CN105844264B - 一种基于受力的油用牡丹果实图像的识别方法 - Google Patents
一种基于受力的油用牡丹果实图像的识别方法 Download PDFInfo
- Publication number
- CN105844264B CN105844264B CN201610308212.5A CN201610308212A CN105844264B CN 105844264 B CN105844264 B CN 105844264B CN 201610308212 A CN201610308212 A CN 201610308212A CN 105844264 B CN105844264 B CN 105844264B
- Authority
- CN
- China
- Prior art keywords
- sub
- oil
- district
- image
- fruit
- 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.)
- Expired - Fee Related
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/68—Food, e.g. fruit or vegetables
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于受力的油用牡丹果实图像的识别方法,该识别方法包括以下步骤:构建有外力施加设备的电荷耦合元件(CCD)机器视觉系统,采集油用牡丹植株在外力作用下发生位移前后的图像;在油用牡丹植株发生位移前后的图像中,分别选取参考子区和搜索子区、目标子区;将参考子区与目标子区进行计算,获得目标子区中目标点的位置坐标,从而得到果实和叶片的位移矢量,选择预定的位移矢量阈值,得到果实轮廓的图像;利用亚像素搜索算法获得精确的油用牡丹果实的形心位置;同时,建立油用牡丹果实色度演化模型;根据色度演化模型,提出能表征牡丹果实成熟度变化的特征变量以判别成熟度,从而完成对油用牡丹果实的定位识别及成熟度判别。
Description
技术领域
本发明涉及图像识别相关领域,尤其涉及一种基于受力的油用牡丹果实图像的识别方法。
背景技术
果实采摘过程机器自动化是未来智能农业机械的发展方向,移动式采摘设备一般由机械手、末端执行器、移动机构、机器视觉系统以及控制系统等构成,其中,移动机构的自主导航和机器视觉系统解决采摘设备的自主行走和目标定位,是整个设备系统的核心和关键,准确的定位可以有效的提高采摘效率,节约劳动成本。
目前,我国存在食用油供给不足的情况,为了提高食用油自给率,大力发展新型油料作物是解决问题的有效途径之一。为此,我国部分地区都已经在大面积推广种植油用牡丹,但目前,牡丹果实采摘作业基本上都是靠人工完成的,采摘效率低,劳动强度大,成本高。
因此,为了更好的发展油用牡丹产业经济,就迫切需要高效率的自动化采摘机械,要实现机器自动化采摘就必须解决目标果实的识别、定位及成熟度检测的问题。现有技术中,常见的是基于可见光图像分析的果蔬识别方法,基于距离图像、温度图像、近红外图像及多光谱图像的果实识别方法具有基于可见光图像识别方法所不具备的优点,可以作为基于可见光图像识别方法的辅助,Bulanon等(Bulanon D M,Burks T F,Alchanatis V,Journal of Biosystems Engineering,2009,103(1):12-22)在进一步研究中,应用彩色相机及热成像仪分别获取彩色图像及温度图像,进而基于可见光图像及温度图像融合技术实现了树上柑橘的识别。Bulanon等(Okamoto H,Lee W S,Journal of Computers andElectronics in Agriculture,2009,66(2):201-208)构建了一种由12位单色相机及包含6个滤光片转盘构成的多光谱图像采集系统,用于采集柑橘图像,进而实现自然条件下的柑橘识别。
在以上诸多农林果蔬图像的分割与识别方法中,对于光照条件、遮挡等都有特定的要求,也存在分割识别率不准确等问题。另外,相对于特殊的研究对象,目前还没有一种通用图像分割方法适合于所有图像。
发明内容
为了解决上述技术问题,本发明人进行了锐意研究,采用如下技术方案:该识别方法包括以下步骤:构建有外力施加设备的电荷耦合元件(CCD)机器视觉系统,采集油用牡丹植株在外力作用下发生位移前后的图像;在油用牡丹植株发生位移前后的图像中,分别选取参考子区和搜索子区、目标子区;将参考子区与目标子区进行计算,获得目标子区中目标点的位置坐标,从而得到果实和叶片的位移矢量,选择预定的位移矢量阈值,得到果实轮廓的图像;利用亚像素搜索算法获得精确的油用牡丹果实的形心位置;同时,建立油用牡丹果实色度演化模型;根据色度演化模型,提出能表征牡丹果实成熟度变化的特征变量以判别成熟度,从而完成对油用牡丹果实的定位识别及成熟度判别,进而完成本发明。
本发明目的在于提供以下方面:
(1)一种基于受力的油用牡丹果实图像的识别方法,其特征在于,该识别方法包括以下步骤:
步骤1,构建设置有外力施加设备的电荷耦合元件(CCD)机器视觉系统,并对其内部参数和外部参数进行标定,用所述电荷耦合元件(CCD)机器视觉系统分别采集油用牡丹植株在外力施加设备作用下发生位移前和发生位移后的图像;
步骤2,对步骤1中获得的油用牡丹植株发生位移前后的两幅图像进行预处理;
步骤3,在步骤2中获得的油用牡丹植株发生位移前的灰度图像中,选取一个待测像素点,该待测像素点即为参考点,以该参考点为中心点选取参考子区;在油用牡丹植株发生位移后的灰度图像中,以与该参考点相对应的像素点为中心点选取搜索子区,并在搜索子区中以每个像素点为中心点选取目标子区,目标子区的中心点即为目标点;
步骤4,将步骤3中图像参考子区与搜索子区中的目标子区进行计算,得到协方差相关函数,进而获得目标子区中目标点的位置坐标;
步骤5,根据步骤3中参考点的位置坐标和步骤4中目标点的位置坐标,得到油用牡丹植株上果实和叶片的位移矢量,选择预定的位移矢量阈值,以区分油用牡丹果实和叶片,并得到果实轮廓的图像;
步骤6,在步骤5的基础上,利用亚像素搜索算法获得精确的油用牡丹果实的形心位置。
(2)根据上述(1)所述的基于受力的油用牡丹果实图像的识别方法,其特征在于,所述步骤1中所述外力施加设备优选为单向风机加载设备。
(3)根据上述(1)或(2)所述的基于受力的油用牡丹果实图像的识别方法,其特征在于,所述单向风机加载设备与油用牡丹植株之间具有预定角度。
(4)根据上述(1)至(3)之一所述的基于受力的油用牡丹果实图像的识别方法,其特征在于,所述单向风机加载设备的风速流量范围为(5~25)m3/min。
(5)根据上述(1)所述的基于受力的油用牡丹果实图像的识别方法,其特征在于,所述步骤3包括以下子步骤:
(301)在油用牡丹植株发生位移前灰度图像中,以参考点P(x,y)为中心选取一个尺寸为(2N+1)×(2N+1)的参考子区;
(302)在油用牡丹植株发生位移后的灰度图像中,以与子步骤(301)中参考点P(x,y)相对应的像素点P`(x`,y`)为中心选取尺寸为(2M+1)×(2M+1)的搜索子区,并在搜索子区中以每个像素点为中心选取与参考子区同样尺寸的目标子区;
其中,M与N的关系为:M≥2N。
(6)根据上述(5)所述的基于受力的油用牡丹果实图像的识别方法,其特征在于,步骤4包括以下子步骤:
(401)将所述子步骤(301)中图像参考子区和所述子步骤(302)中图像搜索子区中的每一个目标子区进行计算;
(402)将上述步骤计算得到的函数归一化处理,得到相关函数:
(其中: 分别为牡丹植株发生位移前图像的参考子区和牡丹植株发生位移后图像的目标子区的灰度平均值,f(x,y),g(x+u,y+v)分别为以参考点和目标点为中心的图像子区的灰度函数;u、v分别为目标点的水平方向和垂直方向位移值);
根据该相关函数得到相关系数C(u,v)的极值点,即可获得目标点的位置坐标。
(7)根据上述(6)所述的基于受力的油用牡丹果实图像的识别方法,其特征在于,所述子步骤(402)中C(u,v)的取值范围为[0,1],根据C(u,v)的取值可判断两幅图像中参考子区与目标子区的相似程度。
(8)根据上述(1)所述的基于受力的油用牡丹果实图像的识别方法,其特征在于,步骤5包括子步骤:
(501)将根据步骤3中参考点的位置坐标和步骤4中目标点的位置坐标作差,即可得到油用牡丹果实和叶片的位移矢量;
(502)对油用牡丹植株发生位移前的灰度图像中感兴趣区域内的每个像素点进行上述操作,即可得到感兴趣区域的位移矢量场;
(503)根据(502)中的位移矢量场设定位移矢量阈值,所述矢量阈值范围为20mm~60mm,计算所得的位移值若小于所述位移矢量阈值,判断出为油用牡丹果实的位移;位移值若超过该位移矢量阈值,判断为叶片的位移。
(9)根据上述(3)所述的基于受力的油用牡丹果实图像的识别方法,其特征在于,所述预定角度为25°~45°。
(10)根据上述(4)所述的基于受力的油用牡丹果实图像的识别方法,其特征在于,所述单向风机加载设备的风速流量范围为7m3/min~14m3/min。
根据本发明提供的基于受力的油用牡丹果实图像的识别方法,具有如下有益效果:
(1)本发明公开的识别方法针对油用牡丹果实和叶片的在外力作用下的位移差异,设定适当的位移矢量阈值,从而清晰的区分出果实与叶片的位置,进而对果实进行精确定位;
(2)本发明公开的识别方法为油用牡丹果实采摘机器人的研制提供了核心的技术基础,有利于实现油用牡丹果实的自动化采摘。
附图说明
图1示出根据本发明一种优选实施方式的油用牡丹果实的识别方法的流程图;
图2示出油用牡丹植株发生位移前的灰度图像的参考子区;
图3示出油用牡丹植株发生位移后的灰度图像的搜索子区;
图4示出油用牡丹植株发生位移后的位移矢量场图像;
图5示出在单向风机加载设备的风速流量不同的情况下,获得的果实与叶片的平均位移差变化曲线图;
图6示出在单向风机与目标果实之间的角度不同的情况下,获得的果实与叶片的平均位移差变化曲线图。
具体实施方式
下面通过对本发明进行详细说明,本发明的特点和优点将随着这些说明而变得更为清楚、明确。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在根据本发明提供的一种基于受力的油用牡丹果实图像的识别方法,如图1中所示,该方法包括如下步骤:
步骤1,构建设置有外力施加设备的电荷耦合元件(CCD)机器视觉系统,并对其内部参数和外部参数进行标定,用所述电荷耦合元件(CCD)机器视觉系统分别采集油用牡丹植株在外力施加设备作用下发生位移前和发生位移后的图像;
步骤2,对步骤1中获得的油用牡丹植株发生位移前后的两幅图像进行预处理;
步骤3,在步骤2中获得的油用牡丹植株发生位移前的灰度图像中,选取一个待测像素点,该待测像素点即为参考点,以该参考点为中心点选取参考子区;在油用牡丹植株发生位移后的灰度图像中,以与该参考点相对应的像素点为中心点选取搜索子区,并在搜索子区中以每个像素点为中心点选取目标子区,目标子区的中心点即为目标点;
步骤4,将步骤3中图像参考子区与搜索子区中的目标子区进行计算,得到协方差相关函数,进而获得目标子区中目标点的位置坐标;
步骤5,根据步骤3中参考点的位置坐标和步骤4中目标点的位置坐标,得到油用牡丹植株上果实和叶片的位移矢量,选择预定的位移矢量阈值,以区分油用牡丹果实和叶片,并得到果实轮廓的图像;
步骤6,在步骤5的基础上,利用亚像素搜索算法获得精确的油用牡丹果实的形心位置。
本发明中,所述电荷耦合元件(CCD)机器视觉系统是指:利用电荷耦合元件(CCD)相机采集油用牡丹果实图像信息,并进行图像分割、相关运算和边缘提取等步骤进行油用牡丹果实识别的系统,CCD机器视觉系统即指的是电荷耦合元件机器视觉系统,在本发明的一个优选实施方式中,电荷耦合元件(CCD)机器视觉系统采用单CCD相机作为图像采集装置,所述单CCD相机是仅采用一个镜头的电荷耦合元件(CCD)相机。
在一个优选的实施方式中,步骤1中的标定过程是求解CCD机器视觉系统内部参数和外部参数的过程,其中,内部参数包括摄像机镜头畸变中心、镜头畸变系数、摄像机的有效焦距和像面横纵像素转换当量的比例系数;外部参数包括摄像机坐标系与世界坐标系之间的转换矩阵和平移矩阵。
在一个优选的实施方式中,步骤1中所述外力施加设备优选为单向风机加载设备,用来给油用牡丹植株提供持续稳定的外力,使得植株获得稳定的位移变化;在进一步优选的实施方式中,所述单向风机加载设备与油用牡丹植株之间具有预定角度,即,所述单向风机加载设备给油用牡丹植株施以平行于植株的风力,也可以一定角度吹向植株;优选地,所述单向风机加载设备于油用牡丹植株上方、下方或侧方(10°~100°)范围内对植株施加风力,其中角度范围优选的为25°~45°,最优选的预定角为30°,所述上方、下方或侧方是指油用牡丹植株相对于电荷耦合元件(CCD)机器视觉系统的方位;在更进一步优选的实施方式中,所述单向风机加载设备的风速流量范围为(5~25)m3/min,优选为(7~14)m3/min,更优选为10m3/min。
在一个优选的实施方式中,由于受到自然环境和拍摄的影响,会造成图像失真、模糊和噪声等,为得到高质量的图像,需要对采集的油用牡丹植株的图像的进行预处理,包括滤波、去噪和增强等,为后续的图像分析做好充分的准备,步骤2为对步骤1中获得的油用牡丹植株发生位移前后的两幅图像进行预处理,步骤2包括以下子步骤:(201)去噪,一般情况下采集的图像受噪声干扰,会存在边缘过于模糊、图像上会有一些白点或黑点等质量问题,本发明采用均值滤波器进行去噪处理,具体的为:用几个像素灰度的平均值来代替每个像素的灰度进行去噪处理;(202)增强,在图像的生成、传输或变换的过程中,由于多种因素的影响,造成图像质量的下降,这就需要进行图像增强从而提高图像的清晰度,所述图像增强是通过灰度的分段线性变换,增强图像中感兴趣区域,抑制不感兴趣的灰度区域,所述感兴趣区域是指图像中所圈定的区域以便对其进一步处理,相应地,所述不感兴趣区域即图像中所圈定区域以外的区域。
本发明中所述的参考子区是指在发生位移前的图像中以某待测像素点P(x,y)为中心选取一个尺寸为(2N+1)×(2N+1)像素的图像子区,所述搜索子区是指在发生位移后图像中以相应的像素点为中心选取尺寸为(2M+1)×(2M+1)像素的图像子区,所述目标子区是指在搜索子区以每个像素点为中心取与参考子区同样尺寸的子区。
本发明中所述参考点是指油用牡丹植株发生位移前灰度图像中的点P(x,y);目标点是指油用牡丹植株发生位移后灰度图像中的点P`(x`,y`)。
在一个优选的实施方式中,所述步骤3包括以下子步骤:
(301)如图2所示,在油用牡丹植株发生位移前灰度图像中,以参考点P(x,y)为中心选取一个尺寸为(2N+1)×(2N+1)的参考子区;
(302)如图3所示,在油用牡丹植株发生位移后的灰度图像中,以与子步骤(301)中参考点P(x,y)相对应的像素点P`(x`,y`)为中心选取尺寸为(2M+1)×(2M+1)的搜索子区,并在搜索子区中以每个像素点为中心选取与参考子区同样尺寸的目标子区;
其中,M与N的关系为:M≥2N,以保证在目标子区中找到与参考点相对应的像素点,在搜索子区中以每个像素点为中心选取与参考子区同样尺寸的目标子区,这样便于在搜索子区中找到与参考子区参考点对应的像素点。
在一个优选的实施方式中,步骤4包括以下子步骤:
(401)将所述子步骤(301)中图像参考子区和所述子步骤(302)中图像搜索子区中的每一个目标子区进行计算;
(402)将上述步骤计算得到的函数归一化处理,得到相关函数:
(其中 分别为牡丹植株发生位移前图像的参考子区和牡丹植株发生位移后图像的目标子区的灰度平均值,f(x,y),g(x+u,y+v)分别为以参考点和目标点为中心的图像子区的灰度函数;u、v分别为目标点的水平方向和垂直方向位移值。
根据该相关函数求极值得到相关系数C(u,v)的极值点(求极值),即可获得目标点的位置坐标,相关系数对于图像搜索的精度及速度有很大影响,相关系数值越接近1,表示相关性越大,图像搜索的精度越大,相应的搜索速度会相应下降。
在进一步优选的实施方式中,所述子步骤(402)中相关函数C(u,v)的取值范围为[0,1],根据C(u,v)的取值可判断油用牡丹植株发生位移前后两幅图像中参考子区与目标子区的相似程度,其中,当相关系数C(u,v)值为1时,上述两幅图像中参考子区与目标子区的图像特征完全相同;当相关系数C(u,v)值为0时,上述两幅图像中参考子区与目标子区的图像特征完全不同,当相关系数C(u,v)值越接近1,表示上述两幅图像中参考子区与目标子区的相似程度越大,即可搜索出目标子区,更有利于目标点的定位。
在一个优选的实施方式中,步骤5包括子步骤:
(501)将根据步骤3中参考点的位置坐标和步骤4中目标点的位置坐标作差,即可得到油用牡丹果实和叶片的位移矢量;
(502)对参考图像中感兴趣区域内的每个像素点进行上述操作,即可得到感兴趣区域的位移矢量场,如图3所示,即可区分出果实轮廓和叶片;
(503)根据(502)中的位移矢量场位移矢量阈值,所述矢量阈值范围为20mm~60mm,计算所得的位移值若小于所述位移矢量阈值,判断出为油用牡丹果实的位移;位移值若超过该位移矢量阈值,判断为叶片的位移,本发明中采用基于灰度直方图的阈值选择方法:将灰度直方图的每个峰值作为为目标区域,选择两峰之间的谷点的灰度值为阈值。
在一个优选的实施方式中,步骤6中所述亚像素搜索算法为曲面拟合法,本发明中,为提高测量精度,采用亚像素搜索算法对已搜索到的整像素位移周围各点的相关系数矩阵进行曲面拟合,然后通过求相关系数极值来求出最大相关系数以获得亚像素位移,最终确定油用牡丹果实的形心位置。
实施例1
采用根据本发明提供的基于受力的油用牡丹果实图像的识别方法对油用牡丹果实图像进行识别,其中,在风机与目标果实之间的角度同为30°时,在单向风机加载设备的风速流量不同的情况下,如5m3/min-25m3/min,获得的果实、叶片和位移差如下表1及附图5:
表1
由图5和表1可知,在风机与目标果实之间的角度同为30°时,风速在7-14m3/min时果实与叶片的平均位移差更大分离效果更明显;
实施例2
采用根据本发明提供的基于受力的油用牡丹果实图像的识别方法对油用牡丹果实图像进行识别,其中,在单向风机加载设备的风速流量为13m3/min时,在风机与目标果实之间的角度不同的情况下,如10°~90°,获得的果实、叶片和位移差如下表2及附图6:
表2
由图6和表2可知,在风速为13m3/min时,风机与目标果实之间的角度为25°~45°时,果实与叶片的平均位移差更大,分离效果更明显,其中,角度为30°时分离效果最明显;
综上可知,最优选风机与目标果实呈30°,风速在7-14m3/min,果实与叶片的平均位移差最大,分离效果最明显。
根据本发明提供的基于受力的油用牡丹果实图像的识别方法,具有如下有益效果:
(1)本发明公开的识别方法针对油用牡丹果实和叶片的在外力作用下的位移差异,设定适当的位移矢量阈值,从而清晰的区分出果实与叶片的位置,进而对果实进行精确定位;
(2)本发明公开的识别方法为油用牡丹果实采摘机器人的研制提供了核心的技术基础,有利于实现油用牡丹果实的自动化采摘。
以上结合优选的实施方式和具体实例对本发明进行了详细说明,不过这些实施方式和实例仅是范例性的,仅起到说明性的作用。在此基础上,可以对本发明进行多种替换和改进,这些均落入本发明的保护范围内,此外,不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (10)
1.一种基于受力的油用牡丹果实图像的识别方法,其特征在于,该识别方法包括以下步骤:
步骤1,构建设置有外力施加设备的电荷耦合元件(CCD)机器视觉系统,用所述电荷耦合元件(CCD)机器视觉系统分别采集油用牡丹植株在外力施加设备作用下发生位移前和发生位移后的图像;
步骤2,对步骤1中获得的油用牡丹植株发生位移前后的两幅图像进行预处理;
步骤3,在步骤2中获得的油用牡丹植株发生位移前的灰度图像中,选取一个待测像素点,该待测像素点即为参考点,以该参考点为中心点选取参考子区;在油用牡丹植株发生位移后的灰度图像中,以与该参考点相对应的像素点为中心点选取搜索子区,并在搜索子区中以每个像素点为中心点选取目标子区,目标子区的中心点即为目标点;
步骤4,将步骤3中图像参考子区与搜索子区中的目标子区进行计算,得到协方差相关函数,进而获得目标子区中目标点的位置坐标;
步骤5,根据步骤3中参考点的位置坐标和步骤4中目标点的位置坐标,得到油用牡丹植株上果实和叶片的位移矢量,选择预定的位移矢量阈值,以区分油用牡丹果实和叶片,并得到果实轮廓的图像;
步骤6,在步骤5的基础上,利用亚像素搜索算法获得精确的油用牡丹果实的形心位置。
2.根据权利要求1所述的基于受力的油用牡丹果实图像的识别方法,其特征在于,所述步骤1中所述外力施加设备优选为单向风机加载设备。
3.根据权利要求2所述的基于受力的油用牡丹果实图像的识别方法,其特征在于,所述单向风机加载设备与油用牡丹植株之间具有预定角度。
4.根据权利要求2所述的基于受力的油用牡丹果实图像的识别方法,其特征在于,所述单向风机加载设备的风速流量范围为(5~25)m3/min。
5.根据权利要求1所述的基于受力的油用牡丹果实图像的识别方法,其特征在于,所述步骤3包括以下子步骤:
(301)在油用牡丹植株发生位移前灰度图像中,以参考点P(x,y)为中心选取一个尺寸为(2N+1)×(2N+1)的参考子区;
(302)在油用牡丹植株发生位移后的灰度图像中,以与子步骤(301)为中心选取尺寸为(2M+1)×(2M+1)的搜索子区,并在搜索子区中以每个像素点为中心选取与参考子区同样尺寸的目标子区;
其中,M与N的关系为:M≥2N。
6.根据权利要求5所述的基于受力的油用牡丹果实图像的识别方法,其特征在于,步骤4包括以下子步骤:
(401)将所述子步骤(301)中图像参考子区和所述子步骤(302)中图像搜索子区中的每一个目标子区进行计算;
(402)将上述步骤计算得到的函数归一化处理,得到相关函数:
其中:分别为牡丹植株发生位移前图像的参考子区和牡丹植株发生位移后图像的目标子区的灰度平均值,f(x,y),g(x+u,y+v)分别为以参考点和目标点为中心的图像子区的灰度函数;u、v分别为目标点的水平方向和垂直方向位移值;
根据该相关函数得到相关系数C(u,v)的极值点,即可获得目标点的位置坐标。
7.根据权利要求6所述的基于受力的油用牡丹果实图像的识别方法,其特征在于,所述子步骤(402)中C(u,v)的取值范围为[0,1],根据C(u,v)的取值可判断油用牡丹植株发生位移前后两幅图像中参考子区与目标子区的相似程度。
8.根据权利要求6所述的基于受力的油用牡丹果实图像的识别方法,其特征在于,步骤5包括子步骤:
(501)将根据步骤3中参考点的位置坐标和步骤4中目标点的位置坐标作差,即可得到油用牡丹果实和叶片的位移矢量;
(502)对油用牡丹植株发生位移前的灰度图像中感兴趣区域内的每个像素点进行上述操作,即可得到感兴趣区域的位移矢量场;
(503)根据(502)中的位移矢量场设定位移矢量阈值,所述矢量阈值范围为20mm~60mm,计算所得的位移值若小于所述位移矢量阈值,判断为油用牡丹果实的位移;位移值若超过该位移矢量阈值,判断为叶片的位移。
9.根据权利要求3所述的基于受力的油用牡丹果实图像的识别方法,其特征在于,所述预定角度为25°~45°。
10.根据权利要求4所述的基于受力的油用牡丹果实图像的识别方法,其特征在于,所述单向风机加载设备的风速流量范围为7m3/min~14m3/min。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510256563 | 2015-05-19 | ||
CN2015102565631 | 2015-05-19 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105844264A CN105844264A (zh) | 2016-08-10 |
CN105844264B true CN105844264B (zh) | 2019-03-22 |
Family
ID=56591529
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610308212.5A Expired - Fee Related CN105844264B (zh) | 2015-05-19 | 2016-05-11 | 一种基于受力的油用牡丹果实图像的识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105844264B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108918271A (zh) * | 2018-09-11 | 2018-11-30 | 苏州大学 | 基于显微光学数字散斑法的杨氏模量测量方法 |
CN110226413B (zh) * | 2019-06-26 | 2021-05-28 | 佛山科学技术学院 | 一种机器人采摘多串堆叠葡萄的方法 |
CN111489329B (zh) * | 2020-03-13 | 2024-03-22 | 江山博达电子商务有限公司 | 一种基于互联网果园西红柿成熟度图像分析方法和系统 |
CN112577475A (zh) * | 2021-01-14 | 2021-03-30 | 天津希格玛微电子技术有限公司 | 一种能够有效降低功耗的视频测距方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1942902A (zh) * | 2004-04-14 | 2007-04-04 | 皇家飞利浦电子股份有限公司 | 用于2.5维图像再现的重影虚像的削减 |
CN103252778A (zh) * | 2011-12-23 | 2013-08-21 | 三星电子株式会社 | 用于估计机器人位置的设备及其方法 |
CN103282793A (zh) * | 2011-01-11 | 2013-09-04 | 高通股份有限公司 | 以照相机为基础的定位位置及基于图像处理的导航 |
CN103295018A (zh) * | 2013-05-21 | 2013-09-11 | 常州大学 | 一种枝叶遮挡果实精确识别方法 |
CN103733225A (zh) * | 2011-08-16 | 2014-04-16 | 日本电气株式会社 | 特征点对等系统、特征点对等方法、以及记录介质 |
CN104050668A (zh) * | 2014-06-17 | 2014-09-17 | 安徽农业大学 | 一种基于双目视觉技术的绿茶嫩芽的目标识别方法 |
-
2016
- 2016-05-11 CN CN201610308212.5A patent/CN105844264B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1942902A (zh) * | 2004-04-14 | 2007-04-04 | 皇家飞利浦电子股份有限公司 | 用于2.5维图像再现的重影虚像的削减 |
CN103282793A (zh) * | 2011-01-11 | 2013-09-04 | 高通股份有限公司 | 以照相机为基础的定位位置及基于图像处理的导航 |
CN103733225A (zh) * | 2011-08-16 | 2014-04-16 | 日本电气株式会社 | 特征点对等系统、特征点对等方法、以及记录介质 |
CN103252778A (zh) * | 2011-12-23 | 2013-08-21 | 三星电子株式会社 | 用于估计机器人位置的设备及其方法 |
CN103295018A (zh) * | 2013-05-21 | 2013-09-11 | 常州大学 | 一种枝叶遮挡果实精确识别方法 |
CN104050668A (zh) * | 2014-06-17 | 2014-09-17 | 安徽农业大学 | 一种基于双目视觉技术的绿茶嫩芽的目标识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105844264A (zh) | 2016-08-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Detection of fruit-bearing branches and localization of litchi clusters for vision-based harvesting robots | |
CN108009542B (zh) | 油菜大田环境下杂草图像分割方法 | |
CN105844264B (zh) | 一种基于受力的油用牡丹果实图像的识别方法 | |
CN109376589B (zh) | 基于卷积核筛选ssd网络的rov形变小目标识别方法 | |
Malik et al. | Detection and counting of on-tree citrus fruit for crop yield estimation | |
Wspanialy et al. | Early powdery mildew detection system for application in greenhouse automation | |
CN103065149A (zh) | 网纹甜瓜果实表型提取与量化方法 | |
Liu et al. | Development of a machine vision system for weed detection during both of off-season and in-season in broadacre no-tillage cropping lands | |
CN111460903B (zh) | 基于深度学习的田间西兰花长势监测系统及方法 | |
Li et al. | Cucumber detection based on texture and color in greenhouse | |
CN110826556A (zh) | 改进深度学习的广谱农作物杂草识别与定位方法 | |
Feng et al. | A separating method of adjacent apples based on machine vision and chain code information | |
CN104751199A (zh) | 一种棉花裂铃期自动检测方法 | |
Yusuf et al. | Blob analysis for fruit recognition and detection | |
Xiang et al. | Measuring stem diameter of sorghum plants in the field using a high-throughput stereo vision system | |
CN116977960A (zh) | 一种基于实例分割的水稻秧苗行检测方法 | |
Zhong et al. | Identification and depth localization of clustered pod pepper based on improved Faster R-CNN | |
He et al. | A calculation method of phenotypic traits of soybean pods based on image processing technology | |
Li et al. | A novel approach for the 3D localization of branch picking points based on deep learning applied to longan harvesting UAVs | |
Li et al. | Image processing for crop/weed discrimination in fields with high weed pressure | |
Mohammed Amean et al. | Automatic plant branch segmentation and classification using vesselness measure | |
Yang et al. | Cherry recognition based on color channel transform | |
Xie et al. | Research on recognition methods of pomelo fruit hanging on trees base on machine vision | |
Kaewapichai et al. | Fitting a pineapple model for automatic maturity grading | |
CN107657617A (zh) | 一种红花花丝识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190322 Termination date: 20210511 |
|
CF01 | Termination of patent right due to non-payment of annual fee |