基于分组和精英策略的遗传算法在机器人导航上的应用

【目的】针对种植园复杂环境下采摘机器人进行路径规划时找出多路径效率低、速度慢等问题,提出一种基于分组和精英策略的遗传算法(GGABE)。【方法】首先生成1个初始群体,使用Sigmoid函数分组;然后在每组中分别进行选择、交叉、变异操作,进行n代迭代后,每组产生该组内的k条等长的最优路径;比较各组最优路径,选择最短的路径作为最优路径。在种群的各项参数均相同的情况下,简单遗传算法(SGA)、未分组的精英遗传算法(EGA)以及GGABE分别作用于15×15和25×25的地图,各进行50次试验。进行样机验证试验。【结果】第1幅地图,GGABE算法找到了8条最短路径,路径均值为20.970 6,其他2种方法只能找出1条最短路径;第2幅地图,GGABE算法找到了8条最短路径,路径均值为38.041 6。50次验证试验均找出3条最佳路径,平均路径规划时间为15.543 319 s。【结论】本研究提出的基于分组和精英策略的遗传算法收敛速度快,可快速准确地在地图中搜索出所有能够遍历整个果园的最佳路径。     

基于计算机视觉的苹果生长姿态估算多方法融合

为了避免机械手在采摘过程中因缺少苹果生长姿态信息造成对苹果和枝干的损伤,提出了一种苹果生长姿态估算方法.利用纹理和颜色特征两步法实现背景分离后,采用链码跟踪法获得轮廓;阐述了二阶中心矩法、最短距离法、斜率方差法和三点一线法4种苹果姿态识别方法,并比较了4种方法的识别率.为了提高姿态的识别率,综合4种方法进行决策融合,识...     

基于凹点搜索的重叠果实定位检测算法研究

为了能够快速准确地计算出生长状态为靠拢或重叠的成熟类圆果实的形心坐标和半径,提出了一种基于凹点搜索的快速定位和检测重叠果实目标的方法.利用色调分量的统计规律实现背景分离,采用链码跟踪法获得单像素果实轮廓,并按步长获取边缘特征点;然后利用N点方向编码差获取边缘凹点,确定凹点群,根据阈值确定分割凹点;最后利用改进的Houg...     

基于时序运动特征的奶牛爬跨行为识别研究

[目的]为了尽早发现发情奶牛并及时进行配种,提高养殖场的经济效益,本文研究了基于机器视觉的奶牛爬跨行为识别.[方法]选取3种行为视频:侧爬跨101段,追随191段,行走343段,合计635段视频,构建VideoROI_set_Extended数据集.针对每一个视频段,在分割出奶牛目标后,使用最小外接矩形(包含运动奶牛对...     

基于改进Hough变换的类圆果实目标检测

为了能够快速准确地计算出类圆果实的形心坐标和半径,提出了一种基于改进圆形随机Hough变换的快速类圆果实目标检测方法。在以2R-G色差分量实现背景分离后,采用模板匹配细化算法获取单像素果实轮廓,并按步长获取果实的边缘特征点;然后,根据边缘特征点的平均切线方向对特征点进行分组,并以此为依据对圆形RHT算法进行改进;最后利用改进后的圆形RHT算法计算出类圆果实的形心坐标和半径。该方法能够快速准确地对类圆果实进行检测,对部分被遮挡的类圆果实识别效果较好。     

基于分水岭和梯度的蝴蝶兰图像分割方法

利用图像识别技术采集设施蝴蝶兰生长参数,从而对花期进行调控,是提高蝴蝶兰种植效益的重要手段,而如何把蝴蝶兰图像与自然背景图像进行分割与提取,是图像识别的关键。该文利用彩色梯度算法,提取出蝴蝶兰自然图像的梯度图像,利用阈值找出梯度图像的显著部分(即图像中的显著边缘),同时利用水域分割方法对源图像进行分割,产生过分割图像,然后利用显著边缘图像对过分割图像进行判断,去除不显著的"水坝"并令其两边水域相融合,从而达到极大的抑制过分割的目的,最后再根据区域合并准则合并相似的区域,得到蝴蝶兰目标物图像。针对20幅蝴蝶兰图像,通过与人工分割的方法进行对比试验,结果表明,该文提出的基于梯度和分水岭的分割算法能够很好地从自然背景中提取出蝴蝶兰图像,分割正确率达到了92.6%。     

基于ISS-LCG组合特征点的油菜分枝点云配准方法

【目的】针对传统点云配准方法准确率低、速度慢等问题,以油菜Brassica napus L.分枝点云为研究对象,提出基于ISS-LCG组合特征点的配准方法。【方法】以成熟期油菜角果分枝点云为对象,去除背景噪声后,得到清晰完整的油菜分枝点云;然后通过内部形状描述子(Intrinsic shape signature,ISS)提取油菜分枝点云的特征点,再使用线性同余法(Linear congruential generator,LCG)伪随机选取油菜点云的部分点构成关键点,将特征点和关键点进行融合,构成ISS-LCG组合特征点;通过三维形状上下文特征(3D shape context,3DSC)对组合特征点进行特征描述,最后采用RANSAC+ICP两步点云配准法进行点云配准。【结果】基于ISS-LCG组合特征点的点云配准算法以30°为间隔对点云进行两两配准时,配准效果最佳,配准误差约0.066 mm,配准精度比未采用组合特征点的配准方法提升了50%～70%;配准时间均小于48 s,平均配准时间为8.706 s。【结论】该方法在可控环境内可以实现成熟期油菜植株高精度、高效率的自动配准。     

基于高光谱图像和深度学习的菠菜新鲜度检测

针对传统机器视觉在实现菠菜新鲜度检测精度偏低的问题,该文提出了一种基于高光谱和深度学习技术的圆叶菠菜新鲜度识别新方法。以10℃常温贮存的圆叶菠菜为研究对象,以天为单位,综合考虑影响菠菜新鲜度的6个因素:贮藏天数、外观、含水率、叶绿素a、叶绿素b和胡萝卜素,将菠菜划分为新鲜、次新鲜和腐败3个等级。拍摄菠菜叶片的高光谱图像,计算ROI(region of interest)反射率均值后,基于分组精英策略遗传算法,结合2种分组策略,筛选出含6个波长的组合。定义训练集R和测试集合T,使用SVM分类器,基于波长对应的反射率,分别进行基于光谱特性界定菠菜的新鲜度分类试验。找出了识别率均值最高的3个波长,分别是389.55、742.325和1 025.662 nm。由于基于光谱特性进行菠菜新鲜度检测时识别率偏低。尝试基于菠菜的高光谱图像特征进一步进行菠菜新鲜度识别研究。从高光谱图像集中抽取这3个波长对应的菠菜图像,构成菠菜图像样本库(Norm Img389、Norm Img742、Norm Img1025和Norm Img_merge),基于深度学习技术建立菠菜新鲜度识别模型,对图像样本库中4类图像进行识别试验,平均识别准确率79.69%、68.75%、69.27%和80.99%。而Norm Img389测试集识别正确率接近80%,Norm Img_merge测试集识别正确率最高达到了80.99%,说明融合3个波长对应的图像进行等级识别效果最好。该研究实现了圆叶菠菜新鲜度的无损检测,具有实践和理论意义。