共查询到18条相似文献，搜索用时 281 毫秒
1.
重叠苹果果实的分离识别方法 总被引：3，自引：0，他引：3
针对苹果采摘机器人重叠果实识别误差较大的问题,设计了一种分离识别方法。首先在苹果图像分割获取其二值果实区域的基础上,基于横、纵投影图实现重叠形态果实的判别,而后基于边缘曲线通过SUSAN算法检测果实轮廓上的角点,再通过迭代腐蚀和瓶颈准则挑选重叠果实的分离点,并采用Bresenham算法连接分离点实现重叠果实的分离。提取分离果实边缘曲线的有效轮廓后,通过改进的随机Hough算法拟合果实圆心及半径。最后选择15幅重叠果实区域二值图像,通过不同角点检测计算结果的比较,验证了SUSAN算法相比于其他角点检测方法更为有效;通过改进的随机Hough算法识别11幅图像中的21个果实,其圆心相对误差平均值、半径相对误差平均值和相对偏差平均值分别为6.90%、4.12%和6.07%,比传统Hough算法分别低4.03、2.75、1.14个百分点,说明改进的随机Hough算法得到的拟合圆更接近实际苹果果实区域。 相似文献
2.
3.
【目的】研究枝条遮挡情况下单个苹果目标的识别,为复杂生长环境下苹果目标的准确识别与定位及实现自动采摘提供支持。【方法】针对果实目标受枝条遮挡影响被分割成几个部分,从而严重影响果实目标准确识别的现状,以枝条遮挡下的苹果目标为研究对象,选用基于Lab颜色空间的Kmeans聚类算法对苹果目标进行分割,再通过数学形态学方法对目标苹果轮廓进行提取,然后根据最小外接矩形法去除目标苹果的伪轮廓,最后利用轮廓的曲率特征对目标苹果进行重建,并对分割与重建结果进行了方法验证。【结果】利用基于Lab颜色空间下的Kmeans聚类算法和最小外接矩形法可有效提取出苹果目标的真实轮廓,能够与苹果目标边缘线达到高度重合,同时可获得较准确的重建结果。对10幅枝条遮挡果实目标的识别、定位与重建的验证结果表明,该方法对目标苹果进行分割与重建的平均分割误差为13.83%,平均重叠系数为88.08%,假阳性率和假阴性率分别为1.22%和11.92%,目标苹果重建准确率均在84.00%以上,平均重建时间为24.40 s。【结论】应用本研究中的方法可对枝条遮挡下的苹果目标进行准确识别、定位与重建,有效缩短重建时间。 相似文献
4.
《西北农林科技大学学报(自然科学版)》2017,(11)
【目的】研究枝条遮挡情况下单个苹果目标的识别,为复杂生长环境下苹果目标的准确识别与定位及实现自动采摘提供支持。【方法】针对果实目标受枝条遮挡影响被分割成几个部分,从而严重影响果实目标准确识别的现状,以枝条遮挡下的苹果目标为研究对象,选用基于Lab颜色空间的K-means聚类算法对苹果目标进行分割,再通过数学形态学方法对目标苹果轮廓进行提取,然后根据最小外接矩形法去除目标苹果的伪轮廓,最后利用轮廓的曲率特征对目标苹果进行重建,并对分割与重建结果进行了方法验证。【结果】利用基于Lab颜色空间下的K-means聚类算法和最小外接矩形法可有效提取出苹果目标的真实轮廓,能够与苹果目标边缘线达到高度重合,同时可获得较准确的重建结果。对10幅枝条遮挡果实目标的识别、定位与重建的验证结果表明,该方法对目标苹果进行分割与重建的平均分割误差为13.83%,平均重叠系数为88.08%,假阳性率和假阴性率分别为1.22%和11.92%,目标苹果重建准确率均在84.00%以上,平均重建时间为24.40s。【结论】应用本研究中的方法可对枝条遮挡下的苹果目标进行准确识别、定位与重建,有效缩短重建时间。 相似文献
5.
为进一步提升苹果的侦测精度,从而提高苹果作业机器人的果实作业效率,以果园重叠苹果为对象,研究了自然环境下双果重叠目标的机器侦测方法。首先将采集到的苹果图像在Lab色彩空间中利用K-means聚类算法提取重叠苹果目标区域;其次在得到重叠苹果边界上的Harris角点后,通过关键角点检测算法定位苹果重叠部分的果实轮廓所在区域,并利用Canny边缘检测算子提取出苹果重叠部分的果实轮廓;然后利用Y型节点搜索算法实现重叠苹果目标的单果轮廓分离,并得到未遮挡果实的完整轮廓;最终利用距离最小二乘算法对被遮挡苹果目标进行果实轮廓重建。为验证方法的有效性,将Hough变换法、Spline样条内插法的重叠果实侦测结果与本文方法所得结果进行对比。试验结果显示,本文方法不仅可以侦测出未遮挡果实的完整轮廓,同时对被遮挡苹果目标也有较好的轮廓重建效果,其果实平均重合度和定位误差分别为95.43%和4.44%,侦测性能明显优于前两种方法,表明本文方法可以较好实现自然环境下苹果双果重叠目标的侦测,该结果为苹果作业机器人多果重叠目标的自动化侦测提供参考。 相似文献
6.
复杂背景下油茶果采收机重叠果实定位方法研究 总被引：1，自引：0，他引：1
油茶果机械化振动采摘技术关键在于振动点选取,判断振动点选取取决于果实生长密度测算和分布估计.然而自然环境下重叠果实的识别对判定结果有较大的影响,因此提出一种基于凸壳识别的分割边界优化方法,提升重叠油茶果识别与分割准确度.该方法先将原始图像转换颜色空间,经过阈值分割和形态学处理获得重叠果实的凹区域,然后在此基础上通过Harris角点检测得到区域的特征点集,利用主成分分析(PCA)和欧式距离方法分析特征点距离关系得到分割路径,最后采用最小二乘法对分割后的目标区域进行拟合重建得到果实轮廓.对比重建的果实轮廓与真实分布图像,该方法的平均定位误差为8.6％,比Hough方法低5.1％;平均耗时为0.52 s,比Hough方法低0.12 s.结果 表明,提出的方法可以有效解决重叠油茶果实识别与分割问题,为采摘装置的振动点选择奠定基础. 相似文献
7.
果园自然环境下采摘机器人路径识别方法 总被引：1，自引：0，他引：1
《江苏农业学报》2019,(5)
果园自然环境下光照条件是不同的,而不同的光照条件又会对采摘机器人的路径导航产生不同影响,针对此环境,本研究提出了一种根据光照度进行分类并使用不同算法提取道路中心线的方法。首先对图像亮度分量和光照度进行研究,并将光照度划分为低光照、正常光照和高光照3个等级。在低光照条件下通过分离出S通道,然后利用K-means与Ncut算法对其进行分割,在正常光照条件下采用Otsu算法对S通道进行分割,在高光照条件下则通过K-means与Ncut算法对Cg、Cb与Cr通道进行差分运算后的图像进行分割。将分割后的图像进行边缘检测并提取道路轮廓,并通过最小二乘法实现道路中心线的获取。最后选用150张不同光照条件下的图像进行了静态试验验证,并通过课题组自行研制的采摘机器人进行了动态试验验证,静态试验验证结果表明,3种光照条件下图像分割区域与道路真实区域的平均重合度为96.74%、平均分割误差为2.01%、平均道路中心线平均偏差为2.71像素,平均耗时为0.182 s;动态试验验证结果表明,3种光照条件下的平均横向偏移距离为3.1 cm。表明,该方法在不同光照条件下具有较高的精度和实时性,能够满足采摘机器人在自然光照条件下的路径识别及导航需求。 相似文献
8.
图像分割是苹果采摘机器准确识别和定位苹果的关键步骤.本研究首先采用线剖面方法对采集的苹果图像针对颜色特征进行分析,提出了利用颜色特征R-B的色差法对青果期苹果图像进行初步分割.在利用分割后的图像提取图像区域的形状特征(面积、周长、圆形度、离心率等).然后将得到的8个形状特征作为BP神经网络的输入量,随机选取一定数量的样本图像作为BP神经网络的训练样本图像和验证样本图像.样本图像经过BP神经网络训练后,建立了绿色苹果图像的分割模型.通过BP神经网络分割后的苹果图像,果实识别率高达89.3％,分割效果良好. 相似文献
9.
自然环境下重叠果实的精准识别是智能采摘面临的难题之一。本研究针对无遮挡重叠柑橘,提出了一种基于凹区域简化和距离分析的果实分割与重建方法。该方法提取、分割果实轮廓凹区域,对其进行多边形简化,利用角点检测提取多边形顶点,通过分析各顶点到轮廓凸壳曲线的距离确定轮廓分割点,采用最小二乘圆拟合方法对分割后的轮廓进行重建。结果表明,基于凹区域简化和距离分析的无遮挡重叠柑橘重建轮廓的平均误差为3.12%,不重合度为4.55%,时间为0.291 s,优于RANSAC算法和Hough变换算法,能够满足自然环境下无遮挡重叠果实的智能识别需求。 相似文献
10.
11.
自然生长状态下的草莓,果实密集,形状多变,枝叶遮挡率较高,使用机器采摘对成熟草莓的图像识别具有一定的难度。针对这个问题,提出了Lab色彩模型下采用梯度Hough圆变换的成熟草莓识别方法。以自然生长状态下的草莓图像为研究对象,在Lab色彩模型空间里对图像分割及阈值化并采用梯度Hough圆变换等方法,识别成熟草莓并计算出草莓中心。试验结果表明,对随机选取的100张草莓图片,该方法识别成熟草莓的相对偏差为1.07%,对枝叶遮挡、成熟草莓相互遮挡等情况,具有较好的识别效果。与传统的Hough变换相比,这一方法节省了运行内存,提高了时间效率,能够满足机器采摘对成熟草莓识别率与定位的要求。 相似文献
12.
Xiaoyang Liu Weikuan Jia Chengzhi Ruan Dean Zhao Yuwan Gu Wei Chen 《Precision Agriculture》2018,19(4):735-749
The recognition of apple fruits in plastic bags is easy to be affected by reflected and refracted light. In order to weaken the influence of light, a method based on block classification is proposed. The method adopts watershed algorithm to segment original images into irregular blocks based on edge detection results of R–G grayscale images firstly. Compared with the watershed algorithm based on gradient images, the segmentation method can preserve fruits edge and reduce the number of blocks by 20.31%, because graying image method, R–G, filters most of leaves and edge detection operator insures that the edge of fruits are detected accurately. Next, these blocks are classified into fruit blocks and non-fruit blocks by support vector machine on the basis of the color and texture features extracted from blocks. Compared with the image recognition method based on pixel classification, the proposed method can restrain the interference of light caused by plastic bags effectively. The false negative rate (FNR) and false positive rate (FPR) of the method based on pixel classification are 21.71 and 14.53% respectively. The FNR and FPR of the proposed method are 4.65 and 3.50% respectively. 相似文献
13.
对比RGB(红,绿,蓝)颜色空间下各颜色分量间多种色差运算的自适应阈值分割与基于H(色调)和S(饱和度)的K均值聚类算法对苹果影像的分割,选取适宜于自然生长状态下成熟期苹果影像分割的最佳算法分割目标物.在影像分割的基础之上,通过计算影像中苹果区域的总面积与单果平均面积之商确定苹果数目.试验结果表明:1.1×R-G色差运算结合自适应阈值分割算法对成熟期苹果影像有较好的分割效果;以影像中苹果总面积与单果平均面积之商确定苹果数目的算法准确率可达82.18%,计数方法准确率高. 相似文献
14.
水果采摘机器人视觉系统的目标提取 总被引：10，自引：3，他引：10
在田间对作物的果实图像进行实时、准确地目标识别提取，是采摘机器人视觉系统的关键技术，而目标提取的实质是图像分割。大部分水(蔬)果处于采摘期时，表面颜色与背景颜色存在较大差异。而同一品种果实表面颜色相近，体现为在色彩空间果实表面颜色和背景颜色存在着不同的分布特性。根据这一特性，提出了一种基于色彩空间参照表的适用于水果采摘机器人视觉系统果实目标提取的图像分割算法。该算法先由果实样本图像建立色彩空间参照表，再根据色彩空间参照表采用一种类似于“卷积”的方法进行图像分割。与现有其他方法比较，本方法基于彩色的信息处理，可将背景除去得更干净；对背景不做分割处理、无复杂运算，有利于机器人实时图像处理。采用该算法分别对草莓、橙子、西红柿的图像在L^*n^*6^*，Hsv，YCbCr色彩模型下进行了实验，结果显示该算法在这些色彩模型下均可取得理想的图像分割效果。 相似文献
15.
首先,采用自适应G-B色差法对初始图像计算,获得色差灰度图,使用迭代阈值分割法提取果实兴趣区;其次,对经形态学处理后的兴趣区图像进行Blob分析,计算每个Blob的离心率和像素面积,去除明显偏离果实形状特点的Blob;最后,应用改进圆形Hough变换算法检测潜在类圆形果实目标,最终采用融合方向梯度直方图特征和网格搜索优化支持向量机的判别模型进一步去除虚假果实目标,提升苹果目标的侦测精确度。试验结果显示,该方法对果园自然环境下幼小青苹果的侦测正确率为88.51%,漏报率和误报率分别为11.49%和4.84%,算法模型综合性能指标为90.29%,表明该方法对幼果期苹果目标具有较强的侦测能力和较好的鲁棒性,该结果为果实作业机器人幼果期的自动化果实侦测提供参考。 相似文献
16.
【目的】解决棉田复杂背景下棉花叶部病害快速识别问题,为提出一种快速提取棉花植株和分割棉花叶片的方法。【方法】通过棉花植株的RGB颜色特征将植株与土壤进行分离,结合形态学处理技术和彩色分割方法,将植株的茎秆去除,保留棉花叶片部分;分别使用广度搜索分割算法、分水岭分割算法和轮廓搜索分割算法,对棉花叶片图像进行分割提取。【结果】基于广度搜索的分割算法将叶片轮廓搜索出来与原图融合分离出叶片,该算法对于图像结构简单的情况分割效果较好,通过对应的drawContours函数将每个轮廓画出,再与原图定位,将叶片的完整信息也轮廓结合,实现叶片的分离。【结论】基于距离变换的分水岭分割算法存在过分割问题,基于广度搜索分割算法与边缘检测结合对于叶片结构清楚图像分割效果显著,与轮廓搜索算法相比,后者的适用性更广,提取的轮廓层次结构也清楚,分割效果最佳。 相似文献
17.
针对传统方法对苹果叶片进行图像分割和测量几何形状参数精确度较低的问题,结合基于深度学习和引导滤波技术提出一种新的苹果叶片图像自动分割算法。首先采用深度学习方法,使用BiseNet卷积神经网络对苹果叶片图像进行自动分割,得到苹果叶片主体轮廓;然后使用彩色苹果叶片图像作为引导图像对主体轮廓进行引导滤波处理,以增强边缘锯齿等细节特征信息;最后将主体轮廓与细节特征信息进行联合分割,得到完整、准确的苹果叶片信息。对包含174种8 184张苹果叶片图像数据集进行试验,结果表明苹果叶片分割的精确率达到98.99%,交并比98.82%。利用本研究算法能够真正实现准确、快速测量苹果叶片的面积、周长等参数值,为苹果叶片几何参数的测定提供了一种新的测量方法。 相似文献
18.
Immature peach detection in colour images acquired in natural illumination conditions using statistical classifiers and neural network 总被引：1，自引：0，他引：1
Detection of immature peach fruits would help growers to create yield maps which are very useful tools for adjusting management practices during the fruit maturing stages. Machine vision algorithms were developed to detect and count immature peach fruit in natural canopies using colour images. This study was the first effort to detect immature peach fruit in natural environment to the authors’ knowledge. Captured images had various illumination conditions due to both direct sunlight and diffusive light conditions that make the fruit detection task more difficult. A training set and a validation set were used to develop and to test the algorithms. Different image scanning methods including finding potential fruit regions were developed and used to parse fruit objects in the natural canopy image. Circular Gabor texture analysis and ‘eigenfruit’ approach (inspired by the ‘eigenface’ face detection and recognition method) were used for feature extraction. Statistical classifiers, a neural network and a support vector machine classifier were built and used for detecting peach fruit. A blob analysis was performed to merge multiple detections for the same peach fruit. Performance of the classifiers and image scanning methods were introduced and evaluated. Using the proposed algorithms, 84.6, 77.9 and 71.2 % of the actual fruits were successfully detected using three different image scanning methods for the validation set. 相似文献