共查询到18条相似文献，搜索用时 197 毫秒
1.
2.
水果品质机器视觉检测中的图像颜色变换模型 总被引：12，自引：1，他引：12
在水果品质的机器视觉检测过程中，水果形状导致的图像颜色失真直接影响最终的检测和分级结果。本文在6个位置分别采集了3种大小、19种不同表面颜色的标准实验球体的图像。在分析球体的大小、表面颜色和图像采集位置等因素对球体图像颜色的亮度、色调和饱和度的影响后发现，球体图像的颜色失真主要是颜色的亮度失真。建立了摄像视区中心球体图像的亮度校正模型，该模型的相关系数R^2为0．846。采用该模型在Matlab软件平台上构建了柑桔图像的颜色校正算法，实验结果表明，该颜色校正模型和算法是有效和可靠的。 相似文献
3.
自然场景下成熟水果的计算机视觉识别 总被引：24，自引：4，他引：20
研究在自然场景下成熟水果的识别技术。比较HSI颜色空间转换的几种方法：球体法、柱体法和双锥体法等。球形：HSI颜色转换系统在本研究中产生较少的奇异数据,被采用。将图像的RGB值转换成色调、饱和度和亮度值,并将色调和饱和度结合产生融合图像,以消除地表、天空等背景的影响。利用Otsu算法自动获取分割阈值,提取目标区域。将提取的区域形态特征进一步分割图像,去除与颜色类似的枯叶和其他背景,提取成熟水果区域,分割效果显著。 相似文献
4.
以田间番茄果实图像为研究对象,分析了频域图像预处理方法。分别用几种低通滤波器对原始图像进行了滤波处理,用同态滤器对图像亮度不均匀的现象进行了校正。使用均值、标准差、信息熵、PSRN等指标,比较了处理后的图像效果。 相似文献
5.
6.
基于颜色特征的牧草图像分割方法研究 总被引：1，自引：0，他引：1
针对自然光照条件下牧草图像的分割问题,分别研究了在RGB颜色空间和HSI颜色空间中牧草颜色特征的提取。在RGB颜色空间中,利用2G-B色差特征得到牧草和背景差值最大的色差灰度图像,使用最大类间方差图像分割法对色差灰度图像进行了图像分割。在HSI颜色空间中,根据牧草H分量的分布特点,使用模糊C-均值(FCM)的彩色图像分割方法对牧草的彩色图像进行了有效分割。实验表明,基于HIS彩色空间H色调的FCM方法对牧草的分割能够取得比较理想的效果,经二值化处理后得到的牧草轮廓要比基于2G-B色差特征的最大类间方差分割方法得到的牧草轮廓更加完整。 相似文献
7.
提出了一种基于亮度校正和AdaBoost的苹果缺陷与果梗-花萼在线识别方法。以富士苹果为研究对象,首先在线采集苹果的RGB图像和NIR图像,并分割NIR图像获得苹果二值掩模;其次利用亮度校正算法对R分量图像进行亮度校正,并分割校正图像获得缺陷候选区(果梗、花萼和缺陷);然后以每个候选区域为掩模,随机提取其内部7个像素的信息分别代表所在候选区的特征,将7组特征送入AdaBoost分类器进行分类、投票,并以最终投票结果确定候选区的类别。实验结果表明,该算法检测速度为3个/s,满足分选设备的实时性要求,且总体正确识别率达95.7%。 相似文献
8.
基于类球形亮度变换的水果表面缺陷提取 总被引：2，自引：0，他引：2
针对基于机器视觉技术的水果表面缺陷因受到亮度不均影响而提取困难的问题,以阿克苏苹果为研究对象,采用可见-近红外双CCD成像系统,设计了一种无需预先建模的类球形亮度变换方法,对R分量图像进行亮度变换,变换后的图像使整个水果表面正常区域灰度趋于一致,而缺陷区域依然保留为低灰度区,增强了缺陷和正常果皮的对比度,提高了缺陷检测精度.使用共计100个样本评估算法的可行性,其中45个缺陷果的检测精度为93.3％,55个正常果的检测正确率为100％,整体检测精度达到97％.研究结果表明,利用基于类球形亮度变换结合单阈值分割方法提取水果表面缺陷是可行的. 相似文献
9.
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
10.
由于我国人口老龄化趋势不断加快,出生率下滑,农村劳动力严重不足。为了解决这一问题,研究人员开发了一系列不同用途的农业机器人,其中就包括水果采摘机器人。对于水果采摘机器人而言,水果的检测和识别是一项重要的任务,因此本研究小组提出了一种基于HSV颜色统计特征的水果识别技术。首先,将水果图像从RGB颜色空间转换为HSV颜色空间;然后将水果HSV颜色空间的色调分布近似为拉普拉斯分布,该拉普拉斯分布可作为该果实的特征描述;将水果从输入图像中分割出来,如果分割后的水果图像符合某种90%置信区间的拉普拉斯分布,则输入的水果属于该水果。在实际操作中,将每种水果的拉普拉斯分布的90%置信区间对应的马氏距离（MD）作为参考评价;如果输入水果数据的马氏距离（MD）小于参考值,则该输入属于该类型的水果。实验结果表明,该方法对不同种类的水果具有良好的识别效果。 相似文献
11.
基于色调分形维数的柑橘糖度和有效酸度检 总被引：4，自引：1，他引：4
研究了宫川温州蜜柑糖度及有效酸度的机器视觉检测技术及影响检测精度的因素.对机器视觉系统采集的柑橘图像进行图像裁切、亮度法去图像背景和RGB空间至HSI空间的转换,将柑橘色调范围分割为0°～20°、20°～40°、40°～60°、60°～80°、80°～100°和100°～120°共6个区域,提取各区域色调分形维数,以此作为BP神经网络输入,无损检测宫川温州蜜柑糖度及有效酸度.167个测试样本的检测结果表明:在±1.5°Brix精度范围内糖度正确识别率为66.6175%,在±0.5精度范围内有效酸度正确识别率为73.9275%.宫川温州蜜柑糖度及有效酸度与果皮色调分形维数之间具有相关性,可用机器视觉检测其糖度及有效酸度. 相似文献
12.
基于多源图像融合的自然环境下番茄果实识别 总被引：1，自引：0，他引：1
蔬果采摘机器人面对的自然场景复杂多变,为准确识别和分割目标果实,实现高成功率采收,提出基于多源图像融合的识别方法。首先,针对在不同自然场景下单图像通道信息不充分问题,提出融合RGB图像、深度图像和红外图像的多源信息融合方法,实现了机器人能够适应自然环境中不同光线条件的番茄果实。其次,针对传统机器学习训练样本标注低效问题,提出聚类方法对样本进行辅助快速标注,完成模型训练;最终,建立扩展Mask R-CNN深度学习算法模型,进行采摘机器人在线果实识别。实验结果表明,扩展Mask R-CNN算法模型在测试集中的检测准确率为98.3%、交并比为0.916,可以满足番茄果实识别要求;在不同光线条件下,与Otsu阈值分割算法相比,扩展Mask R-CNN算法模型能够区分粘连果实,分割结果清晰完整,具有更强的抗干扰能力。 相似文献
13.
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
14.
15.
16.
基于超像素特征的苹果采摘机器人果实分割方法 总被引：3，自引：0，他引：3
针对苹果采摘机器人在自然环境下对着色不均匀果实的识别分割问题,提出了基于超像素特征的苹果采摘机器人果实分割方法。首先,采用简单线性迭代聚类算法将图像分割成内部像素颜色较为一致的若干超像素单元;然后,提取每个超像素的纹理和颜色特征,并采用支持向量机将超像素分为果实和背景两个类别;最后,根据超像素之间的邻接关系对分类结果进行进一步修正。实验表明,该方法能够对大部分超像素单元进行正确分类,平均每幅图像被错误分类的超像素约为2.28个。与采用像素级特征的色差法和采用邻域像素特征的果实分割方法相比,采用超像素特征的果实分割方法具有更好的分割效果。在进行邻接关系修正前,该方法图像分割准确率达0.9214,召回率达0.8565,平均识别分割一幅图像耗时0.6087s,基本满足实时性需求。 相似文献
17.
18.
复杂光照条件下视觉导引AGV路径提取方法 总被引：2，自引：0，他引：2
针对复杂光照条件下视觉导引AGV的路径提取问题,提出一种基于光照色彩模型的自适应图像照度分区阈值分割方法。首先研究光照照度与图像亮度分量的关系,通过统计复杂光照条件下的图像色彩分布建立光照色彩模型。其次根据光照色彩模型将导引路径图像划分为不同照度区域。然后在RGB色彩空间对低照度区域进行图像增强以还原路径色彩信息,在高亮光区域对色度分量Cb与Cr进行差分运算以抑制共模照度干扰,最后对不同照度区域分别进行自适应阈值分割。大量实验结果表明,在光照环境中同时存在高反光和暗阴影的运行路面,该路径提取方法具有较强的复杂光照适应性,可显著降低在高反光和暗阴影区域的欠分割及过分割误差,对导引路径的识别率为98%。 相似文献