共查询到19条相似文献，搜索用时 203 毫秒
1.
2.
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
3.
基于深度卷积神经网络的柑橘目标识别方法 总被引：7，自引：0，他引：7
针对户外自然环境,基于深度卷积神经网络设计了对光照变化、亮度不匀、前背景相似、果实及枝叶相互遮挡、阴影覆盖等自然环境下典型干扰因素具有良好鲁棒性的柑橘视觉识别模型。模型包括可稳定提取自然环境下柑橘目标视觉特征的深层卷积网络结构、可提取高层语义特征来获取柑橘特征图的深层池化结构和基于非极大值抑制方法的柑橘目标位置预测结构,并基于迁移学习完成了柑橘目标识别模型训练。本文运用多重分割的方法提高了柑橘目标识别模型的多尺度图像检测能力和实时性,利用包含多种干扰因素的自然环境下柑橘目标数据集测试,结果表明,柑橘识别模型对自然采摘环境下常见干扰因素及其叠加具有良好的鲁棒性和实时性,识别平均准确率均值为86. 6%,平均损失为7. 7,平均单帧图像检测时间为80 ms。 相似文献
4.
【目的】传统的水果检测识别技术具有一定的环境适应缺陷性和主观性,通常是对水果的纹理、颜色、形状等外表特征进行提取和识别,为实现对柑橘果实产量的精准预测,需研究温室环境下对柑橘果实的快速识别及计数。【方法】项目组选取从柑橘种植园中多场景拍摄的5 926张图片作为训练集、738张图片作为验证集、608张图片作为测试集,采用DeepSort算法结合改进YOLOv5算法的方式,通过在主干部分加入SE注意力机制以实现对算法的改进,从而提高对柑橘果实的识别效果;在柑橘果实计数部分,主要采用DeepSort算法给予每个柑橘果实单独的ID编号以实现对柑橘果实的计数。【结果】改进后的YOLOv5算法对柑橘果实的平均识别准确率为93.712%,相比改进前的CenterNet算法、EfficientDet算法、SSD算法、YOLOv4算法、YOLOX算法,平均识别准确率提升了1.354个百分点,并且精确度和召回率也有一定的提升,结合DeepSort算法后对柑橘果实的平均多目标跟踪准确率为88.465%,可较准确地实现对柑橘果实的计数。【结论】DeepSort算法具有提升目标被环境等其他因素遮挡情况下的计数效... 相似文献
5.
巡检机器人获取柑橘树上果实完整表面信息方法研究 总被引：1，自引：0，他引：1
为监控柑橘的生长情况,提出了一种通过巡检机器人获取单个柑橘果实完整表面信息的方法。使用LabelMe为标记工具,采用类圆形和类长方形分别对柑橘果实和分段枝干进行标记,再使用Mask R-CNN模型对其进行训练与识别,可从Kinect V2相机拍摄的含有深度信息的图像中提取出柑橘果实及分段枝干的三维信息。根据柑橘果实生长情况及发生病虫害情况,〖JP2〗对柑橘果实表面进行区域化划分,并采取积分制描述其表面信息获取率。通过机械臂末端连接的CCD相机对柑橘果实进行表面信息获取,提出了获取柑橘完整表面信息的3种机械臂拍摄方案。搭建了巡检机器人实验平台,在机器人操作系统(Robot operating system,ROS)下进行了仿真,提出实验室环境下柑橘表面信息的获取流程,并在实验室环境下对巡检机器人获取柑橘完整表面信息进行了实验验证。实验结果表明,柑橘果实的横纵径比越接近1,拍摄所获取的柑橘外表面信息越完整,当采用3个拍摄位姿的拍摄方案时,在保证获取柑橘表面完整率的同时可以获得较高的避障成功率和工作效率,柑橘表面信息获取率可达94.21%,〖JP3〗机械臂平均运动时间为86.57s。本研究为农业巡检机器人获取柑橘表面情况、监控柑橘生长及病虫害信息提供了方法。 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.
面向柑橘采摘,构建以上位机、RealSense Camera R200深度相机、VS-6556垂直多关节工业用机械臂、三指柔性手爪等组成的采摘机器人硬件平台。以Windows10为开发环境,采用librealsense相机软件开发工具包、OpenCV计算机视觉库、TensorFlow-GPU和Keras深度学习框架、ORIN2机械臂控制软件开发工具包、Arduino IDE函数库以及SerialPort串口通信软件开发工具包等,研究基于深度相机、机械臂二次开发的采摘控制系统设计,包括视觉识别定位、手爪动作控制、机械臂运动控制以及采摘控制等模块的程序设计。采摘控制系统柑橘定位试验和柑橘采摘试验的测试结果显示,在实验室环境下面对随机布置的柑橘,视觉识别定位模块的平均定位精度误差为1.22 cm,采摘过程中柑橘识别成功率达到100%,平均识别时间约为47 ms,机器人柑橘采摘成功率达到80%,平均采摘时间约为15.2 s,验证了采摘机器人平台控制系统程序的可行性,表明所开发的采摘控制系统能够正确、高效地完成整个柑橘采摘作业流程。 相似文献
8.
温室黄瓜果实的模式识别与分割-利用Bayes分类判别模型 总被引：1，自引：0，他引：1
利用黄瓜果实与其果梗叶片在颜色深度上的差异,采用在自然背景下的黄瓜图像为训练样本,分别提取出黄瓜果实与背景的RGB颜色分量信息,计算出各自的分类判别函数,利用Bayes分类判别模型对自然背景下的黄瓜果实进行判别。试验表明:利用Bayes模式识别能够较好地实现对成熟黄瓜果实与背景的分离;在识别后对图像进行腐蚀,膨胀,区域标记及特征提取等处理,能够较为准确地提取出成熟黄瓜果实及其重心位置。 相似文献
9.
准确识别定位采摘点，根据果梗方向，确定合适的采摘姿态，是机器人实现高效、无损采摘的关键。由于番茄串的采摘背景复杂，果实颜色、形状各异，果梗姿态多样，叶子藤枝干扰等因素，降低了采摘点识别准确率和采摘成功率。针对这个问题，考虑番茄串生长特性，提出基于实例分割的番茄串视觉定位与采摘姿态估算方法。首先基于YOLACT实例分割算法的实例特征标准化和掩膜评分机制，保证番茄串和果梗感兴趣区域(Region of interest, ROI)、掩膜质量和可靠性，实现果梗粗分割；通过果梗掩膜信息和ROI位置关系匹配可采摘果梗，基于细化算法、膨胀操作和果梗形态特征实现果梗精细分割；再通过果梗深度信息填补法与深度信息融合，精确定位采摘点坐标。然后利用果梗几何特征、八邻域端点检测算法识别果梗关键点预测果梗姿态，并根据果梗姿态确定适合采摘的末端执行器姿态，引导机械臂完成采摘。研究和大量现场试验结果表明，提出的方法在复杂采摘环境中具有较高的定位精度和稳定性，对4个品种的番茄串采摘点平均识别成功率为98.07%,图像分辨率为1 280像素×720像素时算法处理速率达到21 f/s,采摘点图像坐标最大定位误差为3像素... 相似文献
10.
基于改进YOLO v3网络的夜间环境柑橘识别方法 总被引：9，自引：0，他引：9
为研究夜间环境下采摘机器人的视觉检测技术,实现采摘机器人的夜间作业,提出了一种多尺度卷积神经网络Des-YOLO v3算法,可实现夜间复杂环境下成熟柑橘的识别与检测。借鉴残差网络和密集连接网络,设计了Des-YOLO v3网络结构,实现了网络多层特征的复用和融合,加强了小目标和重叠遮挡果实识别的鲁棒性,显著提高了果实检测精度。柑橘识别试验结果表明, Des-YOLO v3网络的精确率达97.67%、召回率为97.46%、F1值为0.976,分别比YOLO v3网络高6.26个百分点、6.36个百分点和0.063。同时,经过训练的模型在测试集下的平均精度(mAP)为90.75%、检测速度达53f/s,高于YOLO v3_DarkNet53网络的平均精度88.48%,mAP比YOLO v3_DarkNet53网络提高了2.27个百分点,检测速度比YOLO v3_DarkNet53网络提高了11f/s。研究结果表明,本文提出的Des-YOLO v3网络对野外夜间复杂环境下成熟柑橘的识别具有更强的鲁棒性和更高的检测精度,为柑橘采摘机器人的视觉识别提供了技术支持。 相似文献
11.
为了解决近色背景果实识别困难问题,针对果实近球形的形态特性,提出了一种利用深度图像从果实形态角度进行果实识别定位的算法。该算法使用深度摄像头获取果树的深度图像,通过深度图像计算出各像素点的梯度向量,将梯度向量看作运动矢量场,并计算出矢量场的散度,根据散度最大原则,从矢量场中搜索出辐散中心点;然后利用果实和叶片等深图像的差异从辐散中心点中筛选出果实中心点,以果实中心点为起点采用八方向搜索方法搜索出果实边界点,将果实边界点依次连接后形成的封闭区域内的果实图像导入点云;最后根据果实图像部分点云利用RANSAC算法求出目标果实的拟合球形,进而得出果实的尺寸以及三维空间位置。该算法无需传统算法需要利用的颜色特征,而仅利用了深度图像中的深度信息进行果实识别定位,能够克服传统算法受色彩、光照等因素影响的弊端,并且由于该算法完全没有利用到彩色图像信息,因此不仅可以实现绿色果实的识别定位,还可以实现采摘机器人在夜间环境下正常工作,为复杂环境下的果实识别定位算法研究提供了技术支撑。 相似文献
12.
为进行表型原位自动化测量,实现甜椒数字化育种和管理,针对原位果实表型测量中的目标遮挡问题,提出一种多视角甜椒果实点云的三维重构方法。通过虚拟叶片的方法,创建增强数据集,建立基于YOLO v5算法的甜椒果实识别模型,实现对不同遮挡程度果实的识别,同时,构建考虑果实位置与遮挡程度的果实表型采集算法,实现多视角的果实三维数据采集。最后,配准甜椒果实三维点云,提取甜椒表型参数,并通过温室甜椒果实表型,对点云重构方法的有效性进行验证。相较手动测量数据,果实果宽平均相对误差为1.72%,果高平均相对误差为1.60%。试验结果表明,本文所提出的甜椒原位表型点云重构方法,可为遮挡条件下作物表型提供有效的解决思路和可行方法。 相似文献
13.
基于深度相机的玉米株型参数提取方法研究 总被引：1，自引：0，他引：1
提出了一种基于骨架提取的改进算法,可实现在大田环境下,使用PMD深度相机快速、无损测量玉米株型参数。首先利用深度图像RGB伪彩色和深度距离信息,提取深度图像的骨架,排除复杂背景干扰,得到单株玉米的二值骨架图像;然后利用基于角点检测的改进归类算法提取骨架图像特征点;最后建立骨架图像中特征点与深度图像的对应关系,利用空间几何数学方法,结合特征点计算出玉米的3种株型参数,即株高、茎粗、叶倾角。农田实验对比分析表明,所提方法的株高测量结果与人工测量结果的相关系数 r 为0.986,最大相对误差小于2 cm,农田作物育种抗逆性分析还表明玉米株型参数与抗倒伏性具有显著相关性。 相似文献
14.
针对目前非离株番茄果实的非接触式单果质量快速估测困难等问题,提出了一种基于局部点云和卷积神经网络的番茄单果质量估测方法。以浙粉702番茄为试验对象,首先通过深度相机采集50个番茄单果的336块原始点云,并增强至1 344块点云用于构建数据集。通过多种点云分割方法比较,选取三维连续卷积神经网络用于番茄单果分割。于分割后的数据提取点云沿x轴轴向尺寸dx、沿y轴轴向尺寸dy、沿z轴轴向尺寸dz和沿z轴投影最小外接圆直径d共4个空间特征信息,并将其馈送到3层回归网络中,用于训练、确定优化器和学习率达到最优状况下的单果质量估测模型。最后,选取268块增强点云对构建的数学模型进行测试,并进行模型准确性和稳定性评估分析。结果表明,与番茄单果实际质量相比,平均偏差3.7～4.8 g,平均相对误差约3.04%,优于传统图像处理方法。该研究可为其他农畜产品的非接触式单果质量估测提供技术参考。 相似文献
15.
根据冠层点云的分布特征,提出一种基于动态K阈值的叶片点云聚类及生长参数提取方法。首先,采用地面三维激光扫描仪获取多站点云数据并完成配准、去噪和抽稀等预处理;然后,随机截取整株点云中的一枝作为研究对象,融合局部凹凸性算法(LCCP)并改进K-means算法,提出基于动态K阈值的叶片点云聚类方法;最后,采用主成分分析方法(PCA)计算叶片点云法平面方向向量,并根据叶片边界点与中心点的位置关系,计算叶宽、叶长等生长参数。试验结果表明,与传统的点云聚类方法相比,本文方法能够在不损失枝干点云的前提下,精确地分割单叶片,保证了聚类结果的完整性和彻底性;与传统的降维方法相比,本文基于真实三维空间信息提取叶片生长参数能够较大程度提高提取准确性,为进一步评价果树冠层光照分布及果园智能化管理提供技术支持。 相似文献
16.
基于红外热成像树上板栗机器识别研究 总被引：1，自引：0，他引：1
针对普通视觉系统无法分类识别的特点,将红外热成像技术引入到树上板栗的机器识别检测当中,建立了果园树上板栗红外热成像系统。记录了白天树上板栗果实与冠层温度变化情况,发现下午2:00~4:00之间,二者温度差异最为显著,最大温差可达3℃。研究了正常板栗果、坏死果以及空心果的红外辐射差异,发现坏死果表面温度最高,正常果次之,空心果温度最低。最后对获取的热图像进行温度校正、阈值分割、特征提取、目标标识。结果表明,树上板栗的有效识别率在85%以上。 相似文献
17.
遮挡条件下基于MSF-PPD网络的绿萝叶片点云补全方法 总被引：1，自引：0，他引：1
针对在自然场景中,由于遮挡、视角限制和操作不当等问题,导致传感器获取的植物或器官点云不完整,提出了一种基于多尺度特征提取模块结合点云金字塔解码器（Multi scale feature extraction model with point cloud pyramid decoder,MSF-PPD）的叶片形状补全网络。首先,采用多尺度特征提取模块实现不同维度特征信息的全局提取和融合,其次,通过点云金字塔解码器进行叶片点云的多阶段生成补全,最终得到完整的目标叶片形状。使用曲面参数方程构建绿萝叶片仿真模型库,并将其离散成点云作为网络模型训练的训练集和验证集,使用Kinect v2相机获取绿萝叶片点云作为网络模型补全性能评估的测试集。试验结果表明,本文网络结构对叶片点云补全的效果理想,证明本文方法能够对遮挡情况下的绿萝叶片进行高效、完整的补全。 相似文献
18.
智慧果园是未来果园行业发展的趋势,智能化果实采摘是发展智慧果园的关键问题。为实现智能化果实采摘,本文搭建了一种适用于丘陵果园矮化栽培模式下的柑橘采摘机器人系统。针对丘陵果园垄间地面凹凸不平,存在地形倾斜角0°~20°,设计了一种自适应调平平台保持机械臂基座水平;通过视觉系统获取多幅点云图像建立果树的三维点云模型,获取果实位置信息;为避免采摘时造成果实损伤,结合柑橘类水果的采摘特点,设计了一种剪切夹持一体化的末端执行器完成柑橘采摘。针对果园自然环境的主要扰动因素（风和光照）进行分级,设置10组对比试验,结果表明：在低光照或正常光照条件下,平均果实定位准确率为82.5%,末端执行器夹取成功率为87.5%,平均采摘时间最短为12.3s/个;高光照条件下平均果实定位准确率为72%,末端执行器夹取成功率为80%,平均采摘时间最短为12.5s/个。 相似文献
19.
花椒树产果量大,枝干纵横交错,树叶茂密,给花椒的自动化采摘带来了困难。因此,本文设计一种基于改进YOLO v5的复杂环境下花椒簇的快速识别与定位方法。通过在主干提取网络CSPDarknet的CSPLayer层和Neck的上采样之后增加高效通道注意力ECA(Efficient channel attention)来简化CSPLayer层的计算量,提升了特征提取能力。同时在下采样层增加协同注意力机制CA(Coordinate attention),减少下采样过程中信息的损失,强化特征空间信息,配合热力图(Grad-CAM)和点云深度图,来完成花椒簇的空间定位。测试结果表明,与原YOLO v5相比较,改进的网络将残差计算减少至1次,保证了模型轻量化,提升了效率。同帧数区间下,改进后的网络精度为96.27%,对比3个同类特征提取网络YOLO v5、YOLO v5-tiny、Faster R-CNN,改进后网络精确度P分别提升5.37、3.35、15.37个百分点,连株花椒簇的分离识别能力也有较大提升。实验结果表明,自然环境下系统平均识别率为81.60%、漏检率为18.39%,能够满足花椒簇识别... 相似文献