的杂草稻种子在线识别技术

为提高水稻种子质量,剔除杂草稻种子,提出一种基于凹点匹配的粘连分割算法,搭建一种在线形色双选水稻种子识别平台。该平台由排种系统、图像采集系统、传动系统、电机驱动系统构成。该平台算法基于ECMM凹点分割法,首先对采集的图像进行预处理、提取形态因子小于0.4的粘连轮廓,对所提取轮廓的边缘进行一维高斯卷积核平滑处理,并计算平滑后轮廓曲线的曲率及其曲率均值,寻找与曲率均值相差较大的若干个点作为角点。其次,依据矢量三角形面积的正负来判断角点是否为真正的凹点,寻找凹点与前继点、后继点所组成的法线方向的夹角范围(0°~180°),并在此夹角范围内寻找与其相匹配的凹点对,完成粘连分割。该算法平均精度为92.90%,比极限腐蚀法提高19.82个百分点,比分水岭算法提高12.85个百分点。最后,计算分割后图像上各轮廓内的种子长度与R通道像素占比来识别杂草稻种子。经识别平台测试,本文算法每识别100粒种子平均用时0.95s,平均识别精度为97.50%。     

基于关键点预测的装配机器人工件视觉定位技术

针对目前装配机器人基于手工的特征检测易受光照条件、背景和遮挡等干扰因素的影响,而基于点云特征检测又依赖模型构建精度,本文采用深度学习的方式,对基于关键点预测的工件视觉定位技术展开研究。首先,采集工件各个角度的深度图像,计算得到工件的位姿信息,选取工件表面的关键点作为数据集。然后,构造工件表面关键点的向量场,与数据集一同进行深度训练,以实现前景点指向关键点的向量场预测。之后,将向量场中各像素指向同一关键点的方向向量每两个划分为一组,取其向量交点生成关键点的假设,并基于RANSAC的投票对所有假设进行评价。使用EPnP求解器计算工件位姿,并生成工件的有向包围盒显示位姿估计结果。最后,通过实验验证了系统估计结果的准确性和鲁棒性。     

基于关键点预测的装配机器人工件视觉定位技术

针对目前装配机器人基于手工的特征检测易受光照条件、背景和遮挡等干扰因素的影响,而基于点云特征检测又依赖模型构建精度,本文采用深度学习的方式,对基于关键点预测的工件视觉定位技术展开研究。首先,采集工件各个角度的深度图像,计算得到工件的位姿信息,选取工件表面的关键点作为数据集。然后,构造工件表面关键点的向量场,与数据集一同进行深度训练,以实现前景点指向关键点的向量场预测。之后,将向量场中各像素指向同一关键点的方向向量每两个划分为一组,取其向量交点生成关键点的假设,并基于RANSAC的投票对所有假设进行评价。使用EPnP求解器计算工件位姿,并生成工件的有向包围盒显示位姿估计结果。最后,通过实验验证了系统估计结果的准确性和鲁棒性。     

基于改进ORB-SLAM2的果园喷药机器人定位与稠密建图算法

针对果园喷药机器人视觉导航过程中定位精度低、地图构建效果差等问题，本文提出一种新的视觉定位与稠密建图算法。该算法基于ORB-SLAM2算法架构，首先，通过优化FAST角点、描述子阈值，并采取图像金字塔法与高斯滤波算法，剔除劣质ORB特征点，以提升图像关键帧质量和特征匹配精度。其次，引入稠密建图线程，利用点云恢复算法、统计滤波方法形成点云队列，采取点云拼接技术与体素滤波算法输出稠密点云地图，并在ORB-SLAM2算法的ROS节点中增加关键帧输出接口与位姿发布话题，通过NeedNewKeyFrame函数选取ORB-SLAM2算法所生成的关键帧，减少系统计算量。最终，由RGB-D相机实现果园喷药机器人的精准定位与稠密建图。为验证本文算法的有效性与实用性，进行TUM数据集仿真分析与真实场景测试，结果表明：相较ORB-SLAM2算法，本文算法的绝对轨迹平均误差降低44.01%、相对轨迹平均误差降低7.93%,ORB特征点匹配数量平均提升19.03%,定位精度与运行轨迹效果均有显著提升，此外，还能获取较高精度的果园喷药机器人工作场景信息。本文算法可为果园喷药机器人的自主导航提供理论基础。     

RPM中点云曲面栅格法自适应分层技术

结合RPM中一般自适应分层技术及对点云均匀分层构造RP模型方法,提出点云曲面栅格法自适应分层。以栅格为基元,将点云投影栅格化,从中获取栅格点集,结合相关系数判断栅格点线性关系,由此提取层间轮廓。定义投影点云栅格面积差比为表面误差,建立其与堆层厚度的关系,通过表面误差逼近定值最终确定堆层厚度。经实例分析验证,分层结果满足RPM要求。