CN103177445A - 基于分段阈值图像分割及光斑识别的室外番茄识别方法 - Google Patents
基于分段阈值图像分割及光斑识别的室外番茄识别方法 Download PDFInfo
- Publication number
- CN103177445A CN103177445A CN2013100799217A CN201310079921A CN103177445A CN 103177445 A CN103177445 A CN 103177445A CN 2013100799217 A CN2013100799217 A CN 2013100799217A CN 201310079921 A CN201310079921 A CN 201310079921A CN 103177445 A CN103177445 A CN 103177445A
- Authority
- CN
- China
- Prior art keywords
- tomato
- area
- pixel
- spot
- zone
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于分段阈值图像分割及光斑识别的室外番茄识别方法,在计算归一化色差C d 及颜色分量比r GB 后,运用分段阈值图像分割实现番茄非光斑区域分割R r ;运用光斑区域分割算法提取候选番茄光斑区域R b ,R r 和R b 构成初始番茄区域R t ;对R t 进行区域标记及去噪处理;统计初始番茄区域面积A t 及候选番茄光斑区域面积A b ;同一番茄区域中,若A b 小于A t 的三分之一,则将R b 作为番茄区域予以保留,否则将R b 作为背景光斑区域予以去除,而只保留R r ;对最后得到的番茄区域进行区域标记和去噪。本发明的采用分段阈值和光斑识别相结合的方法,克服了自然光照变化的影响,实现了不同自然光照条件下果实的实时识别。
Description
技术领域
本发明涉及一种图像处理方法,尤其是涉及一种基于分段阈值图像分割及光斑识别的室外番茄识别方法。
背景技术
果蔬采摘机器人是实现自动化采摘作业的一种解决方案,基于机器视觉的果实识别是果蔬采摘机器人获取采摘目标信息的一种手段。
由于果蔬采摘机器人在室外作业,而室外环境光照变化剧烈,因此果实识别极易受环境光照变化的影响。现有室外果实识别系统中的图像接收装置有一定的动态响应范围,若光照强度超出该动态响应范围(光照太强或太弱),会在图像中产生光斑或产生暗区域,某些情况下,两类光照条件会同时出现在同一个作业场景中。虽然现有的室外果实识别系统中,部分图像接收装置具有自动增益功能可以自动适应外界光照强度的变化,或者在图像接收装置前人工加滤光片的方法可以降低图像中光斑出现的概率,但均无法避免果实表面光斑的出现,也无法满足果实表面同时出现亮斑和阴影时果实识别的需求。另外,在室外自然光照条件下,光照较强的情况经常出现,此时果实表面普遍存在光斑,且光斑较大的情况也经常发生。光斑区域的存在将最终导致系统无法正确识别果实。
目前室外果实识别系统基本采用图像接收装置和图像分析处理系统组成的机器视觉系统。应用的室外果实识别方法是根据果实和背景的灰度或颜色差异,选择合适的果实灰度或颜色特征后,使用分类算法实现果实与背景的图像分割,从而实现室外果实的识别。所使用的颜色空间包括:RGB,rgb,HIS,Lab,YIQ等。分类算法研究主要包括:基于阈值的图像分割算法,基于区域生长的图像分割算法,基于颜色聚类的图像分割算法。其中,基于阈值分割的图像分割算法又分为:固定阈值分割,Otsu自动阈值分割。基于颜色聚类的图像分割算法又包括:K均值聚类,LVQ网络,神经网络,SOM,决策函数,近邻域聚类等。
现有室外果实识别方法适应性、实时性、价格等方面还不能满足生产要求。
发明内容
本发明的目的在于提供一种基于分段阈值图像分割及光斑识别的室外番茄识别方法,采用分段阈值和光斑识别相结合实现不同光照条件下果实的实时识别。
本发明采用的技术方案是:
图像接收装置接收到番茄的光学图像后,将其转换为电子图像输出;图像接收装置输出的电子图像输入到图像分析处理系统;图像分析处理系统对输入的番茄图像使用室外番茄实时识别方法实现不同自然光照条件下番茄的识别及番茄表面光斑区域的识别;室外番茄实时识别方法主要由分段阈值图像分割算法、光斑区域分割算法及果实光斑区域识别算法组成,用彩色相机采集室外番茄的彩色图像,读取彩色图像的R、G、B颜色分量;包括以下步骤:
①归一化色差值Cd及颜色分量比值rGB计算:对彩色图像上的每一个像素点分别按公式(1)和公式(2)计算Cd及rGB;
Cd=255(2R+B)/(2R+2G+2B) (1)
rGB=G/B (2)
②番茄非光斑区域Rr分割:对彩色图像上的每一个像素点分别判断Cd及rGB值是否满足式(3)中的if分支条件,若满足则该像素被判为番茄非光斑区域像素;否则为背景区域像素;全体非光斑区域像素组成番茄非光斑区域Rr;
③候选番茄光斑区域Rb分割:对彩色图像上的每一个像素点分别rGB值是否满足式(4)中的if分支条件,若满足则将其归入候选番茄光斑区域像素,否则归入背景区域;全体候选番茄光斑像素组成候选番茄光斑区域Rb;
④对初始番茄区域Rt进行8邻域区域标记及去噪处理:记步骤②和③分割出的Rr及Rb的总和为Rt,对Rt进行数学形态学开运算、8邻域区域标记及小面积区域去除的去噪处理,即在8邻域区域标记后,统计二值图像中的各区域面积,将面积小于面积阈值Amin的小面积区域的区域标记改为背景区域标记;
⑤各类区域面积统计:计算步骤④得到的各个Rt中,初始番茄非光斑区域面积At,即Rt中的像素总数,以及候选番茄光斑区域面积Ab,即Rb中的像素总数;
⑥候选番茄光斑区域Rb中的背景光斑区域去除:对于任一番茄区域Rt,若Ab小于At的三分之一,则将Rb作为番茄区域予以保留,即识别结果为Rt;否则将Rb作为背景光斑区域予以去除,而只保留Rr;如式(5):
⑦背景光斑区域去除处理后的番茄区域标记及去噪处理:对步骤⑥得到的各番茄区域进行数学形态学开运算,8邻域区域标记和小面积区域去除的去噪处理,得到最终番茄区域Rw为识别结果。
所述步骤②,番茄非光斑区域Rr分割,对彩色图像上的每一个像素点作如下处理:
所述步骤③,候选番茄光斑区域Rb分割,对彩色图像上的每一个像素点作如下处理:
所述步骤⑥候选番茄光斑区域Rb中的背景光斑区域去除方法,对任一番茄区域Rt的全体像素点作如下处理:
所述步骤⑦中最终番茄区域Rw的获取方法,是将所有T(r,c)为1的像素构成的区域作为识别结果Rw。
所述步骤②中式(3)的TR1,TR2,TC1,TC2,TC3,Tr参数建立方法:
提取晴天顺光下采集的1幅番茄彩色图像中番茄光斑区域及叶子光斑区域各M个R=255,G<255,B<255的像素;将数据导入Excel;计算各像素的rGB值;绘制番茄光斑区域M个像素及叶子光斑区域M个像素的rGB分布图;根据该分布图设定rGB阈值;
使用同一相机采集同一番茄植株在同一采集距离不同时间段的图像,照度值的采集通过在番茄正上方放置照度计实现,彩色图像采集距离为300mm,照度范围为1lx到28000lx,彩色图像数为N幅;提取N幅彩色图像中,同一番茄的同一位置,即左上顶点坐标均为(xlu,ylu),右下顶点坐标均为(xrd,yrd),矩形范围内的RGB值存入文本文件;将文本文件中的RGB值导入Excel;利用式(1)计算各像素的Cd值;以各像素R分量为横坐标,Cd为纵坐标绘制散布图;观察散布图,将R分量分为3个区间,每个区间使用不同的Cd阈值。
所述步骤③中式(4)TB1,TB2,TG1,TG2,TG3,Tr1,Tr2,Tr3参数的建立方法:
从晴天顺光条件下采集的X幅番茄彩色图像中,提取Y个番茄光斑区域共Z个像素的RGB值;将数据导入Excel;利用Excel中的SUMPRODUCT函数统计R=255,G=255时像素总数,然后确定95%以上的像素对应的B分量下限;同理,利用Excel中的SUMPRODUCT函数统计R=255,G<255时像素总数,然后确定95%以上的像素对应的B分量下限,再以G分量为横坐标,rGB为纵坐标,绘制散布图,观察散布图,将G分量分为3个区间,每个区间使用不同的rGB阈值。
本发明具有的有益效果是:
本发明采用分段阈值和光斑识别相结合的方法,克服了自然光照变化对番茄识别带来的影响,实现不同自然光照条件下果实的实时识别,同时还可以实现果实表面光斑区域的识别。
附图说明
图1是室外番茄实时识别系统示意图。
图2是室外番茄实时识别方法流程图。
图3是室外番茄光斑区域图。
图4是背景光斑区域示意图。
图中:1、番茄,2、双目立体相机,3、电源,4、1394图像采集卡,5、计算机,6、室外番茄识别软件。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
图1示意了室外番茄实时识别系统的一个具体实施例。图像接收装置采用双目立体相机2(立体相机可获取目标的3维位置信息,为以后获取番茄的三维位置信息考虑),双目立体相机2包含2个彩色Sony ICX204CCD,最大分辨率为1024×768,透镜焦距为6mm。图像采集卡4型号为MOGE1394,带电源适配器,电源3用于对相机供电(在无220V电源时,也可使用蓄电池)。计算机5为Lenovo R400笔记本电脑,内存3G,CPU为Intel Core Duo T6570,WIN7操作系统。使用1394连接线将双目立体相机2与1394图像采集卡4相连,1394图像采集卡4通过7合1读卡器接口安装在计算机5上。
室外番茄实时识别的具体实现如下:
双目立体相机2中的彩色CCD接收到番茄1的光学图像后,将其转换为电子图像输出;双目立体相机2输出的电子图像输入到1394图像采集卡4;1394图像采集卡4将模拟图像信号转换为数字图像信号后输入到计算机5中的室外番茄识别软件6;室外番茄识别软件6使用室外番茄实时识别方法实现自然光照条件下番茄的实时识别。
在以下说明番茄识别方法时,均以C语言为例。其中F(r,c),H(r,c),T(r,c)分别为图像中第r行,第c列像素是否为番茄非光斑区域像素,候选番茄光斑区域像素,初始番茄区域像素的标记,为1表示是,为0表示不是。在开始前,将所有像素的F(r,c),H(r,c),T(r,c)标记均清零,具体操作如下:
室外番茄实时识别方法主要由分段阈值图像分割算法、光斑区域分割算法及果实光斑区域识别算法组成,用双目立体相机采集室外番茄的彩色图像,读取彩色图像的R、G、B颜色分量;下面对照图2所示,说明室外番茄实时识别方法的具体实现步骤:
①归一化色差值Cd及颜色分量比值rGB计算。逐点读取图像中各像素的RGB值,根据RGB值计算其Cd及rGB值。Cd计算如式(6),rGB计算如式(7):
Cd=255*(2*R+B)/(2*R+2*G+2*B); (6)
rGB=G/B; (7)
其中,逐点读取番茄彩色图像中各像素RGB值的具体操作如下:
②番茄非光斑区域Rr分割。对彩色图像中的每个像素点做如下处理:
③候选番茄光斑区域Rb分割。对彩色图像中的每个像素点做如下处理:
④初始番茄区域Rt标记及去噪处理。对步骤②和③分割出的初始番茄区域(即T(r,c)为1的像素构成的区域)进行数学形态学开运算,8邻域区域标记及小面积区域去除的处理。将小于二值图像中最大初始番茄区域面积十分之一的区域作为噪声去除,通过将此类小区域内像素的F(r,c),H(r,c),T(r,c)均清零实现;
⑤各类区域面积统计。计算步骤④得到的各个Rt中,初始番茄非光斑区域面积At(通过计算该番茄初始区域中T(r,c)为1的像素总数实现)及候选番茄光斑区域面积Ab(通过计算该番茄初始区域中H(r,c)为1的像素总数实现);
⑥作为背景光斑区域的Rb去除。同一番茄区域中,若Ab小于At的三分之一,则将Rb作为番茄区域予以保留,即识别结果为Rt,如图3所示;否则将该Rb作为背景光斑区域予以去除,即将该番茄区域内H(r,c)为1的像素的T(r,c)由1改为0,而只保留Rr,如图4所示,具体操作如下:
⑦番茄区域标记及去噪处理。对步骤⑥得到的番茄区域进行数学形态学开运算,8邻域区域标记和小区域去除处理。将小于二值图像中最大番茄区域面积十分之一的区域作为噪声去除,通过将此类区域内像素的F(r,c),H(r,c),T(r,c)均清零实现。最后,所有T(r,c)为1的像素为最终番茄区域Rw的像素。
步骤②中,if分支条件的建立方法如下:
提取晴天顺光下采集的1幅番茄彩色图像中番茄光斑区域及叶子光斑区域各257个R=255,G<255,B<255的像素;将数据导入Excel2003;计算各像素的rGB值;绘制番茄光斑区域257个像素及叶子光斑区域257个像素的rGB分布图;根据该分布图设定rGB阈值。
使用同一相机采集同一番茄植株在同一采集距离不同时间段的彩色图像,照度值的采集通过在番茄正上方放置照度计实现,图像采集距离为300mm,时间为2012年8月17日15:49到18:51,照度范围为1lx到28000lx,彩色图像数为82幅;提取82幅彩色图像中,同一番茄区域左上顶点坐标(230,150),右下顶点坐标为(250,160)的同一位置矩形范围内的RGB值存入文本文件;将文本文件中的RGB值导入Excel2003;利用式(6)计算各像素的Cd值;以各像素R分量为横坐标,Cd为纵坐标绘制散布图;观察散布图,将R分量分为3个区间,每个区间使用不同的Cd阈值。
步骤③中,if分支条件的建立方法如下:从晴天顺光条件下采集的50幅番茄彩色图像中,提取86个番茄光斑区域共3540个像素的RGB值;将数据导入Excel2003;利用Excel2003中的SUMPRODUCT函数统计R=255,G=255时像素总数,然后确定95%以上的像素对应的B分量下限;同理,利用Excel2003中的SUMPRODUCT函数统计R=255,G<255时像素总数,然后确定95%以上的像素对应的B分量下限,再以G分量为横坐标,rGB为纵坐标,绘制散布图,观察散布图,将G分量分为3个区间,每个区间使用不同的rGB阈值。
Claims (7)
1.一种基于分段阈值分割及光斑识别的室外番茄实时识别方法,用彩色相机采集室外番茄的彩色图像,读取彩色图像的R、G、B颜色分量;其特征在于,包括以下步骤:
①归一化色差值Cd及颜色分量比值rGB计算:对彩色图像上的每一个像素点分别按公式(1)和公式(2)计算Cd及rGB;
Cd=255(2R+B)/(2R+2G+2B) (1)
rGB=G/B (2)
②番茄非光斑区域Rr分割:对彩色图像上的每一个像素点分别判断Cd及rGB值是否满足式(3)中的if分支条件,若满足则该像素被判为番茄非光斑区域像素;否则为背景区域像素;全体非光斑区域像素组成番茄非光斑区域Rr;
③候选番茄光斑区域Rb分割:对彩色图像上的每一个像素点分别rGB值是否满足式(4)中的if分支条件,若满足则将其归入候选番茄光斑区域像素,否则归入背景区域;全体候选番茄光斑像素组成候选番茄光斑区域Rb;
④对初始番茄区域Rt进行8邻域区域标记及去噪处理:记步骤②和③分割出的Rr及Rb的总和为Rt,对Rt进行数学形态学开运算、8邻域区域标记及小面积区域去除的去噪处理,即在8邻域区域标记后,统计二值图像中的各区域面积,将面积小于面积阈值Amin的小面积区域的区域标记改为背景区域标记;
⑤各类区域面积统计:计算步骤④得到的各个Rt中,初始番茄非光斑区域面积At,即Rt中的像素总数,以及候选番茄光斑区域面积Ab,即Rb中的像素总数;
⑥候选番茄光斑区域Rb中的背景光斑区域去除:对于任一番茄区域Rt,若Ab小于At的三分之一,则将Rb作为番茄区域予以保留,即识别结果为Rt;否则将Rb作为背景光斑区域予以去除,而只保留Rr;如式(5):
⑦背景光斑区域去除处理后的番茄区域标记及去噪处理:对步骤⑥得到的各番茄区域进行数学形态学开运算,8邻域区域标记和小面积区域去除的去噪处理,得到最终番茄区域Rw为识别结果。
5.如权利要求1所述的一种基于分段阈值分割及光斑识别的室外番茄实时识别方法,其特征在于:所述步骤⑦中最终番茄区域Rw的获取方法,是将所有T(r,c)为1的像素构成的区域作为识别结果Rw。
6.如权利要求1所述的一种基于分段阈值分割及光斑识别的室外番茄实时识别方法,其特征在于:所述步骤②中式(3)的TR1,TR2,TC1,TC2,TC3,Tr参数建立方法:
提取晴天顺光下采集的1幅番茄彩色图像中番茄光斑区域及叶子光斑区域各M个R=255,G<255,B<255的像素;将数据导入Excel;计算各像素的rGB值;绘制番茄光斑区域M个像素及叶子光斑区域M个像素的rGB分布图;根据该分布图设定rGB阈值;
使用同一相机采集同一番茄植株在同一采集距离不同时间段的图像,照度值的采集通过在番茄正上方放置照度计实现,彩色图像采集距离为300mm,照度范围为1lx到28000lx,彩色图像数为N幅;提取N幅彩色图像中,同一番茄的同一位置,即左上顶点坐标均为(xlu,ylu),右下顶点坐标均为(xrd,yrd),矩形范围内的RGB值存入文本文件;将文本文件中的RGB值导入Excel;利用式(1)计算各像素的Cd值;以各像素R分量为横坐标,Cd为纵坐标绘制散布图;观察散布图,将R分量分为3个区间,每个区间使用不同的Cd阈值。
7.如权利要求1所述的一种基于分段阈值分割及光斑识别的室外番茄实时识别方法,其特征在于:所述步骤③中式(4)TB1,TB2,TG1,TG2,TG3,Tr1,Tr2,Tr3参数的建立方法:
从晴天顺光条件下采集的X幅番茄彩色图像中,提取Y个番茄光斑区域共Z个像素的RGB值;将数据导入Excel;利用Excel中的SUMPRODUCT函数统计R=255,G=255时像素总数,然后确定95%以上的像素对应的B分量下限;同理,利用Excel中的SUMPRODUCT函数统计R=255,G<255时像素总数,然后确定95%以上的像素对应的B分量下限,再以G分量为横坐标,rGB为纵坐标,绘制散布图,观察散布图,将G分量分为3个区间,每个区间使用不同的rGB阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310079921.7A CN103177445B (zh) | 2013-03-13 | 2013-03-13 | 基于分段阈值图像分割及光斑识别的室外番茄识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310079921.7A CN103177445B (zh) | 2013-03-13 | 2013-03-13 | 基于分段阈值图像分割及光斑识别的室外番茄识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103177445A true CN103177445A (zh) | 2013-06-26 |
CN103177445B CN103177445B (zh) | 2015-10-28 |
Family
ID=48637275
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310079921.7A Active CN103177445B (zh) | 2013-03-13 | 2013-03-13 | 基于分段阈值图像分割及光斑识别的室外番茄识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103177445B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200462A (zh) * | 2014-08-04 | 2014-12-10 | 深圳市新良田科技有限公司 | 去除图文并茂文档中底色的方法 |
CN104408407A (zh) * | 2014-11-05 | 2015-03-11 | 江苏大学 | 苹果采摘机器人的夜间识别方法 |
CN105574514A (zh) * | 2015-12-31 | 2016-05-11 | 上海交通大学 | 温室生西红柿自动识别方法 |
CN106096219A (zh) * | 2016-01-29 | 2016-11-09 | 中国计量学院 | 一种用于果蔬识别算法性能评价的数据质量分析方法 |
CN107451585A (zh) * | 2017-06-21 | 2017-12-08 | 浙江大学 | 基于激光成像的马铃薯图像识别装置和方法 |
CN108090910A (zh) * | 2018-01-04 | 2018-05-29 | 中国计量大学 | 一种基于信息熵梯度简化pcnn模型的夜间室外番茄植株图像分割算法 |
CN108090397A (zh) * | 2016-11-22 | 2018-05-29 | 天津长城科安电子科技有限公司 | 基于红外图像的行人检测系统 |
CN109522901A (zh) * | 2018-11-27 | 2019-03-26 | 中国计量大学 | 一种基于边缘对偶关系的番茄植株茎秆边缘识别方法 |
CN109605375A (zh) * | 2019-01-08 | 2019-04-12 | 太原工业学院 | 一种智能番茄采摘机器人的控制方法 |
CN112132153A (zh) * | 2020-09-22 | 2020-12-25 | 山东大学 | 基于聚类和形态学处理的番茄果实识别方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH03123982A (ja) * | 1989-10-06 | 1991-05-27 | Iseki & Co Ltd | 果実等の検出方法 |
CN102831398A (zh) * | 2012-07-24 | 2012-12-19 | 中国农业大学 | 基于深度图像的树上苹果识别方法 |
-
2013
- 2013-03-13 CN CN201310079921.7A patent/CN103177445B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH03123982A (ja) * | 1989-10-06 | 1991-05-27 | Iseki & Co Ltd | 果実等の検出方法 |
CN102831398A (zh) * | 2012-07-24 | 2012-12-19 | 中国农业大学 | 基于深度图像的树上苹果识别方法 |
Non-Patent Citations (3)
Title |
---|
RONG XIANG ET AL: "《Research on Image Segmentation Methods of Tomato in Natural Conditons》", 《2011 4TH INTERNATIONAL CONGRESS ON IMAGE AND SIGNAL PROCESSING》, vol. 3, 15 October 2011 (2011-10-15), pages 1268 - 1272 * |
项荣等: "《基于边缘曲率分析的重叠番茄识别》", 《农业机械学报》, vol. 43, no. 3, 31 March 2012 (2012-03-31), pages 157 - 162 * |
项荣等: "《基于项目立体视觉的番茄定位》", 《农业工程学报》, vol. 28, no. 5, 31 March 2012 (2012-03-31), pages 161 - 167 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200462A (zh) * | 2014-08-04 | 2014-12-10 | 深圳市新良田科技有限公司 | 去除图文并茂文档中底色的方法 |
CN104200462B (zh) * | 2014-08-04 | 2017-05-17 | 深圳市新良田科技股份有限公司 | 去除图文并茂文档中底色的方法 |
CN104408407A (zh) * | 2014-11-05 | 2015-03-11 | 江苏大学 | 苹果采摘机器人的夜间识别方法 |
CN104408407B (zh) * | 2014-11-05 | 2019-04-02 | 江苏大学 | 苹果采摘机器人的夜间识别方法 |
CN105574514A (zh) * | 2015-12-31 | 2016-05-11 | 上海交通大学 | 温室生西红柿自动识别方法 |
CN105574514B (zh) * | 2015-12-31 | 2019-03-22 | 上海交通大学 | 温室生西红柿自动识别方法 |
CN106096219B (zh) * | 2016-01-29 | 2018-09-21 | 中国计量学院 | 一种用于果蔬识别算法性能评价的数据质量分析方法 |
CN106096219A (zh) * | 2016-01-29 | 2016-11-09 | 中国计量学院 | 一种用于果蔬识别算法性能评价的数据质量分析方法 |
CN108090397A (zh) * | 2016-11-22 | 2018-05-29 | 天津长城科安电子科技有限公司 | 基于红外图像的行人检测系统 |
CN107451585A (zh) * | 2017-06-21 | 2017-12-08 | 浙江大学 | 基于激光成像的马铃薯图像识别装置和方法 |
CN107451585B (zh) * | 2017-06-21 | 2023-04-18 | 浙江大学 | 基于激光成像的马铃薯图像识别装置和方法 |
CN108090910A (zh) * | 2018-01-04 | 2018-05-29 | 中国计量大学 | 一种基于信息熵梯度简化pcnn模型的夜间室外番茄植株图像分割算法 |
CN108090910B (zh) * | 2018-01-04 | 2021-04-20 | 中国计量大学 | 一种基于信息熵梯度简化pcnn模型的夜间室外番茄植株图像分割算法 |
CN109522901A (zh) * | 2018-11-27 | 2019-03-26 | 中国计量大学 | 一种基于边缘对偶关系的番茄植株茎秆边缘识别方法 |
CN109605375A (zh) * | 2019-01-08 | 2019-04-12 | 太原工业学院 | 一种智能番茄采摘机器人的控制方法 |
CN112132153A (zh) * | 2020-09-22 | 2020-12-25 | 山东大学 | 基于聚类和形态学处理的番茄果实识别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN103177445B (zh) | 2015-10-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103177445B (zh) | 基于分段阈值图像分割及光斑识别的室外番茄识别方法 | |
Liu et al. | A method of segmenting apples at night based on color and position information | |
CN109447945B (zh) | 基于机器视觉和图形处理的小麦基本苗快速计数方法 | |
CN101916364B (zh) | 自适应的表盘数字识别方法 | |
CN102663354B (zh) | 人脸标定方法和系统 | |
CN103310218B (zh) | 一种重叠遮挡果实精确识别方法 | |
CN103336946B (zh) | 一种基于双目立体视觉的成簇状番茄识别方法 | |
CN106503695B (zh) | 一种基于航拍图像的烟草植株识别与计数方法 | |
CN104091175B (zh) | 一种基于Kinect深度信息获取技术的害虫图像自动识别方法 | |
CN106294705A (zh) | 一种批量遥感影像预处理方法 | |
CN102663397B (zh) | 一种小麦出苗的自动检测方法 | |
CN103440035A (zh) | 一种三维空间中的手势识别系统及其识别方法 | |
CN102393902A (zh) | 基于h_s二维直方图和区域颜色匹配的车辆颜色检测方法 | |
CN112560941A (zh) | 基于图像检测的煤矸识别方法 | |
CN114708208B (zh) | 一种基于机器视觉的名优茶嫩芽识别与采摘点定位方法 | |
CN103793709A (zh) | 细胞识别方法和装置、以及尿液分析仪 | |
CN110032946A (zh) | 一种基于机器视觉的铝/铝泡罩包装药片识别与定位方法 | |
CN111046782B (zh) | 一种用于苹果采摘机器人的果实快速识别方法 | |
Liu et al. | Development of a machine vision algorithm for recognition of peach fruit in a natural scene | |
CN110288623A (zh) | 无人机海上网箱养殖巡检图像的数据压缩方法 | |
CN113920190A (zh) | 银杏花穗定向方法及系统 | |
CN114029943A (zh) | 一种基于图像数据处理的目标抓取定位方法及系统 | |
CN104318240A (zh) | 一种基于计算机视觉的花蕾判别方法 | |
CN101794391B (zh) | 一种温室环境下导航线提取方法 | |
CN107578414B (zh) | 一种路面裂缝图像的处理方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |