共查询到18条相似文献，搜索用时 218 毫秒
1.
基于最小二乘法的温室番茄垄间视觉导航路径检测 总被引：10，自引：0，他引：10
针对温室非结构作业环境和复杂背景下作业机器人路径识别检测问题开展研究。在HSI颜色空间分析番茄垄间道路图像在各分量的分布特性,提出了基于机器视觉的垄间加热管敏感区域提取方法,依据I分量直方图采用最大类间方差法进行图像自适应阈值分割,对分割后二值图像利用目标区域的边缘提取算法获得导航离散点簇。根据最小二乘法原理对导航离散点簇拟合得到2条加热管边缘线,在此基础上给出中心导航基准线检测算法,并针对光照不均和作物遮挡对导航路径检测进行了实验。实验表明,与Hough变换算法相比,该算法简单快速,对光照不均具有良好的鲁棒性,能够准确提取目标敏感区域的边缘信息,对不同遮盖率番茄垄间导航路径提取正确率达91.67%。 相似文献
2.
基于背景饱和度压缩与差异阈值分割融合的香蕉串识别 总被引：2，自引：0，他引：2
《中国农机化学报》2021,(6)
针对卷积神经网络识别香蕉串样本需求量大、训练时间长、硬件配置高,而传统图像处理方法易受光照、背景颜色影响导致识别的香蕉串不完整且噪声点多等问题,提出一种基于图像背景饱和度压缩与差异阈值分割融合的香蕉串识别方法。首先根据饱和度图像中灰度等级的像素比例自适应确定香蕉串区域的高、低饱和度阈值,然后对小于低饱和度阈值的图像背景做伽马变换;对大于高饱和度阈值的图像背景做半值压缩,进而增强香蕉串区域与环境背景的对比度。接着,采用大、小阈值范围分别对饱和度分量与色调分量的差值图像进行分割,并对分割结果进行孔洞填充和连通域提取,将获取的背景噪声与大、小阈值范围的分割结果做差值融合进一步去噪,从而得到噪声点少、准确度较高的香蕉串。试验结果表明,对自然香蕉园环境下采集的图像样本香蕉串识别的准确度高于0.85的占比39.29%,介于0.80～0.85的占比46.43%,低于0.80的占比14.28%。本文方法能较好地适应不同光照和环境颜色下香蕉串的识别。 相似文献
3.
复杂环境下自动导引车路径识别算法 总被引：2，自引：1，他引：1
为了快速准确提取复杂环境下的自动导引车(AGV)引导路标参数,提出一种基于先验知识的直线识别算法.根据视野和引导线结构特征将全图划分为若干子区域,确定子区域自适应阈值,利用前帧图像中的直线参数信息选择行列扫描方式,剔除干扰点并获得中线点集,然后采用带搜索角度限制和分区域非均匀采样的改进Hough变换得到直线参数,最后用交比定理对参数加以校正.试验表明本算法能在不同光照、反光、阴影下对路径进行有效识别,具有较好鲁棒性,处理分辨率为576×768的图像,每帧平均用时不超过90 ms,满足运行需要. 相似文献
4.
自然光照下基于粒子群算法的农业机械导航路径识别 总被引：12，自引：0，他引：12
针对农业机械视觉导航线提取易受光照变化影响及常规导航线识别算法实时性低、抗干扰能力差等问题,对自然光照条件下基于机器视觉的农业机械导航路径识别技术进行了研究。首先,在YCr Cb颜色模型的基础上构建与光照无关的Cg分量,选择2Cg-Cr-Cb特征因子对图像进行灰度化处理,以降低光照变化对图像分割的影响;然后,采用改进K-means聚类方法进行图像分割,将绿色作物信息从土壤背景中分离出来,并通过形态学滤波方法滤除二值图像中存在的杂草干扰信息;最后,根据图像中作物行的特点建立作物行直线方程约束模型,利用粒子群算法对作物行直线进行寻优求解,进而得到导航线。实验结果表明,不同光照条件下对2Cg-Cr-Cb灰度图像进行图像分割,可以清晰完整地将作物从土壤背景中分离出来,分割图像受光照变化影响较小并且不会引入背景噪声;基于粒子群算法的导航线检测方法可以快速准确地提取出导航路径,对于不同农田作物和作物不同生长阶段具有较高的适应性,相比于常规导航线识别算法具有实时性高、鲁棒性好等优点。 相似文献
5.
基于色差信息多色彩模型的黄羽鸡快速分割方法 总被引：2，自引：0，他引：2
快速准确分割出复杂背景下的鸡只图像,是应用机器视觉系统快速识别实际饲养环境下病鸡的关键步骤。以某鸡舍散养的黄羽肉鸡为分割目标,提出了一种基于色差信息的多色彩模型鸡只分割方法。首先对200幅自然环境下拍摄的图像在常用的色彩模型下,分析了鸡冠、鸡身羽毛、鸡肚羽毛以及背景的颜色特征,利用背景在RGB色彩模型的R、G、B三分量色差信息特征进行一次分割,去除大部分的背景,然后转换到HSV色彩模型,获取黄羽鸡不同部位的H分量阈值,再由H阈值范围提取鸡身、鸡冠实现二次分割,最终得到分割目标。实验结果表明所提方法实际分割正确率为86.3%,优于L*a*b*色彩模型聚类的78.4%。所提方法复杂度小,运算时间短,适用于实时分割场合。 相似文献
6.
面向复杂背景环境目标的快速识别研究 总被引：1，自引：0，他引：1
面向复杂背景环境的定位目标的快速识别是野外作业机器人的关键技术,以柑橘为例,研究了自然环境下基于彩色信息的目标定位的识别方法。首先,采用YCbCr颜色模型来分析柑橘彩色图像的颜色和灰度特征,并通过Otsu与FCM分割算法相结合对在不同光照条件下拍摄的彩色目标图像进行分割;然后,利用形态学数学和区域标记消除分割后产生的随机噪声;最后,用凸包算法提取果实形状特征,并通过凸包算法来判定是否为柑橘和是否可采。对500张彩色柑橘图像进行分割,结果表明采用Cr颜色分量和Otsu与FCM算法相结合有效地解决复杂自然光照下的分割问题;对963个柑橘进行了凸包算法识别试验,总体识别率达87.53%。凸包算法对遮挡图像也可进行高效识别,并能快速、准确地提取柑橘目标的质心坐标。 相似文献
7.
RGB与HSI颜色空间下番茄图像分割的对比研究 总被引：6，自引：0，他引：6
针对番茄收获机器人视觉系统在自然光照条件下对田间成熟番茄图像进行分割的问题,研究了基于(R-G)色差特征的阈值分割方法和基于HSI颜色空间H色调的统计阈值分割方法,并对其进行了对比分析。在RGB颜色空间,首先提取了RGB彩色图像的R、G分量并做代数减运算得到色差灰度图像RG,然后对该色差灰度图像RG使用Otsu阈值法进行自适应分割;在HIS颜色空间下,统计番茄与叶子的H色调分布差异,然后对H色调灰度图像进行阈值分割。通过大量试验表明:基于(R-G)色差特征的阈值分割方法能够实现自适应阈值处理,能对不同自然光照强度下的生长状态为相互分离的多目标番茄图像进行有效分割;同时,对番茄的成熟度及品种差异也具有很好的鲁棒性,其性能大大优于基于HSI颜色空间H色调的统计阈值分割。 相似文献
8.
稻麦收获边界提取是联合收获机视觉导航的重要环节,针对现有收获边界提取过程中易受光照及阴影影响、处理速度较慢的问题,提出一种适用于阴影环境下的稻麦收获边界线实时提取方法。选用YCrCb色彩空间中的Cb分量进行后续图像处理,以降低光照影响,并对图像进行滤波、阈值分割、形态学操作及边缘检测处理。同时,采用累计概率霍夫变换算法提取收获边界线,在直线提取过程中通过两次筛选的方法提高阴影环境下稻麦收获边界检测的准确性。在此基础上,结合卡尔曼滤波算法、基于投影法的边界线位置预测方法,通过两次动态感兴趣区域选取的方式对算法进行改进,使得每幅图像平均处理时间由0.176087s缩短至0.064547s。该方法可为降低阴影对稻麦边界线提取的干扰、提高图像处理速度提供可行性论证及技术支撑。 相似文献
9.
10.
采用0.57R-0.18G-0.2B色差分量法对刺梨图像进行处理,通过Ostu自适应阈值分割、形态学滤波和二值图像白色色素面积阈值等方法对图像进行一次分割。根据刺梨果实图像的颜色和纹理特征,再采用YCbCr颜色空间模型中各分量的阈值对图像进行二次分割。通过标记分水岭分割算法对粘连果实连通区域进行分割,利用Hough圆变换对独立、遮挡和重叠情况下的果实外圆进行拟合和修复,最终获取果实质心坐标及其半径。试验结果表明:刺梨果实识别正确率均高于92%,说明本算法能够对刺梨果实进行有效地识别。 相似文献
11.
针对不同场景下的农机视觉导航路径提取方法适用性、抗干扰性差的问题,提出一种基于辅助线的农机视觉导航路径提取算法。首先,对均衡化处理后的农田图像采用1.8G-R-0.8B颜色模型进行灰度化,得到目标与背景区分明显的图像;其次,使用OTSU法阈值分割,对二值图像进行先开后闭运算的形态学处理方法去除图像噪声;最后,根据垂直投影法进行相应的辅助线处理,并结合改进的ROI方法提取感兴趣区域,确定导航定位点,进而最小二乘法将定位点拟合得到导航路径。仿真试验结果及对比表明：本文算法提取路径的欧式距离为1 001.9,路径提取精度相对于传统Hough方法提高47.9%,且对高分辨率图像提取时间缩短79.6%,满足农机具导航路径提取的要求的同时且具有更高的普适性。 相似文献
12.
基于U-Net网络的果园视觉导航路径识别方法 总被引：5，自引：0，他引：5
针对视觉导航系统在果园环境中面临的图像背景复杂、干扰因素多等问题,提出了一种基于U-Net网络的果园视觉导航路径识别方法。使用Labelme对采集图像中的道路信息进行标注,制作果园数据集;基于U-Net语义分割算法在数据增强的基础上对全卷积神经网络进行训练,得到道路分割模型;根据生成的道路分割掩码进行导航信息提取,生成路径拟合中点;基于样条曲线拟合原理对拟合中点进行多段三次B样条曲线拟合,完成导航路径的识别;最后进行了实验验证。结果表明,临界阈值为0.4时,语义分割模型在弱光、普通光以及强光照条件下的分割交并比分别为89.52%、86.45%、86.16%,能够平稳实现果园道路像素级分割;边缘信息提取与路径识别方法可适应不同视角下的道路掩码形状,得到较为平顺的导航路径;在不同光照和视角条件下,平均像素误差为9.5像素,平均距离误差为0.044 m,已知所在果园道路宽度约为3.1 m,平均距离误差占比为1.4%;果园履带底盘正常行驶速度一般在0～1.4 m/s之间,单幅图像平均处理时间为0.154 s。在当前果园环境和硬件配置下,本研究可为视觉导航任务提供有效参考。 相似文献
13.
针对实际番茄特征提取环境复杂情况的问题,提出了针对不同环境应用不同颜色模型来进行阈值分割的方法。通过应用改进的n R-G、YUV两种颜色模型对不同实验环境采集的图像进行阈值分割,并结合canny边缘提取算法、fitzgibbon椭圆拟合算法提取得出番茄像素坐标与像素尺寸,以此完成番茄特征提取。为得出各种颜色模型适用环境等特点,对比各种颜色模型在光线充足果实未被遮挡、光线充足果实部分遮挡和光线较弱果实未被遮挡3种情况下特征提取成功率,并比较3种颜色模型在光线充足果实未被遮挡情况下对采集图像的降噪能力。实验结果表明:n R-G颜色模型适用于采集图像噪声较小的实验环境,对于光线较弱的实验环境该模型表现出较高且稳定的特征提取成功率;YUV颜色模型表现出对含噪图像具有较为稳定的降噪能力,且对光线较强的实验环境表现出较高的特征提取成功率。 相似文献
14.
针对自然光照下粗秸秆中空、细碎秸秆细节丢失导致秸秆覆盖率图像检测法精度低的问题,提出了一种基于Sauvola与Otsu算法相结合的秸秆覆盖率检测方法。首先对彩色分量空间距离灰度化后的图像采用Sauvola阈值分割来提取秸秆区域细节图像,然后对色差法灰度化后的图像采用Otsu阈值分割来解决秸秆区域中空问题,最后对不同阈值分割图像相加,计算其平均值,从而得到秸秆覆盖率的大小。田间试验结果表明,采用此方法对不同情况秸秆覆盖与不同地区的秸秆覆盖均具有较好的识别效果,不同情况秸秆覆盖率的最大平均误差约为1.9%,不同地区秸秆覆盖率的最大平均误差约为2.5%,有效地提高了秸秆辨识的精确度。 相似文献
15.
16.
提出一种基于阈值边缘提取算法和HSV颜色模型的二次分割叶片雾滴图像识别算法。通过模拟喷雾试验得到三种不同雾滴密度的叶片样本,保留叶片自身轮廓信息的同时分割叶面雾滴,计算叶面积与雾滴覆盖率关系。结果表明应用Otsu阈值边缘提取与HSV空间混合算法相对于传统的k-means聚类分割算法、动态阈值分割算法,更适用于叶面雾滴分布的识别与检测,三种覆盖密度叶片的分割准确率分别为:95.16%、94.23%、93.76%,平均准确率为94.38%;雾滴覆盖率检测相对误差分别为:2.82%、4.11%、7.59%,平均相对误差分别为4.84%。基于阈值边缘提取与HSV空间提取的混合算法可分割叶面雾滴图像并检测完整叶面上雾滴覆盖率,识别结果能够满足识别精度的要求。 相似文献
17.
基于动态图像阈值的智能车辆路径导航 总被引：1，自引：0，他引：1
使用机器视觉技术进行智能车辆车道路径识别时,其识别效果易受光照等外界因素的影响.考虑到条带状的导航路径在获取的路径图像中的宽度应该在一个固定范围内,可以根据使用某一图像阈值识别路径后该路径的横向宽度判定先前使用的阈值是否适合,并进行相应调整,从而获取到适合各种环境的动态阈值.在给出动态图像阈值的获取流程及实现方法的基础上,对智能车辆车道路径识别和跟踪系统进行了软硬件设计,并进行实车道路试验.试验结果表明,与一般最优阈值算法相比,提出的动态阈值方法能够在各种光照条件下,尤其是强光照下准确地识别导航路径,且路径跟踪具有较好的精确性和鲁棒性. 相似文献
18.
基于注意力机制和可变形卷积的鸡只图像实例分割提取 总被引：2，自引：0，他引：2
为提高鸡只个体轮廓分割提取的精度和准确度,实现基于机器视觉技术的鸡只行为、健康、福利状态监测等精准畜牧业管理,保证相关监测技术及决策的可靠性,针对叠层笼养环境下肉鸡图像的实例分割和轮廓提取问题,提出一种优化的基于Mask R-CNN框架的实例分割方法,构建了一种鸡只图像分割和轮廓提取网络,对鸡群图像进行分割,从而实现鸡只个体轮廓的提取。该网络以注意力机制、可变形卷积的41层深度残差网络（ResNet）和特征金字塔网络（Feature pyramid networks, FPN）相融合为主干网络,提取图像特征,并经区域生成网络（Region proposal networks, RPN）提取感兴趣区域（ROI）,最后通过头部网络完成鸡只目标的分类、分割和边框回归。鸡只图像分割试验表明,与Mask R-CNN网络相比,优化后网络模型精确率和精度均值分别从78.23%、84.48%提高到88.60%、90.37%,模型召回率为77.48%,可以实现鸡只轮廓的像素级分割。本研究可为鸡只福利状态和鸡只健康状况的实时监测提供技术支撑。 相似文献