【摘要】：針對基于可見光圖像對綠色番茄進行識別過程中,光線不均造成的陰影等會影響果實的識別、枝干和葉片對果實的遮擋以及果實之間的遮擋對果實識別的影響等難題,該文對基于機器視覺的綠色番茄檢測方法進行研究。首先通過快速歸一化互相關函數(shù)(FNCC,fast normalized cross correlation)方法對果實的潛在區(qū)域進行檢測,再通過基于直方圖信息的區(qū)域分類器對果實潛在區(qū)域進行分類,判別該區(qū)域是否屬于綠色果實,并對非果實區(qū)域進行濾除,估計果實區(qū)域的個數(shù)。與此同時,基于顏色分析對輸入圖像進行分割,并通過霍夫變換圓檢測綠色果實的位置。最終對基于FNCC和霍夫變換圓檢測方法的檢測結果進行融合,實現(xiàn)對綠色番茄果實的檢測。當綠色果實和紅色果實同時存在時,將綠色果實檢測結果與基于局部極大值法和隨機圓環(huán)變換檢測圓算法的紅色番茄果實檢測結果進行合并。算法通過有機結合紋理信息、顏色信息及番茄的形狀信息,對綠色番茄果實進行了檢測,解決了綠色番茄與葉子、莖稈等背景顏色接近等難題。文中共使用了70幅番茄圖像,其中35幅圖像作為訓練集圖像,35幅作為驗證集圖像。所提出算法對訓練集圖像中的83個果實的檢測正確率為89.2%,對驗證集圖像中105個果實的檢測正確率為86.7%,為番茄采摘機器人采摘紅色和綠色成熟番茄奠定了基礎。
【圖文】：

?11:00—15:00時，在北京市昌平區(qū)小湯山特菜大觀園日光溫室采集番茄圖像30幅番茄圖像。采集時采用自然光作為光源，溫室內溫度為15～20℃。采集到的所有70幅圖像中，隨機選擇35幅作為訓練集，35幅作為驗證集圖像。所有可見光圖像由尼康J1相機（NikonInc.，Japan）采集，采集的可見光圖像分辨率為2592×3872像素，圖像保存格式為JPG。在進行算法運算之前，將可見光圖像縮小為原圖像的1/16，即648×968像素。文中所有算法均通過Matlab（Ver.R2010a,Mathworks，Natick，Ma，USA）軟件實現(xiàn)。1.2算法總體描述本文針對如圖1所示的綠色番茄果實的檢測問題，提出了基于機器視覺的綠色番茄檢測算法。該算法的流程圖如圖2所示。由于綠色番茄與綠色的莖稈及葉子的顏色相近，如果用傳統(tǒng)的顏色分析法對果實分割，效果很差。但是通過觀察發(fā)現(xiàn)，綠色番茄的果實區(qū)域與莖稈及葉子區(qū)域的紋理特征相差很大，因此本文首先基于果實30×30像素區(qū)域和非果實30×30像素區(qū)域進行基于區(qū)域直方圖信息的分類器的訓練。對于需要進行綠色果實檢測的圖像，首先通過快速歸一化互相關函數(shù)（FNCC,fastnormalizedcrosscorrelation）方法對果實的潛在區(qū)域進行檢測，再通過訓練好的基于區(qū)域直方圖信息的分類器對潛在位置處感興趣區(qū)域進行分類，判別該區(qū)域是否屬于綠色果實，，并對非果實區(qū)域進行濾除，估計果實區(qū)域的個數(shù)。與此同時，對果實的個數(shù)進行估計。通過顏色分析對輸入圖像進行分割，并利用果實的估計個數(shù)作為霍夫變換圓檢測的一個參數(shù)，進行綠色果實的檢測。并最終基于FNCC和霍夫變換圓檢測方法的檢測結果的圓心距離，對綠色番茄果實的檢測結果進行融合，實現(xiàn)對果實的檢測和定位。圖1綠色番茄圖像舉例Fig.1Exampleimageofgreentomatoes注：RGB圖像表示用R

葉戎蕩笥?0的區(qū)域表示該區(qū)域與果實區(qū)域模板的相關系數(shù)大于0.7。對圖1和圖4進行比較，可以看出圖像中大部分果實區(qū)域被準確識別，但是也存在一些非果實區(qū)域被誤檢測。通過對各個果實潛在位置的區(qū)域，采用5.1節(jié)所得到的SVM分類器進行分析，將正誤識進行濾除掉，其結果如圖5所示�？梢钥闯鰧D中的果實進行了正確的檢測。但是，由于FNCC只能夠對果實的位置進行估計，并不能夠對果實的大小進行估計，無法為機器人采摘進行進一步的指導，因此需要霍夫圓變換進一步檢測果實的半徑。a.果實a.Fruitb.非果實b.Non-fruit圖3果實和非果實30×30像素區(qū)域Fig.330×30pixelregionsforfruitandnon-fruit表2不同分類器對區(qū)域分類的結果Table2Classificationresultsusingdifferentclassifiers果實區(qū)域Fruitarea非果實區(qū)域Non-fruitarea分類器Classifier正確檢測數(shù)目Correctdetection正確檢測率Correctdetectionratio/%正確檢測數(shù)目Correctdetection正確檢測率Correctdetectionratio/%KNN分類器KNNclassifier42844080樸素貝葉斯NaveBayes47943468支持向量機SVM479440801234圖4FNCC果實檢測結果圖5基于區(qū)域紋理分析的Fig.4Detectionresults檢測結果usingFNCCFig.5Detectionresultsbasedonregionaltextureanalysis5.3霍夫變換結果由于番茄果實與背景差異較小，霍夫圓變換不能夠直接應用于RGB圖像中，需要對圖像中的果實邊緣進行檢測。根據(jù)文獻[35]的分析，R、B、Hue3個分量對于果實和背景的區(qū)分效果最顯著，其中R、B分別為RGB圖像的紅色和藍色分量，Hue為RGB圖像進行HSV顏色變換后的色調分量，簡寫為H。因此，本文首先獲取了RBH顏色分量復合圖像，如圖6所示。可以看出，果實與葉子?
【作者單位】： 中國農業(yè)大學現(xiàn)代精細農業(yè)系統(tǒng)集成研究教育部重點實驗室;河北工業(yè)大學電子信息工程學院;
【基金】：國家自然科學基金:封閉式基質栽培日光溫室環(huán)境最優(yōu)調控與管理策略(31271619) 北京市優(yōu)秀人才培養(yǎng)資助青年骨干個人(2015000020060G129) 中國農業(yè)大學基本科研業(yè)務費專項資金項目(2016XD003)
【分類號】：S626;S641.2;TP391.41

【相似文獻】

相關會議論文 前4條

1 戴淵明;張翔;王再富;;基于改進概率霍夫變換算法的車道檢測方法研究[A];浙江省電子學會2006年學術年會論文集[C];2006年

2 張衛(wèi);杜尚豐;;霍夫變換在農田機器人視覺導航中的應用[A];農業(yè)工程科技創(chuàng)新與建設現(xiàn)代農業(yè)——2005年中國農業(yè)工程學會學術年會論文集第三分冊[C];2005年

3 徐曉冰;袁先彪;王健;;基于邊緣檢測與霍夫變換的車牌分割[A];'2003系統(tǒng)仿真技術及其應用學術交流會論文集[C];2003年

4 周洪;鐘明慧;;工業(yè)過程顯示儀表的數(shù)字處理與視頻傳輸[A];首屆信息獲取與處理學術會議論文集[C];2003年

相關博士學位論文 前1條

1 張維澤;基于簡單局部特征學習的物體檢測方法[D];浙江大學;2010年

相關碩士學位論文 前10條

1 彭艷周;高速公路車道檢測方法研究[D];河南科技大學;2015年

2 蔣宇東;面向互聯(lián)網應用的視頻拷貝檢測系統(tǒng)的設計與實現(xiàn)[D];復旦大學;2013年

3 張旭;面向移動智能終端的交通信號識別技術研究[D];電子科技大學;2015年

4 劉欣瑜;三維超聲胎兒小腦分割與特征分析[D];復旦大學;2014年

5 李亞憶;基于實測雷達回波數(shù)據(jù)的檢測前跟蹤算法實現(xiàn)[D];西安電子科技大學;2014年

6 高強;音樂教學中譜音識別的研究與實現(xiàn)[D];武漢工程大學;2015年

7 孫獻燦;基于隨機霍夫變換的多人運動分析[D];南京理工大學;2013年

8 郭陳林;基于Hough變換的微弱目標檢測方法研究[D];電子科技大學;2011年

9 唐曉敏;基于霍夫變換及條件概率模型的多目標檢測[D];大連理工大學;2010年

10 杜本漢;基于霍夫變換和條件隨機場模型的目標檢測[D];上海交通大學;2014年

本文編號：2527646