本文選題：蘋果采摘機器人　切入點：蘋果圖像　出處：《江蘇大學(xué)》2016年博士論文

【摘要】：我國擁有世界上最大的蘋果種植面積和產(chǎn)量,蘋果的采摘作業(yè)屬于高強度密集型。隨著農(nóng)業(yè)勞動力結(jié)構(gòu)的轉(zhuǎn)變,農(nóng)業(yè)作業(yè)勞動力匱乏,為保證蘋果的適時采摘,需提高采摘效率,因此實現(xiàn)蘋果自動化采摘成為亟待解決的問題。現(xiàn)有的蘋果采摘機器人樣機因其采摘效率偏低,目前仍停留在實驗室研究階段。在計算機、信息技術(shù)的推動下,實現(xiàn)采摘機器人果園現(xiàn)場作業(yè),提高采摘效率是關(guān)鍵,可從以下兩個方面著手：一方面改善其自身性能；另一方面延長作業(yè)時間,實現(xiàn)全天候自動采摘。目標果實的識別效率直接制約著蘋果采摘機器人的實時性和可靠性,而目標果實的精準識別作為采摘機器人視覺的技術(shù)瓶頸,進而影響著采摘效率的提高。本研究以蘋果圖像為研究對象,將提高采摘效率作為蘋果采摘機器人的研究目標,圍繞目標果實的精準識別展開相關(guān)研究。主要包括蘋果夜間圖像采集、夜間圖像分析與降噪、圖像的分割與特征提取、目標果實識別模型的建立等方面,詳細探討幾種不同的夜間圖像降噪算法、遺傳神經(jīng)網(wǎng)絡(luò)目標果實識別算法、特殊樣本建模等等。本研究的主要內(nèi)容如下：1在各種人工光源輔助下采用定點標記的方式分別采集自然光、夜間蘋果圖像。通過對采集到的圖像進行色彩分析可知,夜間圖像目標果實的RGB顏色分量間的對比相對于自然光圖像更為明顯；發(fā)現(xiàn)白熾燈下的蘋果夜間圖像更接近自然光圖像。從直觀視覺觀察,夜間圖像較為模糊,且有椒鹽噪聲存在；通過對夜間圖像進行差影法分析,判定其噪聲類型是混合噪聲,且是以高斯噪聲為主,并伴有部分椒鹽噪聲。2針對夜間圖像的噪聲問題,分別提出三種智能優(yōu)化的降噪算法,其中基于模糊閾值(Fuzzy threshold)改進的小波變換(Wavelet transform,WT)降噪算法(F-WT),利用模糊理論優(yōu)化小波閾值潛在風(fēng)險,得到的低噪圖像的相對峰值信噪比(Relative peak signal-to-noise ratio,RPSNR)提高了19.69%；基于WT和獨立成分分析(Independent component analysis,ICA)融合降噪算法(WT-ICA),優(yōu)化后低噪圖像的RPSNR提高了29.94%；基于粒子群優(yōu)化(Particle swarm optimization,PSO)的ICA降噪算法(PSO-ICA),通過PSO算法求解分離矩陣,旨在改善ICA的運行效率,優(yōu)化后低噪圖像的RPSNR提高了21.28%。對比三種優(yōu)化降噪算法,WT-ICA算法降噪能力最強,但運行效率偏低；PSO-ICA算法的降噪能力雖略低于WT-ICA算法,但運行效率卻大幅度提高。白熾燈下的夜間圖像,無論是原始圖像還是處理后的低噪圖像的RPSNR的值均最高。因此,可初步篩選白熾燈為蘋果采摘機器人夜間作業(yè)的輔助光源。3對比在Lab顏色空間下采取K-means聚類算法,以及直接采用PCNN算法對蘋果圖像的分割效果,二者均取得較好的分割效果,PCNN的運行效率稍高于K-means聚類分割。并根據(jù)目標果實的特點,分別提取RGB和HIS顏色空間下的6個顏色特征,圓方差、橢圓方差、周長平方面積比、致密度等4個幾何特征,以及7個Hu不變矩,這17個顏色和形狀特征足以表征目標果實。4根據(jù)所提取到的特征向量設(shè)計分類器,將RBF、Elman兩種神經(jīng)網(wǎng)絡(luò)(Neural network,NN)算法引入目標物識別,為克服它們存在的固有缺陷,利用遺傳算法(Genetic algorithm,GA)進行優(yōu)化,采取一種新優(yōu)化方式,即連接權(quán)值和神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)同時進化,分別建立GA-RBF-LMS和GA-Elman兩種神經(jīng)網(wǎng)絡(luò)優(yōu)化分類算法。由UCI數(shù)據(jù)仿真實驗和蘋果圖像識別實驗可知,兩種識別模型的運行效率和識別精度得到大幅度提高,泛化能力也相應(yīng)提高；目標果實的整體識別率均達95%以上。比較兩種識別模型的算法性能,GA-RBF-LMS算法的優(yōu)勢在于運行效率高,而識別精度略低；GA-Elman算法的優(yōu)勢則在于識別精度高,而運行效率上稍微欠缺。5針對蘋果識別建模過程中容易遇到的大樣本問題,首先采用偏最小二乘(Partial least squares,PLS)降維算法緩解樣本高維度難題,得到更有意義的低維數(shù)據(jù)。再利用譜聚類(Hierarchical cluster analysis,HCA)進行橫向降維,將相近的樣本劃歸為一類,細化樣本,對每個類分別進行神經(jīng)網(wǎng)絡(luò)建模,建立PLS-HCA-NN大樣本分類算法。由UCI數(shù)據(jù)測試可知,新建立的兩種分類算法在其識別精度、運行效率、泛化能力均得到大幅度提高。本研究成果為蘋果采摘機器人視覺系統(tǒng)改善、采摘效率的提高奠定了一定的理論基礎(chǔ),且所建立的智能優(yōu)化算法也值得在其他領(lǐng)域進一步推廣應(yīng)用。
[Abstract]:China has the world's largest apple planting area and yield of apple picking is a high intensity. With the change of labor intensive agricultural structure, agricultural operation labor shortage, in order to ensure the timely picking apples, the need to improve the picking efficiency, thus achieving the apple picking automation has become an urgent problem. The existing apple picking because of the low efficiency of harvesting robot, is still in the stage of laboratory research. In the computer, the development of information technology, to realize the orchard picking robot field operations, improve the picking efficiency is the key, can proceed from the following two aspects: to improve its performance on one hand; on the other hand, prolonged operation time, all-weather automatic picking fruit. Target recognition efficiency directly restricts the real-time and reliability of apple picking robot, and accurate target identification for fruit picking machine The technical bottleneck in human visual perception, and affects the picking efficiency. Based on the apple image as the research object, will improve the picking efficiency of apple picking robot as the research target, the research on accurate target identification. The main fruits include apple night image acquisition, image analysis and noise reduction at night, segmentation and feature extraction the image, based on target recognition model, discusses several different nighttime image denoising algorithm, genetic neural network target recognition algorithm, special sample modeling and so on. The main contents of this study are as follows: 1 in a variety of artificial light assisted by fixed way of marking natural light were collected at night, apple image. Through the analysis of color images of the night, compared with the RGB color component images between the target relative to the natural light image is more Obviously; found in incandescent light Apple night image closer to natural light image. From the observation of visual image, the night is vague, and salt and pepper noise through the night; image subtraction method, determine the type of noise is mixed noise, and the noise is in Gauss, and with some salt and pepper noise.2 aiming at the problem of noise at night image, put forward three kinds of intelligent optimization algorithm, which is based on fuzzy threshold (Fuzzy threshold) improved wavelet transform (Wavelet transform WT) algorithm (F-WT), the potential risk of wavelet threshold fuzzy optimization theory, the low noise image relative to the peak signal-to-noise ratio (Relative peak signal-to-noise ratio, RPSNR) increased by 19.69%; and based on independent component analysis WT (Independent component analysis, ICA) (WT-ICA), fusion algorithm improves low noise image after optimization RPSNR 29.94%; based on particle swarm optimization (Particle swarm optimization, PSO) ICA (PSO-ICA) denoising algorithm, the separation matrix is solved through PSO algorithm, aimed at improving the ICA efficiency, optimized low noise image RPSNR improved three optimized denoising algorithm 21.28%. WT-ICA algorithm is compared, the strongest, but the efficiency is low; noise reduction ability of PSO-ICA algorithm was slightly lower than that of the WT-ICA algorithm, but the operating efficiency is greatly improved. The incandescent lamp under the night image, whether it is low noise image of the original image or after the treatment of RPSNR are the highest. Because of this, the preliminary screening of incandescent lamp for apple harvesting robot.3 auxiliary light contrast work at night to take K-means clustering algorithm in Lab color space, and the PCNN algorithm is directly used for apple image segmentation, two showed better segmentation effect, efficiency rate of PCNN was slightly higher than that of K-means Clustering segmentation. According to the characteristics of the target fruit, were extracted from 6 color features, RGB and HIS color space elements, ellipse square variance, perimeter area ratio, density of 4 geometric features and 7 Hu invariant moments, the 17 color and shape features are sufficient to characterize the target fruit according to.4 the feature vector classifier design, extracted from RBF, Elman two neural network (Neural network NN) algorithm in object recognition, in order to overcome the inherent defects of their existence, using genetic algorithm (Genetic algorithm GA) is optimized to adopt a new optimization method, namely the weights and structure of neural network at the same time the evolution of GA-RBF-LMS and GA-Elman, were established two optimized neural network classification algorithm. By UCI simulation results and experimental data shows that the apple image recognition, operation efficiency and recognition accuracy of two recognition model has been greatly improved, the generalization The ability also increased; the overall target fruit rate is above 95%. The performance comparison of two kinds of recognition algorithm, GA-RBF-LMS algorithm has the advantage of high efficiency, and the recognition accuracy is slightly lower; the GA-Elman algorithm is to the advantage of high accuracy and efficiency, a little lack of.5 for large sample problems of apple the identification of the modeling process, first, using partial least squares (Partial least, squares, PLS) dimension reduction algorithm to ease the sample high dimension problem, low dimensional data get more meaningful. Then using spectral clustering (Hierarchical cluster analysis, HCA) horizontal dimension, similar to the sample will be classified as a type of refinement, for each sample. Are neural network modeling, a PLS-HCA-NN classification algorithm. By UCI test data shows that two kinds of new classification algorithm on its recognition accuracy, efficiency and generalization The force has been greatly improved. The research results laid a theoretical foundation for improving apple picking robot vision system and improving picking efficiency, and the intelligent optimization algorithm is also worthy of further application in other fields.

【學(xué)位授予單位】：江蘇大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2016
【分類號】：TP391.41;TP242

【相似文獻】

相關(guān)期刊論文 前10條

1 王麗麗;郭艷玲;王迪;劉幻;;果蔬采摘機器人研究綜述[J];林業(yè)機械與木工設(shè)備;2009年01期

2 張潔;李艷文;;果蔬采摘機器人的研究現(xiàn)狀、問題及對策[J];機械設(shè)計;2010年06期

3 夏天;以色列的溫室采摘機器人[J];山東農(nóng)機化;1997年11期

4 方建軍;移動式采摘機器人研究現(xiàn)狀與進展[J];農(nóng)業(yè)工程學(xué)報;2004年02期

5 宋健;張鐵中;徐麗明;湯修映;;果蔬采摘機器人研究進展與展望[J];農(nóng)業(yè)機械學(xué)報;2006年05期

6 崔玉潔;張祖立;白曉虎;;采摘機器人的研究進展與現(xiàn)狀分析[J];農(nóng)機化研究;2007年02期

7 田素博;邱立春;秦軍偉;劉春芳;;國內(nèi)外采摘機器人機械手結(jié)構(gòu)比較的研究[J];農(nóng)機化研究;2007年03期

8 呂宏明;姬長英;;視覺技術(shù)在農(nóng)業(yè)采摘機器人中的應(yīng)用及發(fā)展[J];江西農(nóng)業(yè)學(xué)報;2008年02期

9 劉長林;張鐵中;楊麗;;果蔬采摘機器人研究進展[J];安徽農(nóng)業(yè)科學(xué);2008年13期

10 蔣煥煜;彭永石;應(yīng)義斌;;雙目立體視覺技術(shù)在果蔬采摘機器人中的應(yīng)用[J];江蘇大學(xué)學(xué)報(自然科學(xué)版);2008年05期

相關(guān)會議論文 前7條

1 何蓓;劉剛;;果樹采摘機器人研究綜述[A];2007年中國農(nóng)業(yè)工程學(xué)會學(xué)術(shù)年會論文摘要集[C];2007年

2 趙德安;姬偉;張超;李占坤;;果樹采摘機器人控制系統(tǒng)設(shè)計[A];中國農(nóng)業(yè)工程學(xué)會電氣信息與自動化專業(yè)委員會、中國電機工程學(xué)會農(nóng)村電氣化分會科技與教育專委會2010年學(xué)術(shù)年會論文摘要[C];2010年

3 趙德安;呂繼東;姬偉;陳玉;張穎;;果樹采摘機器人及控制系統(tǒng)研制[A];中國農(nóng)業(yè)工程學(xué)會2011年學(xué)術(shù)年會論文集[C];2011年

4 石興祿;鄒湘軍;盧俊;陳強;陳燕;王紅軍;劉天湖;;虛擬采摘機器人統(tǒng)一建模與三維動態(tài)仿真[A];慶祝中國力學(xué)學(xué)會成立50周年暨中國力學(xué)學(xué)會學(xué)術(shù)大會’2007論文摘要集（下）[C];2007年

5 劉繼展;李萍萍;李智國;倪齊;;番茄采摘機器人真空吸盤裝置設(shè)計及試驗研究[A];紀念中國農(nóng)業(yè)工程學(xué)會成立30周年暨中國農(nóng)業(yè)工程學(xué)會2009年學(xué)術(shù)年會（CSAE 2009）論文集[C];2009年

6 袁挺;李偉;譚豫之;楊慶華;高峰;任永新;;溫室環(huán)境下黃瓜采摘機器人信息獲取技術(shù)研究[A];走中國特色農(nóng)業(yè)機械化道路——中國農(nóng)業(yè)機械學(xué)會2008年學(xué)術(shù)年會論文集（下冊）[C];2008年

7 魏錫光;王庫;;仿自然環(huán)境條件下番茄采摘機器人設(shè)計研究[A];中國農(nóng)業(yè)工程學(xué)會電氣信息與自動化專業(yè)委員會、中國電機工程學(xué)會農(nóng)村電氣化分會科技與教育專委會2010年學(xué)術(shù)年會論文摘要[C];2010年

相關(guān)重要報紙文章 前2條

1 本報記者 段佳;果蔬采摘機器人有了三維視力[N];大眾科技報;2009年

2 呂繼東 趙德安 姬偉 陳玉;淺談國內(nèi)外采摘機器人[N];中國農(nóng)機化導(dǎo)報;2014年

相關(guān)博士學(xué)位論文 前10條

1 顧玉宛;基于并行計算的蘋果采摘機器人關(guān)鍵技術(shù)研究[D];江蘇大學(xué);2016年

2 賈偉寬;基于智能優(yōu)化的蘋果采摘機器人目標識別研究[D];江蘇大學(xué);2016年

3 顧寶興;智能移動式水果采摘機器人系統(tǒng)的研究[D];南京農(nóng)業(yè)大學(xué);2012年

4 呂繼東;蘋果采摘機器人視覺測量與避障控制研究[D];江蘇大學(xué);2012年

5 劉繼展;番茄采摘機器人真空吸持系統(tǒng)分析與優(yōu)化控制研究[D];江蘇大學(xué);2010年

6 黃鋁文;蘋果采摘機器人視覺識別與路徑規(guī)劃方法研究[D];西北農(nóng)林科技大學(xué);2013年

7 紀超;溫室果蔬采摘機器人視覺信息獲取方法及樣機系統(tǒng)研究[D];中國農(nóng)業(yè)大學(xué);2014年

8 李智國;基于番茄生物力學(xué)特性的采摘機器人抓取損傷研究[D];江蘇大學(xué);2011年

9 呂強;柑橘采摘機器人工作場景信息感知技術(shù)與路徑規(guī)劃研究[D];江蘇大學(xué);2010年

10 戚利勇;黃瓜采摘機器人視覺關(guān)鍵技術(shù)及系統(tǒng)研究[D];浙江工業(yè)大學(xué);2011年

相關(guān)碩士學(xué)位論文 前10條

1 王亞平;自主采摘機器人競賽平臺系統(tǒng)研究[D];江西理工大學(xué);2015年

2 李珈慧;蘋果采摘機器人移動平臺機械系統(tǒng)的設(shè)計及仿真[D];南京農(nóng)業(yè)大學(xué);2014年

3 賀橙林;基于機器視覺的氣動采摘機器人研究[D];上海交通大學(xué);2015年

4 李敏;果蔬快速采摘機器人柔性負載剛?cè)狁詈辖Ｅc仿真[D];北方工業(yè)大學(xué);2016年

5 田麗芳;基于純滾動轉(zhuǎn)向的采摘機器人輪式AGV系統(tǒng)設(shè)計與試驗研究[D];江蘇大學(xué);2016年

6 李占坤;果樹采摘機器人控制系統(tǒng)研究與設(shè)計[D];江蘇大學(xué);2010年

7 趙慶波;果樹采摘機器人控制與避障技術(shù)研究[D];江蘇大學(xué);2008年

8 蘇帥;獼猴桃采摘機器人信息感知的基礎(chǔ)研究[D];西北農(nóng)林科技大學(xué);2013年

9 陳天宏;雙目采摘機器人路徑優(yōu)化設(shè)計的研究[D];東北農(nóng)業(yè)大學(xué);2010年

10 楊文亮;蘋果采摘機器人機械手結(jié)構(gòu)設(shè)計與分析[D];江蘇大學(xué);2009年

，

本文編號：1696391