共查询到16条相似文献，搜索用时 267 毫秒
1.
针对视觉导航系统应用在火龙果园环境中面临干扰因素多、图像背景复杂、复杂模型难以部署等问题,本文提出了一种基于改进DeepLabv3+网络的火龙果园视觉导航路径识别方法。首先,采用MobileNetV2取代传统DeepLabv3+的主干特征提取网络Xception,并将空间金字塔池化模块(Atrous spatial pyramid pooling, ASPP)中的空洞卷积替换成深度可分离卷积(Depthwise separable convolution,DSC),在提升模型检测速率的同时大幅减少了模型的参数量和内存占用量;其次,在特征提取模块处引入坐标注意力机制(Coordinate attention,CA),增强了模型的特征提取能力;最后,通过设计的导航路径提取算法对网络模型分割出的道路掩码区域拟合出导航路径。实验结果表明：改进后的DeepLabv3+的平均交并比和平均像素准确率分别达到95.80%和97.86%,相较原模型分别提升0.79、0.41个百分点。同时,模型内存占用量只有15.0MB,和原模型相比降低97.00%,与Pspnet和U-net模型相比则分别降低91.57%、 91.02%。另外,导航路径识别精度测试结果表明平均像素误差为22像素、平均距离误差7.58cm。已知所在果园道路宽度为3m,平均距离误差占比为2.53%。因此,本文研究方法可为解决火龙果园视觉导航任务提供有效参考。 相似文献
2.
水稻收获作业视觉导航路径提取方法 总被引：6，自引：0，他引：6
针对水稻收获视觉导航中的路径规划问题,提出一种水稻收获作业视觉导航路径提取方法。通过相机标定获取畸变参数矫正原始图像,并进行高斯滤波,采用基于2R-G-B超红特征模型的综合阈值法进行图像二值化分割,并对二值图像进行形态学的开-闭运算,抑制噪声干扰,根据图像灰度垂直投影值动态设定感兴趣区域,水平扫描获取作物线拟合关键点,最后采用多段三次B样条曲线拟合法提取水稻待收获区域边界线。室内试验表明,采用本文所提出的图像处理方法提取的图像中距离信息平均误差为9. 9 mm、偏差率为2. 0%,角度信息平均误差为0. 77°、误差率2. 7%。在顺光、逆光、强光、弱光4种光线环境下,对中粳798和临稻20两种作物进行了收获路径提取田间试验,以像素误差、距离误差、相对误差和标准差为评价指标,对比了不同光线下的路径提取结果,试验结果表明,对于中粳798的收获图像,4种光线环境下15个关键点的平均像素误差为28. 7像素,平均距离误差39. 7 mm,平均相对误差2. 7%;强光环境平均像素误差最小,为26. 2像素;弱光环境平均距离误差最小,为23. 9 mm;强光环境平均相对误差最小,为2. 0%;顺光环境稳定性最好,标准差为6. 8像素。对于临稻20的收获图像,4种光线环境下15个关键点的平均像素误差36. 5像素,平均距离误差45. 0 mm,平均相对误差2. 8%,在逆光环境下的平均像素误差、平均距离误差和平均相对误差均最小,分别为29. 5像素、36. 9 mm和2. 3%,稳定性也最好,标准差为10. 8像素。单帧图像平均处理时间38 ms。本研究可为田间作物线检测和收获作业的自动导航提供参考。 相似文献
3.
针对果园开沟施肥,提出一种基于图像处理的果树滴水线导航路径检测方法。该方法采用垂直地面向上布置的CCD相机采集果树冠层投影图像,并实现果树冠层沿地面垂直投影轮廓的识别与滴水线平滑处理,进而对无人施肥装备沿果树环状行走路径进行确定。通过相机标定获取相机内部参数和畸变参数,对原始图像进行畸变矫正;通过对图像在RGB颜色空间的分布特征进行定量分析,使用平均值法对图像灰度处理,使用定阈值法进行二值分割;二值图像中由于存在大量的空间间隙,使用形态学膨胀操作,填充间隙,以凸显树冠投影边缘轮廓;使用边界跟踪算法,提取树冠轮廓边缘;引入Beseel曲线拟合方法,对轮廓边缘进行平滑处理,通过对比二阶、三阶、四阶、五阶拟合结果,得出使用三阶和四阶Beseel拟合结果较为符合导航路径要求。将相机固定在一个位置,分别在晴天和阴天拍摄条件下采集图像,进行滴水线导航路径提取,分别使用三阶和四阶Beseel曲线拟合晴天和阴天的图像边缘轮廓,使用四阶拟合结果较为符合实际要求,平均像素误差为19.5像素,平均像素相对误差为2.6%,平均每帧图像处理速度为27 ms,能较好地满足导航精度和实时性的要求,为施肥作业平台沿滴水线自动导航提供参考。 相似文献
4.
针对目前果园垄间导航路径识别方法存在准确性与实时性难以同时兼顾、泛化能力弱等问题,本文在U-Net模型的基础上进行优化,采用MobileNet-v3 Large作为U-Net的主干特征提取网络,并在跳跃连接处引入坐标注意力机制(Coordinate attention, CA),构建轻量化路径识别模型。以该模型分割的垄间可行驶区域为基础,利用最小二乘法重塑可行驶区域边缘点,并进一步提取垄间导航线。首先采用数据增强的草莓垄间数据集进行模型训练,并进一步迁移到葡萄和蓝莓数据集上进行权重微调,以提高模型适应能力。最后在相应的验证集上进行导航路径识别,并通过可视化对比不同模型识别结果,以验证模型准确性。试验结果表明,网络模型在草莓、蓝莓和葡萄果园垄间路径识别的平均交并比分别为98.06%、97.36%和98.50%,平均像素准确度分别达到99.13%、98.75%和99.29%。模型处理RGB图像分割可行驶区域的理论推理速度可达19.23 f/s,满足导航实时性和准确性的要求。 相似文献
5.
果园机器人视觉导航行间位姿估计与果树目标定位方法 总被引：3，自引：0，他引：3
针对单目视觉导航中位姿信息不完整和果树定位精度低的问题,提出基于实例分割神经网络的偏航角、横向偏移、果树位置计算方法。首先,基于Mask R-CNN模型识别并分割道路与树干;其次,寻找道路掩码凸包并进行霍夫变换,由凸包中的边界方程计算消失点坐标;最后,根据建立的位姿-道路成像几何模型,计算偏航角、横向偏移与果树相对位置。实验结果表明：改进Mask R-CNN模型的边框回归平均精确度为0.564,分割平均精确度为0.559,平均推理时间为110 ms。基于本文方法的偏航角估计误差为2.91%、横向偏移误差为4.82%,果树横向定位误差为3.80%,纵向误差为2.65%。该方法能在不同位姿稳定地提取道路与果树掩码、计算消失点坐标与边界方程,较准确地估计偏航角、横向位移和果树相对位置,为果园环境下的视觉自主导航提供有效参考。 相似文献
6.
基于光照色彩稳定性分析的温室机器人导航信息获取 总被引：2，自引：0，他引：2
针对温室环境下视觉导航存在光照波动影响问题,从应用可行性角度,研究了一种基于光照色彩稳定性的导航信息获取方法.分析了温室导航线图像在颜色空间的色彩特征分布,建立了光照分析模型,以提高不同光照条件下的导航线提取适应性.提出g、Cr、Cb色彩分量组合的导航线分割方法,实现了导航信息有效快速识别.采用基于导航参考点的改进Hough变换拟合导航路径,通过几何关系获得导航侧向位移和角度偏差作为导航参数.温室环境下随机拍摄150幅不同光照导航图像进行识别算法验证,导航线平均识别率为93.9％.导航实验结果表明,导航线获取方法平均耗时约95 ms,在运行速度低于1.5 m/s时最大路径跟踪误差小于6 cm,满足视觉导航实时性和准确性的要求. 相似文献
7.
8.
为解决果园视觉导航机器人行间自主行进和调头问题,提出了基于Mask R-CNN的导航线提取方法和基于随机采样一致性(Random sample consensus, RANSAC)算法的树行线提取方法。首先,基于Mask R-CNN模型对道路与树干进行识别,提取道路分割掩码和树干边界框坐标;其次,在生成行间导航线的基础上,采用改进RANSAC算法提取前排树行线;然后,计算树干边界框坐标点到前排行线的距离,筛选后排树干坐标点,采用最小二乘法拟合生成后排树行线;最后,通过分析前后排树行信息判断调头方向,结合本文提出的行末端距离计算与调头路径规划方法,规划车辆的调头路线。实验结果表明：在不同光照、杂草、天气环境下的6种果园场景中,模型的平均分割精度和边界框检测精度都为97.0%,导航目标点提取的平均偏差不超过5.3%,树行线检测准确率不低于87%,调头后车辆距道路中心的平均偏差为7.8 cm,可为果园环境下的视觉自主导航提供有效参考。 相似文献
9.
基于机器视觉边缘检测的园林喷药机器人导航线提取 总被引：1，自引：0，他引：1
导航路径的精确拟合是园林机器人自动化导航的关键,针对现有园林喷洒机器人仍是人工操作为主的现象,提出一种基于视觉边缘检测的导航路径拟合算法,用于指导园林喷药机器人的自动化导航。首先利用“化曲为直”的思想,截取拍摄图像的最后200像素行作为感兴趣区域;其次提出一种针对园林道路的灰度化因子,对图像进行灰度化处理;然后对图像进行行扫描,根据噪声和道路在几何学上的差异,设定宽度阈值T,快速检测出道路边缘;根据检测出的边缘点,计算道路边缘点的均值拟合出边界线;最后,根据道路顶点坐标,计算出梯形道路的中轴线方程提取出导航线,为园林机器人导航提供参数。试验结果表明该算法处理一幅图像平均耗时53 ms,误差在0.6°内,可见本文所提算法可以满足实时性要求,且算法鲁棒性好、准确性高,为园林喷药机器人的自动化导航提供理论依据。 相似文献
10.
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。 相似文献
11.
面向果园运输车果品采收自主运输作业场景，提出了一种基于VINS-MONO和改进YOLO v4-Tiny的果园自主寻筐方法。首先基于VINS-MONO视觉惯性里程计算法，进行果园运输车位置姿态的实时估计。然后基于改进YOLO v4-Tiny目标检测算法，根据图像数据进行果筐实时目标检测并获取对应深度信息。其次根据运输车当前位置姿态、果筐深度信息以及深度相机内参，进行被识别果筐位置更新。最后基于三次B样条曲线拟合原理，以被识别果筐位置为控制点，进行寻筐路径实时拟合，为果园运输车抵近果筐提供路线引导。试验结果表明：改进YOLO v4-Tiny果筐识别模型的平均识别精度为93.96%,平均推理时间为14.7 ms, 4 m内的果筐距离定位误差小于4.02%,果筐角度定位误差小于3°,果园运输车实测平均行驶速度为3.3 km/h,果筐搜寻路线平均更新时间为0.092 s,能够在果树行间和果园道路两种作业环境下稳定实现自主寻筐。该方法能够为果园运输车提供自主寻筐路径引导，为其视觉导航提供研究参考。 相似文献
12.
基于深度语义分割网络的荔枝花叶分割与识别 总被引：2，自引：0，他引：2
针对使用目标检测、实例分割方法无法对复杂自然环境下稠密聚集的荔枝花进行识别的问题,提出一种基于深度语义分割网络识别荔枝花、叶像素并实现分割的方法。首先在花期季节于实验果园拍摄荔枝花图像;然后制作标签,并进行数据增强;构建深度为34层的ResNet主干网络,在此基础上引入稠密特征传递方法和注意力模块,提取荔枝花、叶片的特征;最后通过全卷积网络层对荔枝花、叶片进行分割。结果表明,模型的平均交并比(mIoU)为0.734,像素识别准确率达到87%。本文提出的深度语义分割网络能够较好地解决荔枝花的识别与分割问题,在复杂野外环境中具有较强的鲁棒性和较高的识别准确率,可为智能疏花提供视觉支持。 相似文献
13.
14.
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。 相似文献
15.
针对果园道路无明显边界且道路边缘存在阴影、土壤和沙石干扰等问题，提出一种基于特征融合的果园非结构化道路识别方法。通过相机标定获取畸变参数对采集到的图像进行畸变矫正，并提出一种基于滤波与梯度统计相结合的动态感兴趣区域(ROI)提取方法对HSV颜色空间S分量进行ROI选取，采用最大值法将颜色特征与S分量多方向纹理特征掩膜相融合并进行二值化与降噪处理。根据道路边缘突变特征寻找特征点，并提出一种基于距离与位置双重约束的两级伪特征点剔除方法。为更好贴合非结构化道路不规则边缘，引入分段三次样条插值法拟合道路边缘，以此实现道路识别。试验结果表明，在晴天、阴天、顺光、逆光、冬季晴天和雨雪天气6种工况条件下，S分量、纹理图像和融合图像的平均纵向偏差均值分别为2.43、39.71、1.36像素，平均偏差率均值分别为0.99%、18.02%和0.54%,相较于S分量与纹理图像而言，使用本文方法构建的融合图像其平均纵向偏差与平均偏差率均得到有效减少。最小二乘法、随机采样一致性法(RANSAC)与分段三次样条插值法拟合边缘的平均偏差均值分别为2.64、3.16、0.66像素，平均偏差率均值分别为1.02%、1.... 相似文献
16.
基于语义分割的矮化密植枣树修剪枝识别与骨架提取 总被引：1，自引：0，他引：1
为了实现休眠期枣树自动选择性剪枝作业,针对复杂树形结构修剪枝难以识别的问题,研究了基于语义分割网络实现自然场景中枣树修剪枝识别与骨架提取。通过RGB-D相机搭建的视觉系统获取不同天气情况下枣树的点云信息,根据距离阈值去除复杂的枣园背景,并构建枣树前景数据集。利用DeepLabV3+和PSPNet 2种深度学习模型分割枣树枝干同时获取其修剪枝的掩膜,并进行结果对比。对修剪枝掩膜进行二值化,依据二值图像的面积去除噪声,对去噪后的连通域标记,并提取修剪枝骨架,最终确定修剪枝数量,建立修剪枝数量真实值与预测值之间的线性回归模型。结果表明：基于ResNet-50特征提取网络的DeepLabV3+模型识别结果最好,平均像素准确率（mPA）、平均交并比（mIoU）分别为89%和81.85%,其中枣树主干、修剪枝2个类别的像素准确率（PA）和交并比（IoU）分别为90.36%、80.98%和80.34%、66.69%;在3种典型天气（晴天、阴天、夜间）情况下,晴天枣树枝干的mPA（91.97%）略高于阴天（91.81%）和夜间（90.98%）,同时,预测的修剪枝与真实值的R2（0.8699）也高于阴天（0.8373）和夜间（0.8120）,并得到最小的RMSE为1.1618。 相似文献