共查询到18条相似文献，搜索用时 218 毫秒
1.
2.
番茄果实串采摘点位置信息获取与试验 总被引：6，自引：6，他引：0
针对番茄收获机器人在采摘过程中果实串采摘点位置难以确定的问题,提出了基于果梗骨架角点计算方法,并利用该算法对番茄果实串果梗采摘点进行位置信息获取:首先采用最大类间方差分割法进行目标果实串分割,通过形态学方法和阈值法去除干扰,提取出目标果实串分割图像;根据果实串的质心和果串的轮廓边界确定果梗的感兴趣区域,采用快速并行细化算法提取果梗的骨架,利用Harris算法检测得到果实串第一个果实分叉点与植株主干之间果梗骨架角点,通过计算获得采摘点位置信息。然后进行验证试验,利用双目视觉图像采集系统采集了60组果实串图像并获取果梗采摘点位置信息,结果表明,采摘点位置成功率为90%,为采摘机器人提供准确的采摘位置信息。 相似文献
3.
基于高光谱成像的苹果虫害检测特征向量的选取 总被引：10，自引：7，他引：3
利用高光谱成像技术,明确苹果虫害无损检测的最优特征向量,以实现对苹果虫害的快速、准确、无损检测。本文首先对646 nm波长的特征图像进行阈值分割、膨胀与腐蚀运算获得掩膜图像,并利用掩模图像对高光谱图像进行掩模和主成分分析,对获得的PC1(the first principal component,第一主成分)图像进行最大熵阈值分割以有效提取虫害区域。然后对比分析虫害区域与正常区域图像的纹理特征,提取灰度共生矩阵的4个方向的4个纹理参数(能量、熵、惯性矩和相关性),并且采用基于高光谱图像的光谱差值获取了2个特征波长对应的光谱相对反射率作为光谱特征。优化组合纹理特征和光谱特征成4个特征向量组,采用BP(back propagation,反向传播)神经网络对正常苹果和虫害苹果进行检测。结果表明,融合0度方向的能量、熵、惯性矩和相关性的纹理特征和646、824 nm波段的相对光谱反射率的光谱特征进行检测识别效果最好,正常果的识别率为100%,虫害果的识别率为100%,并且速度快、误差小。该研究所获得的特征向量可为开发多光谱成像的苹果品质检测和分级系统提供参考。 相似文献
4.
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%。 相似文献
5.
基于高光谱成像的苹果虫伤缺陷与果梗/花萼识别方法 总被引：1，自引：5，他引：1
为了快速、准确、无损检测在果梗/花萼的干扰下苹果虫伤缺陷,该文利用高光谱成像技术,首先选取正常果和虫伤果各80个,提取并分析了苹果表面感兴趣区域(虫伤区域、果梗区域、花萼区域、正常区域)的光谱曲线,结合824 nm波长特征图像的阈值分割和主成分分析,对获得的第一主成分图像提取160×120像素大小的感兴趣区域。然后提取感兴趣区域的能量、熵、惯性矩和相关性4个纹理特征,融合646、824 nm波段的相对光谱反射率的光谱特征,采用支持向量机对苹果虫伤区域和正常区域、果梗/花萼区域进行识别。试验结果表明:选取160×120像素大小的感兴趣区域图像、采用径向基核函数对正常果、果梗/花萼果与虫伤果的识别效果最好,总体识别率为97.8%。该研究为苹果质量等级在线评判提供理论依据。 相似文献
6.
基于多光谱图像融合和形态重构的图像分割方法 总被引：1，自引：1，他引：0
一些成熟的瓜果果实在单一的光谱图像中,果与叶的灰度值只存在微小差异,常用的图像分割方法不足以把果与叶区分开,为此,提出一种基于多光谱图像融合的形态学重构分割方法.首先,采集同一目标的可见光彩色图像和近红外图像,对此多光谱图像分别采用主成分分析(PCA)、小波变换以及可见光图像H分量与近红外图像NIR的算术组合(NIR/H)等方式进行融合处理:然后,对融合图像进行形态学重构分水岭分割.多幅苹果和番茄图像的同标提取试验结果表明,对可见光图像和近红外图像的PCA和小波变换融合图像进行形态学重构分水岭分割,可以得到较好的分割效果,尤其是小波变换融合图像的形态学重构分水岭分割效果更具有自适应性. 相似文献
7.
颗粒形混合农产品的图像检测与分类 总被引：4，自引：3，他引：1
颗粒形农产品种类繁多,多种产品混杂在一起的事经常发生,如何将各种产品检测与分类是一个重要研究课题。该文利用计算机视觉技术,实现了大米、黄豆、绿豆颗粒形混合产品的图像检测与分类。首先对获取的图像进行二值化处理,利用形态学分水?算法对粘连颗粒进行分割处理,利用八邻域分析方法提取目标连通区域边缘并标记,最后提取各颗粒的形状特征参数与颜色特征参数,将提取的特征参数与大米、黄豆、绿豆颗粒形产品的标准参数进行比较,实现了颗粒形混合产品的检测与分类。该算法的分类精度达95.6%,对颗粒形农产品自动检测应用具有一定指导意义。 相似文献
8.
基于深度学习的葡萄果梗识别与最优采摘定位 总被引：6，自引：6，他引：0
针对葡萄采摘机器人在采摘作业中受果园环境干扰,难以准确识别与分割葡萄果梗及定位采摘点的问题,该研究根据葡萄生长的特点提出一种基于深度学习的葡萄果梗识别与最优采摘定位方法。首先通过改进掩膜区域卷积神经网络(Mask Region with Convolutional Neural Network,Mask R-CNN)模型对果梗进行识别与粗分割;然后结合阈值分割思想对果梗的色调、饱和度、亮度(Hue Saturation Value,HSV)色彩空间进行分段式提取,取每段色彩平均值作为该段果梗基准颜色阈值,利用区域生长算法对果梗进行精细化分割;最后计算果梗图像区域的质心,并以临质心点最近的果梗水平两侧中心作为最终采摘点。试验结果表明,在不同天气光照下该方法对葡萄果梗的检测精确率平均值为88%;在果梗成功识别后最优采摘点定位准确率达99.43%,单幅图像的果梗采摘定位平均耗时为4.90s,对比改进前Mask R-CNN检测耗时减少了0.99 s,F1-得分提高了3.24%,检测效率明显提升,该研究为葡萄采摘机器人提供了一种采摘点定位方法。 相似文献
9.
融合K-means与Ncut算法的无遮挡双重叠苹果目标分割与重建 总被引：2，自引：7，他引：2
重叠苹果目标的准确分割是采摘机器人必须解决的关键问题之一。针对现有重叠苹果目标分割方法不能保留重叠部分轮廓信息的问题,提出了一种无枝叶遮挡的双果重叠苹果目标分割方法。该方法首先利用K-means聚类算法进行图像分割以提取苹果目标区域,然后利用Normalized Cut(Ncut)算法提取苹果目标轮廓,以实现未被遮挡苹果目标完整轮廓的准确提取,最后利用Spline插值算法对遮挡的苹果目标进行轮廓重建。为了验证算法的有效性,对20幅无枝叶遮挡双果重叠的苹果图像进行试验,并将该算法与寻找2个有效凹点用其连线分割重叠苹果目标,把分离的2个轮廓分别用Hough变换重建轮廓的方法进行对比。试验结果表明,对于图像中未被遮挡的苹果目标,利用该研究算法的平均分割误差为3.15%,提取的苹果目标与原始图像中苹果目标的平均重合度为96.08%,平均误差比Hough变换重建算法低7.73%,平均重合度高9.71%,并且该研究算法能够很好地保留未被遮挡苹果目标的完整轮廓信息,提高了分割精度。对于重叠被遮挡的苹果目标,平均分割误差和平均重合度分别为5.24%和93.81%,比Hough变换重建算法的平均分割误差低11.35%,平均重合度高12.74%,表明该算法可以较好地实现重叠被遮挡苹果目标的轮廓重建,研究结果可为实现枝叶遮挡影响下的多果重叠目标分割与重建提供参考。 相似文献
10.
11.
重叠苹果目标的分割与定位是影响苹果采摘机器人采摘效率的关键因素之一。为了实现重叠苹果目标的分割与重建,在利用K-means聚类分割算法的基础上,该文提出一种基于凸壳的重叠苹果目标分割方法。通过计算目标凸包与目标相减后的凹区域,将重叠苹果轮廓上的凹点检测转换为凹区域上的凸点检测问题,降低了凹点检测的复杂度。利用相关分割准则实现了凹点匹配并进行目标分割,对分割得到的非完整目标利用Spline插值技术进行目标重建。为了验证算法的有效性,分别利用仿真目标与自然场景下的重叠苹果目标进行了测试,利用该方法得到的苹果目标平均定位误差为14.15%,平均目标重合度为85.08%,表明基于凸壳技术的重叠苹果目标分割方法具有较好的分割性能,将该方法应用于重叠目标分割与重建是有效可行的。 相似文献
12.
基于凸壳的重叠苹果目标分割与重建算法 总被引：1，自引：14，他引：1
重叠苹果目标的分割与定位是影响苹果采摘机器人采摘效率的关键因素之一。为了实现重叠苹果目标的分割与重建,在利用K-means聚类分割算法的基础上,该文提出一种基于凸壳的重叠苹果目标分割方法。通过计算目标凸包与目标相减后的凹区域,将重叠苹果轮廓上的凹点检测转换为凹区域上的凸点检测问题,降低了凹点检测的复杂度。利用相关分割准则实现了凹点匹配并进行目标分割,对分割得到的非完整目标利用Spline插值技术进行目标重建。为了验证算法的有效性,分别利用仿真目标与自然场景下的重叠苹果目标进行了测试,利用该方法得到的苹果目标平均定位误差为14.15%,平均目标重合度为85.08%,表明基于凸壳技术的重叠苹果目标分割方法具有较好的分割性能,将该方法应用于重叠目标分割与重建是有效可行的。 相似文献
13.
未成熟芒果的改进YOLOv2识别方法 总被引：4，自引：19，他引：4
在果园场景下,由于光照的多样性、背景的复杂性及芒果与树叶颜色的高度相似性,特别是树叶和枝干对果实遮挡及果实重叠,给未成熟芒果检测带来极大的挑战。本文提出果园场景下未成熟芒果的改进YOLOv2检测方法。设计新的带密集连接的Tiny-yolo网络结构,实现网络多层特征的复用和融合,提高检测精度。为克服遮挡重叠果实检测困难,手工标注遮挡或重叠芒果的前景区域,然后用样本的前景区域训练YOLOv2网络,减小边界框内非前景区域特征的干扰,增强对目标前景区域卷积特征的学习。并以扩增的数据集,采用增大输入尺度和多尺度策略训练网络。最后,对本文方法进行性能评价与对比试验。试验结果表明,该方法在测试集上,芒果目标检测速度达83帧/s,准确率达97.02%,召回率达95.1%。对比Faster RCNN,该方法在杂物遮挡和果实重叠等复杂场景下,检测性能显著提升。 相似文献
14.
雾滴沉积特性参数的图像检测算法改进 总被引：2，自引：2，他引：0
快速获取施药后雾滴在靶标表面的沉积分布有助于了解农药的田间分布情况,水敏试纸雾滴图像处理算法是检测喷药沉积特性参数常用的方法,但常因光照不均、试纸上沉积的雾滴斑痕粘连而引起雾滴识别误差。为解决这一问题,针对手机拍摄的照片,该文提出了与位置相关的动态阈值法提取雾滴区域,并设计基于圆形度的循环分割算法对粘连雾滴分割。以水代替农药利用背负式喷雾器喷洒,选取8张不同稀疏程度和碰撞角度的试纸作为样本进行试验,以验证上述算法的检测效果。试验结果表明,该方法不受亮度不均影响,覆盖率比固定阈值与分块阈值法分别高12.57%和8.74%,提取到的雾滴区域更加完整,能够提取92.64%以上的雾滴,且粘连分割效果较好,雾滴识别的正确率为97.2%,覆盖密度检测误差为3.31%,能够满足实际生产要求,为下一步开发雾滴检测APP打下基础。 相似文献
15.
16.
根据猕猴桃的棚架式栽培方式,提出了一种适用于猕猴桃采摘机器人夜间识别的方法。采用竖直向上获取果实图像的拍摄方式,以果萼为参考点,进行果实的识别,并测试该方法对光照的鲁棒性。试验结果表明:基于果萼能够有效的识别猕猴桃果实,成功率达94.3%;未识别和误识别的果实一般出现在5果及5果以上的簇中,原因是果实相互挤压导致的果萼部分不在果实图像的中心区域,以及果实之间的三角区形成暗色封闭区域;光照过小或过大会导致成像模糊或过曝,对正确率有细微影响;识别速度达到了0.5 s/个。因此,基于果萼的猕猴桃果实夜间识别方法在正确识别率和速度上都有很大提升,更接近实际应用。 相似文献
17.
水稻冠层图像分割方法对比研究 总被引：1，自引：0，他引：1
水稻冠层信息在自动化管理上具有重要指导意义,但田间多变光照强度环境显著降低了水稻冠层图像分割和信息提取的精度。为降低光照强度的干扰,本文基于RGB、CIEL~*a~*b~*、HSV色彩空间和多色彩空间(包括RGB、CIEL~*a~*b~*和HSV色彩空间)构建水稻冠层图像的色彩特征组合,然后通过支持向量机(SVM)的线性核函数对水稻冠层图像进行分类识别,其分割方法分别定义为rgb-SVM、lab-SVM、hsv-SVM和Multi-SVM。同时,利用此方法对不同光照强度下的水稻冠层图像进行分割,并与常用的Ex GOtsu分割方法进行对比,比较不同方法的分割效果和光强稳健性。结果表明,rgb-SVM的分割效果优于Ex GOtsu方法,但对晴天条件下获取的水稻冠层图像的分割误差仍较大,光强稳健性低;lab-SVM和hsv-SVM分割方法的分割精确度较低,存在一定的欠分割现象;基于多色彩空间和支持向量机的Multi-SVM分割方法的分割效果最佳,该方法对不同光强下获取的水稻冠层图像的分割误差均控制在4.00%以内,具有较好的光强稳健性。因此,基于多色彩空间和支持向量机的Multi-SVM分割方法能够相对准确地将水稻像元从水稻冠层图像中分割出来,且对田间多变光强条件具有一定的稳健性,可为田间水稻生长发育监测和自动化管理提供一定的技术支持。 相似文献
18.
弱光复杂背景下基于MSER和HCA的树上绿色柑橘检测 总被引：3，自引：2，他引：1
基于图像处理和机器视觉的树上绿色柑橘检测,能为果园管理者施肥、估产及采摘作业提供指导.该文提出一种基于水果表面光照分布的分层轮廓分析(hierarchical Contour Analysis,HCA)算法实现了树上绿色柑橘的检测.彩色数码相机拍摄弱光下由闪光灯补光的树上柑橘场景彩色图像,基于水果表面的光照分布应用最大稳定极值区域(maximally stable extremal region,MSER)算法提取图像中的感兴趣区域,然后建立感兴趣区域周围的分层轮廓图,并利用霍夫变换拟合每一级轮廓获得分层圆形目标,最后进行拟合圆嵌套分析得到绿色柑橘水果目标.所提算法在20张复杂的柑橘果园场景图像中进行了测试,最终的召回率达81.2%,查准率达到83.5%,单幅图像平均处理时间为3.70 s.该文所提出的基于光照分布的分层轮廓分析算法,不仅适用于绿色柑橘的检测,也可为其他树上绿色水果检测提供通用的框架和思路. 相似文献