CN108491846B - 成熟果实机器识别方法 - Google Patents

成熟果实机器识别方法 Download PDF

Info

Publication number
CN108491846B
CN108491846B CN201810282033.8A CN201810282033A CN108491846B CN 108491846 B CN108491846 B CN 108491846B CN 201810282033 A CN201810282033 A CN 201810282033A CN 108491846 B CN108491846 B CN 108491846B
Authority
CN
China
Prior art keywords
fruit
point
contour
straight line
unshielded
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.)
Active
Application number
CN201810282033.8A
Other languages
English (en)
Other versions
CN108491846A (zh
Inventor
曹乐平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hunan Biological and Electromechanical Polytechnic
Original Assignee
Hunan Biological and Electromechanical Polytechnic
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hunan Biological and Electromechanical Polytechnic filed Critical Hunan Biological and Electromechanical Polytechnic
Priority to CN201810282033.8A priority Critical patent/CN108491846B/zh
Publication of CN108491846A publication Critical patent/CN108491846A/zh
Application granted granted Critical
Publication of CN108491846B publication Critical patent/CN108491846B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种成熟果实机器识别方法，包括：采集果树图像；将果树图像转化为黑白二值图像并去除伪背景色块和果实伪目标；得到果实轮廓坐标矩阵；形成按顺时针方向排列的果实轮廓坐标集；形成果实轮廓交点集；选出各连通区域内无遮挡的果实轮廓、部分遮挡的果实轮廓中未被遮挡的椭圆弧段；对选出的无遮挡的果实轮廓、部分遮挡的果实轮廓中未被遮挡的椭圆弧段进行最小二乘拟合，舍弃大小超正常果实0.3～1.7倍的伪果实目标；计算圆形轮廓曲线的中心坐标和半径大小。本发明受光照条件影响小，对于顺光、逆光、侧光等采图角度不敏感，保证了被遮挡果实区域轮廓提取的准确性，能同时检测部分遮挡及无遮挡的果实，检测时间短，准确率高。

Description

成熟果实机器识别方法
技术领域
本发明特别涉及一种成熟果实机器识别方法。
背景技术
树上果实的实时在线识别是果实采收机器人的核心技术之一，也是种植园果实信息化生产管理的基础性问题，被遮挡果实的快速识别就是这些问题中首先要攻克的难点问题。
树上果实机器识别主要包括未被遮挡的果实轮廓段提取、果实轮廓的还原、果实位置与大小参数计算3个环节，以往的方法在轮廓提取环节上受光照条件及图像采集角度影响较大，造成推广受局限。
发明内容
本发明的目的在于，针对上述现有技术的不足，提供一种成熟果实机器识别方法，受光照条件影响小，对于顺光、逆光、侧光等采图角度不敏感，保证了被遮挡果实区域轮廓提取的准确性，能同时检测部分遮挡及无遮挡的果实。
为解决上述技术问题，本发明所采用的技术方案是：
一种成熟果实机器识别方法，包括以下步骤：
步骤A：采集带果实的果树图像f0(x,y)；
步骤B：
B1.对f0(x,y)进行二值化处理，将RGB彩色图像f0(x,y)转化为黑白二值图像f1(x,y)；其中，
Figure BDA0001614934110000021
式中，
Figure BDA0001614934110000022
为成熟果实的平均色调，T为阈值，R(x,y)、G(x,y)、B(x,y)分别为f0(x,y)的红、绿、蓝分量；
B2.去除黑白二值图像f1(x,y)中的黑色伪背景色块I1和白色果实伪目标I2，得到图像f2(x,y)；
步骤C：通过Canny算子检测图像f2(x,y)的果实轮廓，并对检测出的果实轮廓宽度单像素化处理，标记单像素化处理后的果实轮廓图像，读取各标记区果实轮廓坐标，得到果实轮廓坐标矩阵f3(x,y)；
步骤D：以果实轮廓坐标矩阵f3(x,y)的第1点为始点，按顺时针方向在果实轮廓坐标矩阵中找出距该始点距离最小的点作为第2点，依次搜寻，至果实轮廓坐标矩阵最后一点结束，形成按顺时针方向排列的果实轮廓坐标集f4(x,y)；
步骤E：在各连通区域内遍历果实轮廓坐标集，找出不同果实轮廓的交点，形成果实轮廓交点集；
步骤F：根据果实轮廓交点集选出各连通区域内无遮挡的果实轮廓、部分遮挡的果实轮廓中未被遮挡的椭圆弧段；
步骤G：对步骤F中选出的无遮挡的果实轮廓、部分遮挡的果实轮廓中未被遮挡的椭圆弧段进行最小二乘拟合，舍弃大小超正常果实0.3～1.7倍的伪果实目标；
步骤H：计算步骤G中保留下来的二次曲线各连通区域内圆形轮廓曲线的中心坐标和半径大小。
作为一种优选方式，所述步骤F包括：
步骤F1：在任一个连通区域内，任取相邻的两个轮廓交点A1(xA1,yA1)和A2(xA2,yA2)，假定点A1(xA1,yA1)和A2(xA2,yA2)间的轮廓段是中心为M(x0,y0)的椭圆弧，将椭圆弧A1A2间的像素点数5等分，并取整，记第1等分点为B1(xB1,yB1)、记第4等分点为B4(xB4,yB4)，过点B1作平行于A1B4的直线L1、过点B4作平行于A2B1的直线L2，得到直线L1与椭圆弧A1A2的交点B2(xB2,yB2)、直线L2与椭圆弧A1A2的交点B3(xB3,yB3)；解方程组
Figure BDA0001614934110000031
求得x0和y0，确定M(x0,y0)；
上述方程组中，
Figure BDA0001614934110000032
且为直线MD1的斜率，
Figure BDA0001614934110000033
且为直线MD3的斜率，
Figure BDA0001614934110000034
且为直线MD2的斜率，
Figure BDA0001614934110000035
且为直线MD4的斜率，点D1为直线L1的中点，点D2为直线L2的中点，点D3为直线A1B4的中点，点D4为直线A2B1的中点；
步骤F2：在轮廓曲线段A1A2上随机取2个点Ei(x(i),y(i))，i＝1，2；若过点A1且平行于直线E1E2的直线L3与轮廓曲线段A1A2相交，则记该相交点为E3(x(3),y(3))，计算
Figure BDA0001614934110000036
否则，记过点A2且平行于直线E1E2的直线L4与轮廓曲线段A1A2的相交点为E4(x(4),y(4))，计算
Figure BDA0001614934110000041
步骤F3：若d≥0.8，则步骤F1中点A1和A2间的轮廓段为椭圆弧的假设成立，进入步骤F4；否则，步骤F1中点A1和A2间的轮廓段为椭圆弧的假设不成立，返回步骤F1；
步骤F4：在轮廓曲线段A1A2上取下一个轮廓交点A3(xA3,yA3)，过点B1作平行于A1A3的直线交椭圆弧A1A2于点C1(xC1,yC1)，若
Figure BDA0001614934110000042
则轮廓曲线段A2A3与轮廓曲线段A1A2属于同一个椭圆弧；再在轮廓曲线上取下一个轮廓交点A4(xA4,yA4)，并判断A4(xA4,yA4)与前一轮廓交点之间的轮廓曲线段与轮廓曲线段A1A2是否属于同一个椭圆弧，直到该连通区域最后一个交点；
步骤F5：返回步骤F1，对所有的连通区域循环执行步骤F1～步骤F4。
作为一种优选方式，所述步骤E中，不同轮廓的交点满足以下条件：对某连通区域的边界轮廓上的点，若中间若干点处倾斜角为0°或90°，且首尾倾斜角分别为(45°，135°)或(135°，45°)，则该中间若干点对应的首尾点为不同轮廓的交点。
作为一种优选方式，所述步骤B2中，
Figure BDA0001614934110000051
l为f1(x,y)中的区域。
作为一种优选方式，所述步骤H中，设待拟合的圆形曲线方程为x2+y2+p(1)x+p(2)y+p(3)＝0，式中，p＝[p(1),p(2),p(3)]为待定系数，对各连通区域内未被遮挡的果实轮廓及筛选出的未被遮挡的椭圆弧段依据最小二乘法求得p值，将求得的p值代入上述待拟合的圆形曲线方程即可得到果实圆形轮廓曲线。
与现有技术相比，本发明具有以下优点：
第一，以成熟果实的平均色调为投影轴，将采集的果树RGB彩色图像投影到该轴上，通过阈值法利用一个步骤完成果实目标提取，最大限度地保留果实区域大小及形状信息的同时，受光照条件影响小，对于顺光、逆光、侧光等采图角度不敏感。
第二，对白色果实区域内的黑色伪背景色块进行填充，对杂散分布的白色小区域伪果实目标黑色化处理，去除影响后续图像处理的所谓小黑色孤岛与白色孤岛。
第三，用canny算子检测黑白二值图像中果实轮廓，并对检出的果实轮廓宽度方向单像素化处理，标记果实轮廓图像，提取各标记区果实轮廓坐标；按顺时钟方向重新排列果实轮廓坐标，依据中间若干点处倾斜角为0°或90°，首尾倾斜角分别为45°、135°或135°、45°，则中间若干点的首尾点为不同轮廓的交点的特性，在各连通区域内遍历果实轮廓坐标集，查找果实与枝叶、果实与果实之间不同轮廓的交点，保证了被遮挡果实区域轮廓提取的准确性；
第四，根据椭圆上任意两条平行弦中点的连线通过椭圆中心这一性质，精确筛选出各连通区域内未被遮挡的果实轮廓及被遮挡的果实中未被遮挡的椭圆弧段；为避免因椭圆弧段较短、拟合的椭圆误差大的缺陷，依据筛选结果，对未被遮挡的果实轮廓及被遮挡的果实中未被遮挡的椭圆弧段进行圆拟合，舍弃超果实正常大小0.3～1.7倍范围外的伪果实目标，进行被遮挡果实轮廓的还原，提取各连通区域内圆的中心坐标与大小参数，能同时检测部分遮挡及无遮挡的果实，检测时间短，准确率高。只要成熟期果实与叶片间存在较明显色差，果形为类球形，就能用本发明所述方法进行识别。
附图说明
图1为采集的柑橘成熟期橘树图像。
图2为黑白二值图像。
图3为纯化后的黑白二值图像。
图4为Canny算子检测到的果实轮廓图像。
图5为轮廓交点提取示意图。
图6为轮廓段遴选示意图。
图7为图像识别结果示意图。
具体实施方式
按以下方法与步骤进行成熟期树上果实的机器识别：
步骤A：采集带果实的果树图像f0(x,y)，如图1所示。在果园中，果实采摘机器人视觉系统采集的果树图像f0(x,y)为RGB彩色图像。
步骤B：
B1.对f0(x,y)进行二值化处理，将RGB彩色图像f0(x,y)转化为黑白二值图像f1(x,y)，如图2所示。其中，
Figure BDA0001614934110000071
式中，
Figure BDA0001614934110000072
为成熟果实的平均色调，T为阈值，T由果树图像f0(x,y)的果实区域与非果实区域的γ分量统计确定；R(x,y)、G(x,y)、B(x,y)分别为RGB彩色图像f0(x,y)的红、绿、蓝分量；
B2.在黑白二值图像f1(x,y)中，会因为采集图像时背景的复杂性及光照影响而产生白色果实区域内的黑色伪背景色块和杂散分布的白色小区域伪果实目标，去除黑白二值图像f1(x,y)中的黑色伪背景色块I1(即所谓小黑色孤岛)和白色果实伪目标I2(即所谓白色孤岛)，得到图像f2(x,y)，如图3所示，方便后续的果实轮廓提取。此时的f2(x,y)实际上是对f1(x,y)纯化后的黑白二值图像。
所述步骤B2中，
Figure BDA0001614934110000073
l为f1(x,y)中的区域。
步骤C：通过Canny算子检测图像f2(x,y)的果实轮廓，得到如图4所示的果实轮廓图像。并对检测出的果实轮廓宽度单像素化处理，标记单像素化处理后的果实轮廓图像，读取各标记区果实轮廓坐标，得到果实轮廓坐标矩阵f3(x,y)；
步骤D：果实轮廓坐标矩阵f3(x,y)按行或列的大小顺序排列，这种情形不利于轮廓上点的特征分析与计算，为此将果实轮廓坐标矩阵f3(x,y)按顺时钟方向重新排列。以果实轮廓坐标矩阵f3(x,y)的第1点为始点，按顺时针方向在果实轮廓坐标矩阵中找出距该始点距离最小的点作为第2点，在除第1、2点外的其它点中找出距离第2点最近的点作为第3点，以此方法依次搜寻，至果实轮廓坐标矩阵最后一点结束，形成按顺时针方向排列的果实轮廓坐标集f4(x,y)。
步骤E：过边界轮廓上相邻点的直线倾斜角仅为0°、45°、90°或135°四种情形，若中间若干点处的倾斜角为0°或90°，且首尾倾斜角分别为(45°，135°)或(135°，45°)，则中间若干点的首尾点为不同轮廓的交点。在各连通区域内遍历柑橘果实轮廓坐标集，查找符合上述特征的点，得到果实与果实、果实与枝叶之间不同轮廓的交点，形成果实轮廓交点集。根据这一特征进行轮廓交点的检测，检测程序简单、速度快。图5为轮廓交点提取的一个实例。
步骤F：根据果实轮廓交点集选出各连通区域内无遮挡的果实轮廓、部分遮挡的果实轮廓中未被遮挡的椭圆弧段。
轮廓段筛选过程要解决两个问题，一是相邻两轮廓交点间的曲线段隶属于同一果实，还是不同果实的问题；二是各曲线段是可进行拟合的椭圆弧，还是不能用于拟合的直线及其他非规则曲线的问题。
为解决以上问题，引入椭圆的一个几何性质：椭圆上任意两条平行弦中点的连线通过椭圆中心。
具体地，步骤F包括：
步骤F1：在任一个连通区域内(如第一连通区域内)，任取相邻的两个轮廓交点A1(xA1,yA1)和A2(xA2,yA2)，假定点A1(xA1,yA1)和A2(xA2,yA2)间的轮廓段是中心为M(x0,y0)的椭圆弧，将椭圆弧A1A2间的像素点数5等分，并取整，记第1等分点为B1(xB1,yB1)、记第4等分点为B4(xB4,yB4)，过点B1作平行于A1B4的直线L1、过点B4作平行于A2B1的直线L2，得到直线L1与椭圆弧A1A2的异于点B1(xB1,yB1)的交点B2(xB2,yB2)、直线L2与椭圆弧A1A2的异于点B4(xB4,yB4)的交点B3(xB3,yB3)。从而找出椭圆弧A1A2上异于点B1(xB1,yB1)的与直线L1距离最近的点B2(xB2,yB2)，椭圆弧A1A2上异于点B4(xB4,yB4)的与直线L1距离最近的点B3(xB3,yB3)。
作通过A1B4中点与B1B2中点的直线、通过A2B1中点与B3B4中点的直线，图6为轮廓段遴选示意图。
依据上述几何性质，两直线交点为椭圆弧A1A2的中心M(x0,y0)，求解下列斜率方程组：
Figure BDA0001614934110000091
求得x0和y0，确定M(x0,y0)；
上述方程组中，
Figure BDA0001614934110000092
且为直线MD1的斜率，
Figure BDA0001614934110000093
且为直线MD3的斜率，
Figure BDA0001614934110000094
且为直线MD2的斜率，
Figure BDA0001614934110000095
且为直线MD4的斜率，点D1为直线L1的中点，点D2为直线L2的中点，点D3为直线A1B4的中点，点D4为直线A2B1的中点。
步骤F2：在轮廓曲线段A1A2上随机取2个点Ei(x(i),y(i))，i＝1，2。
若过点A1且平行于直线E1E2的直线L3与轮廓曲线段A1A2相交，则记该异于点A1的与直线L3距离最近的相交点为E3(x(3),y(3))。过直线E1E2的中点及直线A1E3的中点的直线l方程为：
Figure BDA0001614934110000101
计算
Figure BDA0001614934110000102
否则，若过点A1且平行于直线E1E2的直线L3与轮廓曲线段A1A2不相交，则记过点A2且平行于直线E1E2的直线L4与轮廓曲线段A1A2的异于点A2的相交点为E4(x(4),y(4))。过直线E1E2的中点及直线A2E4的中点的直线l方程为：
Figure BDA0001614934110000103
计算
Figure BDA0001614934110000104
步骤F3：度量点M(x0,y0)距离直线l的远近程度，若d≥0.8，则步骤F1中点A1和A2间的轮廓段为椭圆弧的假设成立，进入步骤F4；否则，步骤F1中点A1和A2间的轮廓段为椭圆弧的假设不成立，返回步骤F1。
步骤F4：在轮廓曲线段A1A2上取下一个轮廓交点A3(xA3,yA3)，过点B1作平行于A1A3的直线交椭圆弧A1A2于点C1(xC1,yC1)，在果实轮廓坐标集中，找出与该直线B1C1距离最近的点(点B1除外)，即为点C1的坐标C1(xC1,yC1)。
B1C1的中点为D5、A1A3的中点为D6，直线D5D6的方程为：
Figure BDA0001614934110000111
度量点M(x0,y0)距离直线D5D6的远近程度，若
Figure BDA0001614934110000112
则轮廓曲线段A2A3与轮廓曲线段A1A2属于同一个椭圆弧；再在轮廓曲线上取下一个轮廓交点A4(xA4,yA4)，并判断A4(xA4,yA4)与前一轮廓交点之间的轮廓曲线段与轮廓曲线段A1A2是否属于同一个椭圆弧，直到该连通区域最后一个交点结束。
步骤F5：返回步骤F1，对所有的连通区域循环执行步骤F1～步骤F4。
通过以上步骤，各连通区域内未被遮挡的果实轮廓、部分被遮挡的果实中未被遮挡的椭圆弧段均被筛选出来。
步骤G：对步骤F中选出的无遮挡的果实轮廓、部分遮挡的果实轮廓中未被遮挡的椭圆弧段进行最小二乘拟合，舍弃大小超正常果实0.3～1.7倍的伪果实目标。
步骤H：计算步骤G中保留下来的二次曲线各连通区域内圆形轮廓曲线的中心坐标和半径大小。
所述步骤H中，为避免因椭圆弧段较短，所拟合出的椭圆误差大的缺陷，依据对各连通区域内未被遮挡的果实轮廓及筛选的未被遮挡的椭圆弧段，进行圆拟合来检测果实，进行被遮挡果实轮廓的还原，提取各连通区域内圆的中心坐标与大小参数，精确到1个像素单位，完成未被遮挡及被部分遮挡果实的机器识别。
设待拟合的圆形曲线方程为x2+y2+p(1)x+p(2)y+p(3)＝0，式中，p＝[p(1),p(2),p(3)]为待定系数，对各连通区域内未被遮挡的果实轮廓及筛选出的未被遮挡的椭圆弧段依据最小二乘法求得p值，将求得的p值代入上述待拟合的圆形曲线方程即可得到果实圆形轮廓曲线，计算出拟合曲线位置的中心坐标和半径大小，实现机器识别部分遮挡或未被遮挡的果实。
图7示出了识别效果图，在当前图像坐标系中，Ⅰ果中心坐标为(74，285)，半径为30；Ⅱ果中心坐标为(193，251)，半径为43；Ⅲ果中心坐标为(228，328)，半径为43；Ⅳ果中心坐标为(274，206)，半径为42；Ⅴ果中心坐标为(304，227)，半径为38；Ⅵ果中心坐标为(394，25)，半径为31。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是局限性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护范围之内。

Claims (4)

1.一种成熟果实机器识别方法，其特征在于，包括以下步骤：
步骤A：采集带果实的果树图像f0(x,y)；
步骤B：
B1.对f0(x,y)进行二值化处理，将RGB彩色图像f0(x,y)转化为黑白二值图像f1(x,y；其中，
Figure FDA0003334355490000011
式中，
Figure FDA0003334355490000012
Figure FDA0003334355490000013
为成熟果实的平均色调，T为阈值，R(x,y)、G(x,y)、B(x,y)分别为f0(x,y)的红、绿、蓝分量；
B2.去除黑白二值图像f1(x,y)中的黑色伪背景色块I1和白色果实伪目标I2，得到图像f2(x,y)；
步骤C：通过Canny算子检测图像f2(x,y)的果实轮廓，并对检测出的果实轮廓宽度单像素化处理，标记单像素化处理后的果实轮廓图像，读取各标记区果实轮廓坐标，得到果实轮廓坐标矩阵f3(x,y)；
步骤D：以果实轮廓坐标矩阵f3(x,y)的第1点为始点，按顺时针方向在果实轮廓坐标矩阵中找出距该始点距离最小的点作为第2点，依次搜寻，至果实轮廓坐标矩阵最后一点结束，形成按顺时针方向排列的果实轮廓坐标集f4(x,y)；
步骤E：在各连通区域内遍历果实轮廓坐标集，找出不同果实轮廓的交点，形成果实轮廓交点集；
步骤F：根据果实轮廓交点集选出各连通区域内无遮挡的果实轮廓、部分遮挡的果实轮廓中未被遮挡的椭圆弧段，
所述步骤F具体包括：
步骤F1：在任一个连通区域内，任取相邻的两个轮廓交点A1(xA1,yA1)和A2(xA2,yA2)，假定点A1(xA1,yA1)和A2(xA2,yA2)间的轮廓段是中心为M(x0,y0)的椭圆弧，将椭圆弧A1A2间的像素点数5等分并取整，记第1等分点为B1(xB1,yB1)、记第4等分点为B4(xB4,yB4)，过点B1作平行于A1B4的直线L1、过点B4作平行于A2B1的直线L2，得到直线L1与椭圆弧A1A2的交点B2(xB2,yB2)、直线L2与椭圆弧A1A2的交点B3(xB3,yB3)；解方程组
Figure FDA0003334355490000021
求得x0和y0，确定M(x0,y0)；
上述方程组中，
Figure FDA0003334355490000022
且为直线MD1的斜率，
Figure FDA0003334355490000023
且为直线MD3的斜率，
Figure FDA0003334355490000024
且为直线MD2的斜率，
Figure FDA0003334355490000025
且为直线MD4的斜率，点D1为直线L1的中点，点D2为直线L2的中点，点D3为直线A1B4的中点，点D4为直线A2B1的中点；
步骤F2：在轮廓曲线段A1A2上随机取2个点Ei(x(i),y(i))，i＝1，2；若过点A1且平行于直线E1E2的直线L3与轮廓曲线段A1A2相交，则记相交点为E3
Figure FDA0003334355490000027
计算
Figure FDA0003334355490000026
否则，记过点A2且平行于直线E1E2的直线L4与轮廓曲线段A1A2的相交点为E4(x(4),y(4))，计算
Figure FDA0003334355490000031
步骤F3：若d≥0.8，则步骤F1中点A1和A2间的轮廓段为椭圆弧的假设成立，进入步骤F4；否则，步骤F1中点A1和A2间的轮廓段为椭圆弧的假设不成立，返回步骤F1；
步骤F4：在轮廓曲线段A1A2上取下一个轮廓交点A3(xA3,yA3)，过点B1作平行于A1A3的直线交椭圆弧A1A2于点C1(xC1,yC1)，若
Figure FDA0003334355490000032
则轮廓曲线段A2A3与轮廓曲线段A1A2属于同一个椭圆弧；再在轮廓曲线上取下一个轮廓交点A4(xA4,yA4)，并判断A4(xA4,yA4)与前一轮廓交点之间的轮廓曲线段与轮廓曲线段A1A2是否属于同一个椭圆弧，直到该连通区域最后一个交点；
步骤F5：返回步骤F1，对所有的连通区域循环执行步骤F1～步骤F4；
步骤G：对步骤F中选出的无遮挡的果实轮廓、部分遮挡的果实轮廓中未被遮挡的椭圆弧段进行最小二乘拟合，舍弃大小是正常果实1.3倍以上的伪果实目标；
步骤H：计算步骤G中保留下来的二次曲线各连通区域内圆形轮廓曲线的中心坐标和半径大小。
2.如权利要求1所述的成熟果实机器识别方法，其特征在于，所述步骤E中，不同轮廓的交点满足以下条件：对某连通区域的边界轮廓上的点，若中间若干点处倾斜角为0°或90°，且首尾倾斜角的角度值分别为(45°，135°)或(135°，45°)，则该中间若干点对应的首尾点为不同轮廓的交点。
3.如权利要求1所述的成熟果实机器识别方法，其特征在于，所述步骤B2中，
Figure FDA0003334355490000041
θ为f1(x,y)中的区域。
4.如权利要求1所述的成熟果实机器识别方法，其特征在于，所述步骤H中，设待拟合的圆形曲线方程为x2+y2+p(1)x+p(2)y+p(3)＝0，式中，p＝[p(1),p(2),p(3)]为待定系数，对各连通区域内未被遮挡的果实轮廓及筛选出的未被遮挡的椭圆弧段依据最小二乘法求得p值，将求得的p值代入上述待拟合的圆形曲线方程即可得到果实圆形轮廓曲线。
CN201810282033.8A 2018-04-02 2018-04-02 成熟果实机器识别方法 Active CN108491846B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810282033.8A CN108491846B (zh) 2018-04-02 2018-04-02 成熟果实机器识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810282033.8A CN108491846B (zh) 2018-04-02 2018-04-02 成熟果实机器识别方法

Publications (2)

Publication Number Publication Date
CN108491846A CN108491846A (zh) 2018-09-04
CN108491846B true CN108491846B (zh) 2021-12-10

Family

ID=63318009

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810282033.8A Active CN108491846B (zh) 2018-04-02 2018-04-02 成熟果实机器识别方法

Country Status (1)

Country Link
CN (1) CN108491846B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111126296A (zh) * 2019-12-25 2020-05-08 中国联合网络通信集团有限公司 水果定位方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102682286A (zh) * 2012-04-16 2012-09-19 中国农业大学 基于激光视觉系统的采摘机器人果实识别方法
CN103116892A (zh) * 2013-03-15 2013-05-22 云南大学 两个相交相同圆及公切线求解摄像机内参数
JP2014229154A (ja) * 2013-05-24 2014-12-08 株式会社ブレイン 物品識別システムとそのプログラム
CN104200193A (zh) * 2014-08-05 2014-12-10 北京农业信息技术研究中心 一种果树产量估测方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005300281A (ja) * 2004-04-09 2005-10-27 Mtec:Kk 種子破片検査装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102682286A (zh) * 2012-04-16 2012-09-19 中国农业大学 基于激光视觉系统的采摘机器人果实识别方法
CN103116892A (zh) * 2013-03-15 2013-05-22 云南大学 两个相交相同圆及公切线求解摄像机内参数
JP2014229154A (ja) * 2013-05-24 2014-12-08 株式会社ブレイン 物品識別システムとそのプログラム
CN104200193A (zh) * 2014-08-05 2014-12-10 北京农业信息技术研究中心 一种果树产量估测方法及装置

Also Published As

Publication number Publication date
CN108491846A (zh) 2018-09-04

Similar Documents

Publication Publication Date Title
CN109800619B (zh) 成熟期柑橘果实图像识别方法
CN109191459B (zh) 连铸坯低倍组织中心偏析缺陷的自动识别与评级方法
CN108960011B (zh) 部分遮挡的柑橘果实图像识别方法
CN114723701A (zh) 基于计算机视觉的齿轮缺陷检测方法和系统
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
CN107945200B (zh) 图像二值化分割方法
CN104897071B (zh) 一种基于机器视觉的双绞线节距测量方法
CN106875412B (zh) 一种两个重叠果实的分割定位方法
CN113674226A (zh) 一种基于深度学习的采茶机茶叶芽尖检测方法
CN110687121B (zh) 一种陶瓦智能在线检测与自动分级方法和系统
CN113255434B (zh) 一种融合果实特征与深度卷积神经网络的苹果识别方法
CN114299051A (zh) 基于特征建模显著性检测的皮革材料表面缺陷检测方法
CN115330772A (zh) 一种在线焊点质量检测方法
CN114708325A (zh) 一种基于橡胶喷霜缺陷的橡胶生产问题快速定位方法
CN111814825B (zh) 基于遗传算法优化支持向量机的苹果检测分级方法及系统
CN111524156A (zh) 一种基于距离变换和角点检测的重叠柑橘分割方法
CN107016680A (zh) 一种基于显著性检测的害虫图像背景去除方法
CN108491846B (zh) 成熟果实机器识别方法
CN111860125A (zh) 基于机器视觉识别水果成熟度的方法
CN109492544A (zh) 一种通过增强光学显微镜对动物纤维进行分类的方法
CN108734054B (zh) 无遮挡的柑橘果实图像识别方法
CN115082804B (zh) 利用多特征数据处理分析的水稻病害识别方法
CN115330721A (zh) 基于形状和颜色信息的香蕉果梳饱满度检测方法与系统
CN114550167B (zh) 一种基于人工智能的梨的品质分类方法及装置
CN113516193B (zh) 基于图像处理的红枣缺陷识别分类方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20180904

Assignee: Yiyang Chuangxing Technology Co.,Ltd.

Assignor: HUNAN BIOLOGICAL AND ELECTROMECHANICAL POLYTECHNIC

Contract record no.: X2024980000164

Denomination of invention: Machine recognition method for mature fruits

Granted publication date: 20211210

License type: Common License

Record date: 20240109

Application publication date: 20180904

Assignee: Yiyang Xiangchu Yunong Agricultural Development Co.,Ltd.

Assignor: HUNAN BIOLOGICAL AND ELECTROMECHANICAL POLYTECHNIC

Contract record no.: X2024980000153

Denomination of invention: Machine recognition method for mature fruits

Granted publication date: 20211210

License type: Common License

Record date: 20240108

EE01 Entry into force of recordation of patent licensing contract