本文關(guān)鍵詞：重疊及遮擋影響下的蘋(píng)果目標(biāo)識(shí)別與定位方法研究

  更多相關(guān)文章： K-means聚類(lèi)算法 雙果重疊 Ncut算法 遮擋蘋(píng)果目標(biāo) 單果無(wú)遮擋 輪廓平滑 目標(biāo)定位

【摘要】：自然場(chǎng)景下蘋(píng)果目標(biāo)往往被枝、葉遮擋或處于果實(shí)重疊狀態(tài),這將導(dǎo)致蘋(píng)果采摘機(jī)器人不能迅速、精確地定位蘋(píng)果目標(biāo),嚴(yán)重地影響了采摘任務(wù)的執(zhí)行。重疊及遮擋影響下果實(shí)目標(biāo)的識(shí)別與定位是蘋(píng)果采摘機(jī)器人視覺(jué)系統(tǒng)必須解決的難題,為了實(shí)現(xiàn)重疊及遮擋影響下蘋(píng)果目標(biāo)快速識(shí)別及準(zhǔn)確定位,本研究針對(duì)重疊及遮擋影響因素提出了不同的方法,主要研究?jī)?nèi)容及結(jié)論如下:(1)對(duì)比多種分割算法,以選擇更適合本研究的圖像分割算法。圖像分割是進(jìn)行后續(xù)處理的基礎(chǔ),圖像的準(zhǔn)確分割對(duì)果實(shí)定位等后續(xù)研究具有重要意義。對(duì)比了多顏色空間融合法、色差法、模糊C均值算法以及K-means聚類(lèi)算法等分割算法的性能。試驗(yàn)結(jié)果表明,利用K-means聚類(lèi)算法分割蘋(píng)果圖像的平均分割誤差為2.245%,分割目標(biāo)與原始目標(biāo)的平均重合度為97.660%,平均運(yùn)行時(shí)間為0.818s,該算法的性能優(yōu)于其它分割算法的性能,能夠較為穩(wěn)定、準(zhǔn)確、高效地將圖像中的蘋(píng)果目標(biāo)提取出來(lái),因此后續(xù)試驗(yàn)中選擇K-means聚類(lèi)算法進(jìn)行圖像分割。(2)提出了基于Normalized Cut(Ncut)譜聚類(lèi)算法與Spline插值算法相結(jié)合的雙果重疊蘋(píng)果目標(biāo)的分割與重建方法。普遍存在的蘋(píng)果目標(biāo)重疊現(xiàn)象嚴(yán)重影響果實(shí)目標(biāo)的精確定位和采摘任務(wù)的執(zhí)行,為了實(shí)現(xiàn)雙果重疊蘋(píng)果目標(biāo)的分割與重建,對(duì)K-means分割及預(yù)處理后的蘋(píng)果圖像使用Ncut譜聚類(lèi)算法再次進(jìn)行圖像分割,并分別提取2個(gè)蘋(píng)果目標(biāo)的輪廓,然后對(duì)被遮擋輪廓不完整的蘋(píng)果目標(biāo)利用Spline插值算法進(jìn)行輪廓重建。試驗(yàn)結(jié)果表明,Ncut方法可以保留未被遮擋蘋(píng)果目標(biāo)的全部輪廓信息,有助于提高目標(biāo)分割精度。對(duì)于未被遮擋的蘋(píng)果目標(biāo),算法的平均分割誤差和平均重合度分別為3.147%和96.081%。對(duì)于重疊被遮擋的蘋(píng)果目標(biāo),重建算法平均分割誤差和平均重合度分別為5.243%和93.709%,表明該算法能夠較精確地分割重疊蘋(píng)果目標(biāo)及重建被遮擋蘋(píng)果目標(biāo)的輪廓。(3)提出了基于三點(diǎn)定圓法的遮擋影響下蘋(píng)果目標(biāo)的定位方法。蘋(píng)果目標(biāo)常常被枝葉遮擋,這將嚴(yán)重地影響機(jī)器人執(zhí)行采摘任務(wù)。針對(duì)這一問(wèn)題,本研究首先結(jié)合利用蘋(píng)果目標(biāo)的輪廓及其凸殼提取真實(shí)輪廓段,然后在真實(shí)輪廓段上隨機(jī)選取三個(gè)點(diǎn),利用這三個(gè)點(diǎn)所確定的圓定位遮擋的蘋(píng)果目標(biāo)。為了避免不同候選點(diǎn)帶來(lái)的參數(shù)估計(jì)差異較大的問(wèn)題,重復(fù)選點(diǎn)100次并得到100個(gè)定位圓,將過(guò)大和過(guò)小的圓予以去除,以剩余圓的圓心坐標(biāo)和半徑的平均值定位遮擋的蘋(píng)果目標(biāo)。經(jīng)過(guò)試驗(yàn)驗(yàn)證,算法的平均分割誤差為8.259%,平均假陽(yáng)性率為1.235%,平均假陰性率為8.227%,平均重疊系數(shù)為88.921%,表明該算法能夠較準(zhǔn)確地定位遮擋蘋(píng)果目標(biāo)。(4)提出了基于輪廓平滑算法和轉(zhuǎn)動(dòng)慣量算法的單果無(wú)遮擋蘋(píng)果目標(biāo)采摘點(diǎn)定位方法。單果無(wú)遮擋蘋(píng)果目標(biāo)采摘點(diǎn)的定位是實(shí)現(xiàn)重疊以及遮擋果實(shí)目標(biāo)采摘點(diǎn)定位的基礎(chǔ)。該算法首先利用蘋(píng)果目標(biāo)的凸殼代替其輪廓,以使輪廓更為平滑,同時(shí)減少表示輪廓所用的點(diǎn)數(shù),以提高后續(xù)試驗(yàn)精度和運(yùn)行效率,然后利用轉(zhuǎn)動(dòng)慣量算法提取蘋(píng)果目標(biāo)的對(duì)稱(chēng)軸,進(jìn)而定位蘋(píng)果目標(biāo)的采摘點(diǎn)。試驗(yàn)結(jié)果表明,算法平均定位誤差為5.617°,平均運(yùn)行時(shí)間為3.743ms,表明該算法能夠準(zhǔn)確、高效地定位單果無(wú)遮擋蘋(píng)果目標(biāo)的采摘點(diǎn)。(5)采用MATLAB中GUI編譯工具箱,設(shè)計(jì)了重疊及遮擋影響下蘋(píng)果目標(biāo)的識(shí)別與定位軟件系統(tǒng)。該軟件主要包括分割方法效果對(duì)比模塊、雙果重疊蘋(píng)果目標(biāo)的分割與重建模塊、遮擋蘋(píng)果目標(biāo)的識(shí)別與定位模塊以及單果無(wú)遮擋蘋(píng)果目標(biāo)采摘點(diǎn)的定位模塊。通過(guò)試驗(yàn)驗(yàn)證,該軟件能夠較準(zhǔn)確地實(shí)現(xiàn)多種分割方法分割性能的對(duì)比、重疊蘋(píng)果目標(biāo)的分割、遮擋蘋(píng)果目標(biāo)的定位以及單果無(wú)遮擋蘋(píng)果目標(biāo)采摘點(diǎn)的定位等功能,此外,該軟件系統(tǒng)還具有簡(jiǎn)單直觀、操作快捷等優(yōu)點(diǎn)。
【關(guān)鍵詞】：K-means聚類(lèi)算法 雙果重疊 Ncut算法 遮擋蘋(píng)果目標(biāo) 單果無(wú)遮擋 輪廓平滑 目標(biāo)定位
【學(xué)位授予單位】：西北農(nóng)林科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類(lèi)號(hào)】：TP391.41
【目錄】：

• 摘要6-8
• Abstract8-13
• 第一章 緒論13-21
• 1.1 研究的目的和意義13-14
• 1.2 機(jī)器視覺(jué)在采摘機(jī)器人上的應(yīng)用現(xiàn)狀14-16
• 1.3 國(guó)內(nèi)外果實(shí)目標(biāo)識(shí)別與定位方法研究現(xiàn)狀16-19
• 1.3.1 果實(shí)自身著色度以及光照強(qiáng)弱影響下目標(biāo)的識(shí)別與定位方法研究現(xiàn)狀16-17
• 1.3.2 表面有陰影影響的目標(biāo)識(shí)別與定位方法研究現(xiàn)狀17
• 1.3.3 重疊影響下目標(biāo)的識(shí)別與定位方法研究現(xiàn)狀17-18
• 1.3.4 遮擋影響下目標(biāo)的識(shí)別與定位方法研究現(xiàn)狀18-19
• 1.3.5 存在的問(wèn)題19
• 1.4 本論文的主要研究?jī)?nèi)容19-21
• 第二章 自然場(chǎng)景下蘋(píng)果果實(shí)分割算法比較及性能測(cè)試21-32
• 2.1 引言21
• 2.2 四種分割方法的簡(jiǎn)要介紹及分割結(jié)果21-27
• 2.2.1 試驗(yàn)中所用蘋(píng)果圖像的獲取21
• 2.2.2 多顏色空間融合法21-24
• 2.2.3 色差法24-26
• 2.2.4 模糊C均值法26-27
• 2.2.5 K-means聚類(lèi)算法27
• 2.3 蘋(píng)果果實(shí)分割算法性能測(cè)試27-30
• 2.3.1 圖像預(yù)處理方法28-29
• 2.3.2 四種分割算法性能測(cè)試29-30
• 2.4 本章小結(jié)30-32
• 第三章 無(wú)枝葉遮擋的雙果重疊蘋(píng)果目標(biāo)的分割與重建方法32-43
• 3.1 引言32
• 3.2 基于Ncut譜聚類(lèi)算法的重疊蘋(píng)果目標(biāo)的分割方法32-35
• 3.2.1 試驗(yàn)中蘋(píng)果圖像的獲取32
• 3.2.2 聚類(lèi)后蘋(píng)果目標(biāo)的預(yù)處理32-33
• 3.2.3 基于Ncut譜聚類(lèi)算法的重疊蘋(píng)果目標(biāo)輪廓提取方法33-35
• 3.3 重疊蘋(píng)果目標(biāo)的輪廓分割方法35-36
• 3.4 基于Spline插值算法的被遮擋蘋(píng)果目標(biāo)輪廓重建方法36-37
• 3.5 試驗(yàn)結(jié)果與分析37-42
• 3.5.1 試驗(yàn)過(guò)程37-38
• 3.5.2 試驗(yàn)結(jié)果與分析38-42
• 3.6 小結(jié)42-43
• 第四章 遮擋影響下的蘋(píng)果目標(biāo)識(shí)別與定位方法43-54
• 4.1 引言43
• 4.2 蘋(píng)果目標(biāo)真實(shí)輪廓段的提取方法43-46
• 4.2.1 試驗(yàn)中蘋(píng)果圖像的獲取43
• 4.2.2 蘋(píng)果圖像預(yù)處理43-44
• 4.2.3 蘋(píng)果目標(biāo)輪廓及凸殼的提取44-45
• 4.2.4 蘋(píng)果目標(biāo)真實(shí)輪廓段提取方法45-46
• 4.3 遮擋蘋(píng)果目標(biāo)的定位方法46-47
• 4.4 遮擋蘋(píng)果目標(biāo)定位結(jié)果與分析47-52
• 4.4.1 試驗(yàn)過(guò)程47-48
• 4.4.2 試驗(yàn)結(jié)果與分析48-52
• 4.5 小結(jié)52-54
• 第五章 單果無(wú)遮擋蘋(píng)果目標(biāo)的識(shí)別與采摘點(diǎn)定位方法54-62
• 5.1 引言54
• 5.2 蘋(píng)果目標(biāo)輪廓的提取及輪廓平滑方法54-55
• 5.2.1 蘋(píng)果圖像的獲取54
• 5.2.2 蘋(píng)果目標(biāo)輪廓提取54-55
• 5.2.3 蘋(píng)果目標(biāo)輪廓平滑方法55
• 5.3 蘋(píng)果目標(biāo)對(duì)稱(chēng)軸提取以及采摘點(diǎn)定位方法55-58
• 5.3.1 利用轉(zhuǎn)動(dòng)慣量算法提取蘋(píng)果目標(biāo)對(duì)稱(chēng)軸原理56-57
• 5.3.2 蘋(píng)果目標(biāo)對(duì)稱(chēng)軸的提取及采摘點(diǎn)定位57-58
• 5.4 試驗(yàn)結(jié)果與分析58-61
• 5.4.1 試驗(yàn)過(guò)程58-59
• 5.4.2 試驗(yàn)結(jié)果與分析59-61
• 5.5 小結(jié)61-62
• 第六章 重疊及遮擋影響下蘋(píng)果目標(biāo)的識(shí)別與定位系統(tǒng)設(shè)計(jì)62-68
• 6.1 引言62
• 6.2 重疊及遮擋影響下蘋(píng)果目標(biāo)的識(shí)別與定位系統(tǒng)整體設(shè)計(jì)62-67
• 6.2.1 系統(tǒng)運(yùn)行及開(kāi)發(fā)環(huán)境62
• 6.2.2 系統(tǒng)功能設(shè)計(jì)及系統(tǒng)框圖62-63
• 6.2.3 系統(tǒng)功能實(shí)現(xiàn)及操作演示63-67
• 6.3 小結(jié)67-68
• 第七章 結(jié)論與展望68-70
• 7.1 結(jié)論68-69
• 7.2 創(chuàng)新點(diǎn)69
• 7.3 展望69-70
• 參考文獻(xiàn)70-76
• 致謝76-77
• 作者簡(jiǎn)介77

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 劉曉洋;趙德安;陳玉;賈偉寬;;夜間低照度條件下蘋(píng)果采摘機(jī)器人的圖像識(shí)別[J];華中科技大學(xué)學(xué)報(bào)(自然科學(xué)版);2015年S1期

2 賈偉寬;趙德安;劉曉洋;唐書(shū)萍;阮承治;姬偉;;機(jī)器人采摘蘋(píng)果果實(shí)的K-means和GA-RBF-LMS神經(jīng)網(wǎng)絡(luò)識(shí)別[J];農(nóng)業(yè)工程學(xué)報(bào);2015年18期

3 張俊雄;何芬;;設(shè)施農(nóng)業(yè)采摘機(jī)器人研究進(jìn)展[J];農(nóng)業(yè)工程技術(shù)(溫室園藝);2015年25期

4 馮青春;程偉;楊慶華;荀一;王秀;;基于線(xiàn)結(jié)構(gòu)光視覺(jué)的番茄重疊果實(shí)識(shí)別定位方法研究[J];中國(guó)農(nóng)業(yè)大學(xué)學(xué)報(bào);2015年04期

5 張傳棟;徐漢飛;陳弘毅;宋懷波;;基于超紅圖像與輪廓曲率的蘋(píng)果目標(biāo)識(shí)別與定位方法研究[J];軟件;2015年08期

6 李國(guó)利;姬長(zhǎng)英;顧寶興;;基于單目視覺(jué)與超聲檢測(cè)的振蕩果實(shí)采摘識(shí)別與定位[J];農(nóng)業(yè)機(jī)械學(xué)報(bào);2015年11期

7 劉立群;火久元;王聯(lián)國(guó);;基于改進(jìn)混合蛙跳算法的圖像閾值分割算法[J];計(jì)算機(jī)應(yīng)用與軟件;2015年05期

8 劉瓊;史諾;;基于Lab和YUV顏色空間的農(nóng)田圖像分割方法[J];國(guó)外電子測(cè)量技術(shù);2015年04期

9 李卓;楊子敬;郝建唯;高宏偉;;蘋(píng)果幼果圖像的分割與識(shí)別算法研究[J];沈陽(yáng)理工大學(xué)學(xué)報(bào);2015年01期

10 徐越;李盈慧;宋懷波;何東健;;基于Snake模型與角點(diǎn)檢測(cè)的雙果重疊蘋(píng)果目標(biāo)分割方法[J];農(nóng)業(yè)工程學(xué)報(bào);2015年01期

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫(kù) 前4條

1 張鐵君;卡通角色版權(quán)保護(hù)關(guān)鍵問(wèn)題研究[D];哈爾濱工業(yè)大學(xué);2013年

2 許曉麗;基于聚類(lèi)分析的圖像分割算法研究[D];哈爾濱工程大學(xué);2012年

3 饒?jiān)撇?夜間視頻增強(qiáng)的關(guān)鍵技術(shù)研究[D];電子科技大學(xué);2012年

4 王述云;數(shù)據(jù)流頻繁項(xiàng)挖掘與聚類(lèi)分析的研究[D];復(fù)旦大學(xué);2008年

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前3條

1 呂學(xué)智;基于雙目視覺(jué)的爬壁機(jī)器人環(huán)境檢測(cè)技術(shù)研究[D];揚(yáng)州大學(xué);2014年

2 潘楊;基于小波的圖像去噪方法研究[D];吉林大學(xué);2010年

3 李澤輝;基于圖像序列的運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤[D];哈爾濱工程大學(xué);2009年

，

本文編號(hào)：784435