CN109684941A - 一种基于matlab图像处理荔枝果实采摘区域划分方法 - Google Patents
一种基于matlab图像处理荔枝果实采摘区域划分方法 Download PDFInfo
- Publication number
- CN109684941A CN109684941A CN201811495856.5A CN201811495856A CN109684941A CN 109684941 A CN109684941 A CN 109684941A CN 201811495856 A CN201811495856 A CN 201811495856A CN 109684941 A CN109684941 A CN 109684941A
- Authority
- CN
- China
- Prior art keywords
- fruit
- region
- image
- picking
- lichee
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/35—Categorising the entire scene, e.g. birthday party or wedding scene
- G06V20/38—Outdoor scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
-
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]
-
- 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
Abstract
本发明公开了一种基于MATLAB图像处理荔枝果实采摘区域划分方法,结合区域性采摘方法的采果机械对其采摘进行决策划分,通过双目视觉相机对荔枝树冠进行拍摄,识别、定位、坐标提取、划分采摘区域的最佳位置。使用双目相机采集到树冠果实照片对照片进行分析采用基于颜色的K均值聚类和霍夫圆变换检测疑似水果果实区域。并用通过果实与非果实的局部二值模式特征训练的AdaBoost分类器对疑似果实区域和非果实区域进行错误检测,在合并检测结果后完成荔枝果实的识别;得到荔枝的坐标信息之后使用K‑means聚类方法对该区域进行聚类分析,分类之后对每一块的划分区域质心作为采摘位置的中心点。本发明涉及到机器视觉领域,对果园自动化有重要的意义。
Description
技术领域
本发明属于果园采摘领域,特别涉及一种基于MATLAB图像分析的荔枝果园采摘的决策方法。
背景技术
荔枝采摘机因其具有提高采摘效率、减轻人工劳动强度以及节省荔枝收获成本等优点日益成为农业工程领域的研究热点。然而,在荔枝采摘过程中,机器人的视觉系统多结合于机械手采摘,基本没有对区域性采摘的研究。为此,本文以双目立体视觉、机器学习、聚类分析等理论方法为基础,深入研究非结构环境下荔枝果实的识别定位与采摘决策的方法。并对多类不同生长形态荔枝的识别与定位运用软件仿真与硬件试验,意在为荔枝采摘的双目视觉系统提供对非结构环境鲁棒的水果识别与定位方法,从而精确地指导机器人完成水果采摘作业。
发明内容
本发明的主要目的在于克服现有技术的缺点与不足,提供一种基于MATLAB图像处理荔枝果实采摘区域划分方法,以双目立体视觉、机器学习、聚类分析等理论方法为基础,深入研究非结构环境下荔枝果实的识别定位与采摘决策的方法。
为了达到上述目的,本发明采用以下技术方案:
一种基于MATLAB图像处理荔枝果实采摘区域划分方法,包括下述步骤:
S1、采集荔枝树冠的树冠图像;
S2、对采集到的树冠图像进行去噪声预处理,具体为:
S2.1、原始水果图像在RGB颜色空间里,被分解成R、G、B三个颜色图像,每个颜色图像都为二维图像;
S2.2、每个颜色图像利用二维塔式分解算法被分解成低频和高频部分,然后利用直方图均值化和对比度提升分别处理低频部分和高频部分;
S2.3、对处理后的低频和高频部分利用塔式重构算法合并成二维图像,分别完成三个颜色图像的光照均值化处理;
S2.4、对光照均值化处理后的三个颜色图像,在RGB颜色空间合并成色彩图像,完成水果彩色图像的预处理;
S3、通过果实与非果实的局部二值模式LBP特征训练的AdaBoost分类器对疑似果实区域和非果实区域进行错误检测,在合并检测结果后完成荔枝果实的识别;
S4、荔枝边缘提取并边缘化,完成定位提取图像中荔枝坐标;
S5、得到荔枝的坐标信息之后使用K-means聚类方法对该区域进行聚类分析,分类之后对每一块的划分区域质心作为采摘位置的中心点。
作为优选的技术方案,步骤S1中,使用工业相机对荔枝树冠进行采摘拍摄得到树冠图像。
作为优选的技术方案,步骤S2.2中,所述二维塔式分解算法具体为:
其中,x,y代表像素点的横纵坐标,k,l都是整数,g,h分别是高通滤波器和低通滤波器,cj是一个二维信号,和cj+1分别是垂直高频部分,水平高频部分,对角高频部分和低频部分。
作为优选的技术方案,步骤S2.3中,进行光照均值化处理的按照下述公式进行:
其中,x,y代表像素点的横纵坐标,k,l都是整数,g,h分别是高通滤波器和低通滤波器,c'j+1(k,l)为直方图均值化后的图像低频部分, 分别是对比度提升后的垂直高频部分,水平高频部分,对角高频部分;c'j(x,y)则是光照均值化后的二维图像。
作为优选的技术方案,步骤S3包括训练阶段具体为:
S3.1、N幅水果光照均值化图像被随机地选取,用以人为地选取水果区域和非水果区域,
S3.2、选定水果区域和非水果区域图片的数量M张,图片大小均为设定像素;
S3.3、将水果区域和非水果区域的LBP特征计算出来;
S3.4、利用AdaBoost构造分类器并进行训练。
作为优选的技术方案,步骤S3中,进行检测的具体步骤为:
S3.5、疑似水果果实的区域被用CHT方法提取,从而将整幅图像被分成两部分,即包含CHT检测圆的图像和不包含CHT检测圆的图像;
S3.6、CHT检测圆图像用训练阶段的分类器来确定是否为水果区域;
S3.7、用一个10×10的小窗口扫描整幅不含CHT检测结果的图像,用以搜索被枝叶、果实遮挡的小区域的水果果实目标;
S3.8、两部分的结果合并,得到最终的识别结果。
作为优选的技术方案,步骤S4具体为:
将两相机平行共线放置,两个相机光心所确定的平面以及两个相机的成像平面分别平行共面,两相机只是在x轴方向有移动量,即b,b也称为基线,空间点A与两个相机的光心连线分别交成像平面于点al和ar,该空间成像图映射在二维平面以后,根据三角形相似理论可以得出A点的三维坐标有如下关系:
其中,f为焦距,u0、v1、v0和ay是相机内部参数,Cl与Cr分别表示左右相机,Ol与Or则分别是两个相机的光心。
作为优选的技术方案,步骤S5中,使用K-means聚类方法对该区域进行聚类分析具体为:
在得到树冠上荔枝果实的坐标之后,随机选取k个聚类质心点为,μ1,μ2,…,μk∈Rn,重复下面过程直到收敛
{对于每一个样例i,计算其应该属于的类
对于每一个类j,重新计算该类的质心
K是设定的聚类数,c(i)代表样例i与k个类中距离最近的那个类,c(i)的值是1到k中的一个,质心μj代表对属于同一个类的样本中心点的猜测,首先随机选取k个树冠中的点,作为k个区域的质心,然后第一步对于每一个荔枝坐标计算其到k个质心中每一个的距离,然后选取距离最近的那个点作为c(i),这样经过第一步每一个荔枝坐标都有了所属的区域;第二步对于每一个区域,重新计算它的质心μj,重复迭代第一步和第二步直到质心不变或者变化很小。
本发明与现有技术相比,具有如下优点和有益效果:
本发明提出的提出一种基于机器视觉的采摘视觉系统,应用计算机对目标物进行图像采集、预处理、分割、相关特征提取等的技术称为机器视觉技术。以双目立体视觉、机器学习、聚类分析等理论方法为基础,深入研究非结构环境下荔枝果实的识别定位与采摘决策的方法。并对多类不同生长形态荔枝的识别与定位运用软件仿真与硬件试验,意在为荔枝采摘的双目视觉系统提供对非结构环境鲁棒的水果识别与定位方法,从而精确地指导机器人完成水果采摘作业。
附图说明
图1是本发明基于MATLAB图像处理荔枝果实采摘区域划分方法流程图。
图2是本发明对荔枝树冠图像进行识别的流程图。
图3是本发明完成定位提取图像中荔枝坐标的原理图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
实施例
如图1所示,本实施例基于MATLAB图像处理荔枝果实采摘区域划分方法,具体包括下述步骤:
(一)采集荔枝树冠的树冠图像;
使用图像采集设备工业相机对荔枝树冠进行采摘拍摄得到树冠图像。
(二)对采集到的树冠图像进行去噪声预处理,具体为:
Step 1:原始水果图像在RGB颜色空间里,被分解成R、G、B三个颜色图像,每个颜色图像都为二维图像;
Step 2:接下来,每个颜色图像利用二维塔式分解算法被分解成低频和高频部分,然后利用直方图均值化和对比度提升分别处理低频部分和高频部分;
Step 3:对处理后的低频和高频部分利用塔式重构算法合并成二维图像,分别完成三个颜色图像的光照均值化处理;
Step 4:对光照均值化处理后的三个颜色图像,在RGB颜色空间合并成色彩图像,完成水果彩色图像的预处理。
二维塔式分解算法
Stephane Mallat在1988年提出了Mallat快速算法,即塔式分解、重构算法。如下式:
其中,x,y代表像素点的横纵坐标,k,l都是整数,g,h分别是高通滤波器和低通滤波器。cj是一个二维信号。和cj+1分别是垂直高频部分,水平高频部分,对角高频部分和低频部分。这就是塔式二维信号离散分解算法。
进行光照均值化处理的按照下述公式进行:
其中,x,y代表像素点的横纵坐标,k,l都是整数,g,h分别是高通滤波器和低通滤波器,c'j+1(k,l)为直方图均值化后的图像低频部分, 分别是对比度提升后的垂直高频部分,水平高频部分,对角高频部分;c'j(x,y)则是光照均值化后的二维图像。
(三)果实的识别
如图2所示,提出水果识别模型的识别步骤包含训练阶段和测试阶段。在训练阶段,24幅水果光照均值化图像被随机地选取,用以人为地选取水果区域和非水果区域。从而,这些区域的LBP特征能被计算出来。水果区域和非水果区域的数量分别是200张,它们的大小均为24×24像素。在测试阶段的步骤1环节中,疑似水果果实的区域被用CHT方法提取。从而,整幅图像被分成两部分,即包含CHT检测圆的图像和不包含CHT检测圆的图像。在步骤2中,CHT检测圆用训练阶段的分类器来确定是否为水果区域。在步骤3环节中,用一个10×10的小窗口扫描整幅不含CHT检测结果的图像,用以搜索被枝叶、果实遮挡的小区域的水果果实目标。最后,将两部分的结果合并,得到最终的识别结果。
(四)、荔枝边缘提取并边缘化,完成定位提取图像中荔枝坐标,
如图3所示,Cl与Cr分别表示左右相机,Ol与Or则分别是两个相机的光心。由于两相机平行共线放置,所以两个相机光心所确定的平面(平面xlOlyl与平面xrOryr)以及两个相机的成像平面(平面ulOlvl与平面urOrvr)分别平行共面,只是在x轴方向有移动量,即b,b也称为基线。空间点A与两个相机的光心连线分别交成像平面于点al和ar。该空间成像图映射在二维平面以后,根据三角形相似理论可以得出A点的三维坐标有如下关系:
其中,f为焦距,u0、v1、v0和ay是相机内部参数。
(五)确定作业位置;
确定果实个点作业位置使用K-means聚类法对已标注的荔枝进行区域划分,分好类之后选取每一类的质心作为采摘的作业点。
使用K-means聚类方法对该区域进行聚类分析具体为:
在得到树冠上荔枝果实的坐标之后,随机选取k个聚类质心点为,μ1,μ2,…,μk∈Rn,重复下面过程直到收敛
{对于每一个样例i,计算其应该属于的类
对于每一个类j,重新计算该类的质心
K是设定的聚类数,c(i)代表样例i与k个类中距离最近的那个类,c(i)的值是1到k中的一个,质心μj代表对属于同一个类的样本中心点的猜测,首先随机选取k个树冠中的点,作为k个区域的质心,然后第一步对于每一个荔枝坐标计算其到k个质心中每一个的距离,然后选取距离最近的那个点作为c(i),这样经过第一步每一个荔枝坐标都有了所属的区域;第二步对于每一个区域,重新计算它的质心μj,重复迭代第一步和第二步直到质心不变或者变化很小。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (8)
1.一种基于MATLAB图像处理荔枝果实采摘区域划分方法,其特征在于,包括下述步骤:
S1、采集荔枝树冠的树冠图像;
S2、对采集到的树冠图像进行去噪声预处理,具体为:
S2.1、原始水果图像在RGB颜色空间里,被分解成R、G、B三个颜色图像,每个颜色图像都为二维图像;
S2.2、每个颜色图像利用二维塔式分解算法被分解成低频和高频部分,然后利用直方图均值化和对比度提升分别处理低频部分和高频部分;
S2.3、对处理后的低频和高频部分利用塔式重构算法合并成二维图像,分别完成三个颜色图像的光照均值化处理;
S2.4、对光照均值化处理后的三个颜色图像,在RGB颜色空间合并成色彩图像,完成水果彩色图像的预处理;
S3、通过果实与非果实的局部二值模式LBP特征训练的AdaBoost分类器对疑似果实区域和非果实区域进行错误检测,在合并检测结果后完成荔枝果实的识别;
S4、荔枝边缘提取并边缘化,完成定位提取图像中荔枝坐标;
S5、得到荔枝的坐标信息之后使用K-means聚类方法对该区域进行聚类分析,分类之后对每一块的划分区域质心作为采摘位置的中心点。
2.根据权利要求1所述基于MATLAB图像处理荔枝果实采摘区域划分方法,其特征在于,步骤S1中,使用工业相机对荔枝树冠进行采摘拍摄得到树冠图像。
3.根据权利要求1所述基于MATLAB图像处理荔枝果实采摘区域划分方法,其特征在于,步骤S2.2中,所述二维塔式分解算法具体为:
其中,x,y代表像素点的横纵坐标,k,l都是整数,g,h分别是高通滤波器和低通滤波器,cj是一个二维信号,和cj+1分别是垂直高频部分,水平高频部分,对角高频部分和低频部分。
4.根据权利要求3所述基于MATLAB图像处理荔枝果实采摘区域划分方法,其特征在于,步骤S2.3中,进行光照均值化处理的按照下述公式进行:
其中,x,y代表像素点的横纵坐标,k,l都是整数,g,h分别是高通滤波器和低通滤波器,c'j+1(k,l)为直方图均值化后的图像低频部分, 分别是对比度提升后的垂直高频部分,水平高频部分,对角高频部分;c'j(x,y)则是光照均值化后的二维图像。
5.根据权利要求1所述基于MATLAB图像处理荔枝果实采摘区域划分方法,其特征在于,步骤S3包括训练阶段具体为:
S3.1、N幅水果光照均值化图像被随机地选取,用以人为地选取水果区域和非水果区域,
S3.2、选定水果区域和非水果区域图片的数量M张,图片大小均为设定像素;
S3.3、将水果区域和非水果区域的LBP特征计算出来;
S3.4、利用AdaBoost构造分类器并进行训练。
6.根据权利要求5所述基于MATLAB图像处理荔枝果实采摘区域划分方法,其特征在于,步骤S3中,进行检测的具体步骤为:
S3.5、疑似水果果实的区域被用CHT方法提取,从而将整幅图像被分成两部分,即包含CHT检测圆的图像和不包含CHT检测圆的图像;
S3.6、CHT检测圆图像用训练阶段的分类器来确定是否为水果区域;
S3.7、用一个10×10的小窗口扫描整幅不含CHT检测结果的图像,用以搜索被枝叶、果实遮挡的小区域的水果果实目标;
S3.8、两部分的结果合并,得到最终的识别结果。
7.根据权利要求1所述基于MATLAB图像处理荔枝果实采摘区域划分方法,其特征在于,步骤S4具体为:
将两相机平行共线放置,两个相机光心所确定的平面以及两个相机的成像平面分别平行共面,两相机只是在x轴方向有移动量,即b,b也称为基线,空间点A与两个相机的光心连线分别交成像平面于点al和ar,该空间成像图映射在二维平面以后,根据三角形相似理论可以得出A点的三维坐标有如下关系:
其中,f为焦距,u0、v1、v0和ay是相机内部参数,Cl与Cr分别表示左右相机,Ol与Or则分别是两个相机的光心。
8.根据权利要求1所述基于MATLAB图像处理荔枝果实采摘区域划分方法,其特征在于,步骤S5中,使用K-means聚类方法对该区域进行聚类分析具体为:
在得到树冠上荔枝果实的坐标之后,随机选取k个聚类质心点为,μ1,μ2,…,μk∈Rn,重复下面过程直到收敛
{对于每一个样例i,计算其应该属于的类
对于每一个类j,重新计算该类的质心
K是设定的聚类数,c(i)代表样例i与k个类中距离最近的那个类,c(i)的值是1到k中的一个,质心μj代表对属于同一个类的样本中心点的猜测,首先随机选取k个树冠中的点,作为k个区域的质心,然后第一步对于每一个荔枝坐标计算其到k个质心中每一个的距离,然后选取距离最近的那个点作为c(i),这样经过第一步每一个荔枝坐标都有了所属的区域;第二步对于每一个区域,重新计算它的质心μj,重复迭代第一步和第二步直到质心不变或者变化很小。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811495856.5A CN109684941B (zh) | 2018-12-07 | 2018-12-07 | 一种基于matlab图像处理荔枝果实采摘区域划分方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811495856.5A CN109684941B (zh) | 2018-12-07 | 2018-12-07 | 一种基于matlab图像处理荔枝果实采摘区域划分方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109684941A true CN109684941A (zh) | 2019-04-26 |
CN109684941B CN109684941B (zh) | 2021-09-24 |
Family
ID=66186578
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811495856.5A Active CN109684941B (zh) | 2018-12-07 | 2018-12-07 | 一种基于matlab图像处理荔枝果实采摘区域划分方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109684941B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110197129A (zh) * | 2019-05-09 | 2019-09-03 | 常州大学 | 一种自然环境下果蔬生长形态视觉辨识方法 |
CN112197705A (zh) * | 2020-10-16 | 2021-01-08 | 中国农业科学院农业资源与农业区划研究所 | 一种基于视觉和激光测距的果实定位方法 |
CN112715162A (zh) * | 2021-01-21 | 2021-04-30 | 重庆文理学院 | 一种智能化采摘串型水果的系统 |
CN112784735A (zh) * | 2021-01-21 | 2021-05-11 | 重庆文理学院 | 基于单目相机与双目相机识别串型水果母枝的方法 |
CN117021059A (zh) * | 2023-10-09 | 2023-11-10 | 北京市农林科学院智能装备技术研究中心 | 采摘机器人及其果实定位方法、装置、电子设备及介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102262778A (zh) * | 2011-08-24 | 2011-11-30 | 重庆大学 | 基于改进的分数阶微分掩模的图像增强方法 |
CN104751117A (zh) * | 2015-01-26 | 2015-07-01 | 江苏大学 | 一种用于采摘机器人的莲蓬目标图像识别方法 |
CN105303535A (zh) * | 2015-11-15 | 2016-02-03 | 中国人民解放军空军航空大学 | 基于小波变换的全球剖分金字塔模型 |
US20160073584A1 (en) * | 2014-09-12 | 2016-03-17 | Washington State University | Robotic systems, methods, and end-effectors for harvesting produce |
CN105844213A (zh) * | 2016-02-05 | 2016-08-10 | 宁波工程学院 | 一种绿色果实识别方法 |
CN107633199A (zh) * | 2017-08-07 | 2018-01-26 | 浙江工业大学 | 一种基于深度学习的苹果采摘机器人果实目标检测方法 |
CN108668637A (zh) * | 2018-04-25 | 2018-10-19 | 江苏大学 | 一种机器视觉自然放置葡萄串抓取点定位方法 |
CN108764076A (zh) * | 2018-05-15 | 2018-11-06 | 西北农林科技大学 | 一种用于多臂采摘机器人的猕猴桃果实群多目标识别方法 |
-
2018
- 2018-12-07 CN CN201811495856.5A patent/CN109684941B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102262778A (zh) * | 2011-08-24 | 2011-11-30 | 重庆大学 | 基于改进的分数阶微分掩模的图像增强方法 |
US20160073584A1 (en) * | 2014-09-12 | 2016-03-17 | Washington State University | Robotic systems, methods, and end-effectors for harvesting produce |
CN104751117A (zh) * | 2015-01-26 | 2015-07-01 | 江苏大学 | 一种用于采摘机器人的莲蓬目标图像识别方法 |
CN105303535A (zh) * | 2015-11-15 | 2016-02-03 | 中国人民解放军空军航空大学 | 基于小波变换的全球剖分金字塔模型 |
CN105844213A (zh) * | 2016-02-05 | 2016-08-10 | 宁波工程学院 | 一种绿色果实识别方法 |
CN107633199A (zh) * | 2017-08-07 | 2018-01-26 | 浙江工业大学 | 一种基于深度学习的苹果采摘机器人果实目标检测方法 |
CN108668637A (zh) * | 2018-04-25 | 2018-10-19 | 江苏大学 | 一种机器视觉自然放置葡萄串抓取点定位方法 |
CN108764076A (zh) * | 2018-05-15 | 2018-11-06 | 西北农林科技大学 | 一种用于多臂采摘机器人的猕猴桃果实群多目标识别方法 |
Non-Patent Citations (4)
Title |
---|
PHAM V H: "An image segmentation approach for fruit defect detection using k-means clustering and graph-based algorithm", 《VIETNAM JOURNAL OF COMPUTER SCIENCE, 2015》 * |
XU FENGYING等: "The Virtual Prototype Design and Simulation of Litchi Fruit Flexible Picking Manipulator", 《2011 INTERNATIONAL CONFERENCE ON COMPUTER DISTRIBUTED CONTROL AND INTELLIGENT ENVIRONMENTAL MONITORING》 * |
杨永: "1种离散小波域荔枝图像处理模型", 《江苏农业科学》 * |
程佳兵等: "基于AdaBoost算法的级联分类器对绿色荔枝的快速检测方法", 《自动化与信息工程》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110197129A (zh) * | 2019-05-09 | 2019-09-03 | 常州大学 | 一种自然环境下果蔬生长形态视觉辨识方法 |
CN110197129B (zh) * | 2019-05-09 | 2023-04-18 | 常州大学 | 一种自然环境下果蔬生长形态视觉辨识方法 |
CN112197705A (zh) * | 2020-10-16 | 2021-01-08 | 中国农业科学院农业资源与农业区划研究所 | 一种基于视觉和激光测距的果实定位方法 |
CN112715162A (zh) * | 2021-01-21 | 2021-04-30 | 重庆文理学院 | 一种智能化采摘串型水果的系统 |
CN112784735A (zh) * | 2021-01-21 | 2021-05-11 | 重庆文理学院 | 基于单目相机与双目相机识别串型水果母枝的方法 |
CN117021059A (zh) * | 2023-10-09 | 2023-11-10 | 北京市农林科学院智能装备技术研究中心 | 采摘机器人及其果实定位方法、装置、电子设备及介质 |
CN117021059B (zh) * | 2023-10-09 | 2024-02-06 | 北京市农林科学院智能装备技术研究中心 | 采摘机器人及其果实定位方法、装置、电子设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109684941B (zh) | 2021-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109684941A (zh) | 一种基于matlab图像处理荔枝果实采摘区域划分方法 | |
CN106780620B (zh) | 一种乒乓球运动轨迹识别定位与跟踪系统及方法 | |
CN106709950B (zh) | 一种基于双目视觉的巡线机器人跨越障碍导线定位方法 | |
CN104063702B (zh) | 一种基于遮挡修复和局部相似性匹配的三维步态识别方法 | |
CN101794384B (zh) | 基于人体轮廓图提取与分组运动图查询的投篮动作识别 | |
CN110837768B (zh) | 一种面向珍稀动物保护的在线检测与识别方法 | |
Yusuf et al. | Blob analysis for fruit recognition and detection | |
Ge et al. | Three dimensional apple tree organs classification and yield estimation algorithm based on multi-features fusion and support vector machine | |
Feng et al. | A separating method of adjacent apples based on machine vision and chain code information | |
CN113901874A (zh) | 一种基于改进R3Det旋转目标检测算法的茶叶嫩芽识别与采摘点定位方法 | |
CN111080696A (zh) | 一种基于计算机视觉的水下海参识别及定位方法 | |
Baharav et al. | In situ height and width estimation of sorghum plants from 2.5 d infrared images | |
CN115239882A (zh) | 一种基于弱光图像增强的农作物三维重建方法 | |
Xiang et al. | Measuring stem diameter of sorghum plants in the field using a high-throughput stereo vision system | |
CN104036494B (zh) | 一种用于水果图像的快速匹配计算方法 | |
Xiang et al. | PhenoStereo: a high-throughput stereo vision system for field-based plant phenotyping-with an application in sorghum stem diameter estimation | |
Wang et al. | An improved contour symmetry axes extraction algorithm and its application in the location of picking points of apples | |
CN105844264A (zh) | 一种基于受力的油用牡丹果实图像的识别方法 | |
Zhao et al. | Automatic sweet pepper detection based on point cloud images using subtractive clustering | |
CN116883480A (zh) | 基于双目影像与地基雷达融合点云的玉米株高检测方法 | |
CN111369497A (zh) | 一种行走式树上果实连续计数方法及装置 | |
Mohammed Amean et al. | Automatic plant branch segmentation and classification using vesselness measure | |
CN113723833B (zh) | 造林实绩质量评价方法、系统、终端设备及存储介质 | |
Jiang et al. | Navigation path curve extraction method based on depth image for combine harvester | |
Fukui et al. | Development of a Tomato Volume Estimating Robot that Autonomously Searches an Appropriate Measurement Position–Basic Feasibility Study Using a Tomato Bed Mock-Up– |
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 |