CN111046782A - 一种用于苹果采摘机器人的果实快速识别方法 - Google Patents

一种用于苹果采摘机器人的果实快速识别方法 Download PDF

Info

Publication number
CN111046782A
CN111046782A CN201911248880.3A CN201911248880A CN111046782A CN 111046782 A CN111046782 A CN 111046782A CN 201911248880 A CN201911248880 A CN 201911248880A CN 111046782 A CN111046782 A CN 111046782A
Authority
CN
China
Prior art keywords
result
connected domain
image
value
maximum connected
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
Application number
CN201911248880.3A
Other languages
English (en)
Other versions
CN111046782B (zh
Inventor
王静
王乐琪
董洪伟
刘建云
朱海怡
张云
韩彦岭
周汝雁
洪中华
杨树瑚
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.)
Shanghai Ocean University
Original Assignee
Shanghai Ocean University
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 Shanghai Ocean University filed Critical Shanghai Ocean University
Priority to CN201911248880.3A priority Critical patent/CN111046782B/zh
Publication of CN111046782A publication Critical patent/CN111046782A/zh
Application granted granted Critical
Publication of CN111046782B publication Critical patent/CN111046782B/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
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion 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
    • G06V10/20—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
    • G06V10/56—Extraction of image or video features relating to colour
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种用于苹果采摘机器人的果实快速识别方法，对采集的图像进行颜色空间的转换，将RGB颜色空间图片转换成Lab颜色空间的图片，对Lab颜色空间下的图片进行一种基于亮度的优化显著性检测处理；对原始图像用色差法进行处理，其结果与显著性检测结果做融合处理；最终将直方图反向投影的结果和显著性检测的结果进行融合处理，OTSU二值化处理，通过最大连通域分析方法获得最大连通域，对最大连通域进行动态次数阈值腐蚀操作，对腐蚀结果再次做最大连通域分析获得最大连通域，最后对最大连通域进行与腐蚀操作等次数等结构元素的膨胀操作；做最大连通域的外接矩形实现对果实的标定。

Description

一种用于苹果采摘机器人的果实快速识别方法
技术领域
本发明涉及农业机械领域，具体是一种用于苹果采摘机器人的果实快速识别方法。
背景技术
果蔬生产的快速发展和农业劳动力短缺、劳动强度过大的矛盾日益显现，而替代选择性收获这一复杂人力劳动只有通过采摘机器人技术的深入研究才能实现。因此，水果农作物采摘机器人的研究应用，对于减轻农业从业者的劳动强度、解放农业劳动力和提高果蔬的集约化生产水平，都具有重要的意义。采摘机器人的首要任务是利用视觉系统进行成熟苹果目标的识别与定位。基于图像处理研究领域的相关算法，以实现果实的自动化检测、识别和定位，成为当前果实自动采摘机器人研发应用中的研究热点。
面向果实的机械化采摘，通过相关的图像技术自动识别和定位场景中的果实信息成为一个广泛的研究课题。2010年，司永胜等人提出了利用归一化的红绿色差(R-G)/(R+G)分割苹果的方法对不同光照情况下拍摄的苹果图像进行了识别,并对识别后的图像进行预处理,获得苹果的轮廓图像。对轮廓图像采用随机圆环法进行果实圆心、半径提取。识别算法可以较好地消除阴影、裸露土壤等影响,以苹果个数为单位，识别率达到92％。2012年，赵文旻等人提出选用R-G色差模型，改进的Ostu最大类间方差法分割图像。然后用面积阈值法消除噪声，获取成熟苹果果实的目标区域，同样以苹果的个数为计算单位单位，识别率为84.7％。
现有技术存在的算法复杂度较高且(或)运行时间较长，未能较好的实现实时自适应的采摘操作的问题。
发明内容
本发明的目的在于提供一种实现成本低，精度高，实时性好，提高苹果采摘机器人的工作效率，用于苹果采摘机器人的果实快速识别方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
一种用于苹果采摘机器人的果实快速识别方法，包括以下步骤：
步骤1，获取原始图像，即自然环境下苹果果实图片的采集；
步骤2，颜色空间变换，将原始图像分别转换为Lab颜色空间下的图片；
步骤3，显著性检测：分离出Lab颜色空间中的L通道，采用全局L分量对比计算法对Lab颜色空间下的图片数据进行显著性检测，得到显著图S；
步骤4，色差法，分离RGB颜色通道，计算红绿色差值作为此步骤结果Se的像素值；
步骤5，图像融合，将显著性检测得到的结果图做累加运算并与色差法结果相加；
步骤6，二值化，用OTSU方法对步骤5得到的结果图进行二值化处理并对二值化结果用边长为30的正方形结构元素进行开运算；
步骤7，模板提取，对步骤6的结果求得最大连通域，做最大连通域的外接矩形；按照一定比例缩小矩形范围，截取矩形部分作为模板；
步骤8，RGB直方图反向投影，以步骤7的结果图为模板，对原始RGB图像做RGB直方图反向投影处理；
步骤9，图像融合，将RGB直方图反向投影的结果图与步骤5得到的结果图进行加法运算；
步骤10，二值化，用OTSU方法对步骤9得到的结果图进行二值化处理，对二值化结果用边长为17的正方形结构元素进行开运算；
步骤11，孔洞填充，设置面积阈值，当内轮廓面积小于该阈值时进行填充；
步骤12，只保留最大连通域，遍历步骤11结果中所有的连通域，为每一个连通域标记不同的颜色，统计每种颜色的数量，数量最多的颜色值设置为255，其余设置为0；
步骤13，自适应次数腐蚀，以当前图片最大连通域面积的五分之一的值为动态阈值对图片进行腐蚀处理，并保存进行腐蚀处理的次数,次数记为n；
步骤14，只保留最大连通域，遍历步骤13结果中所有的连通域，为每一个连通域标记不同的颜色，统计每种颜色的数量，数量最多的颜色值设置为255，其余设置为0；
步骤15，膨胀，使用与步骤13中相同的结构元素对步骤15的结果图进行膨胀处理，并重复n次；
步骤16，标定目标果实，做最大连通域的外接矩形。
进一步的，所述步骤1中获取的原始图像为RGB颜色空间下的彩色二维图像。
进一步的，所述步骤2中Lab颜色空间的转换方法为：
Figure BDA0002308452080000031
进一步的，所述步骤3中图像显著性检测算法为：
Figure BDA0002308452080000032
其中，Ii为像素i的L通道值，Ii∈[0,255]；Lab颜色空间对应的显著图为S。
进一步的，所述步骤4中色差法算法为：
Se(Ik)＝|IkR-IkG|
其中，IkG为像素K的G通道值，IkR为像素K的R通道值。
进一步的，所述步骤5中图像融合的算法为：
Figure BDA0002308452080000041
其中，S为步骤3产生的Lab颜色空间对应的显著图，Se为步骤4中色差法的结果图。
进一步的，所述步骤7中按照一定比例缩小矩形范围，截取矩形部分作为模板的算法为：
x1＝x+w/2
y1＝y+h/2
w1＝w/8
h1＝h/8
其中x，y为最大连通域外接矩形的左上角角点图像坐标(x,y)，x1，y1为截取模板矩形的左上角角点图像坐标(x1,y1)，w为最大连通域外接矩形的宽，h为最大连通域外接矩形的高，w1为截取模板矩形的宽，h1为截取模板矩形的高。
进一步的，所述步骤8中RGB直方图反向投影算法为：
1)对目标模板进行分离R,G,B颜色通道,将目标模板图转化为RGB直方图,并归一化；
2)从输入图像的左上角(x,y)开始,切割一块(x,y)至(m,n)的临时图像,生成临时图像的RGB直方图,并归一化；
3)将临时图像的H--S直方图和目标模板图像的RGB直方图按以下公式进行相关性对比,对比结果记为C:
Figure BDA0002308452080000042
Figure BDA0002308452080000051
其中,k＝1,2,3；i＝j＝1,2,3,…,N,N为直方图中区间的个数,Hk(i)为第k个直方图中第i个区间上的值。C(H1；H2)值越大表示越匹配,数值为1时表示完全匹配,-1时表示完全不匹配,0时表示无关联；
4)将直方图对比结果C作为反向投影图像(x,y)处的像素值；
5)令y＝y+1,n＝n+1,当n<＝l返回步骤2),即按竖直方向切割输入图像；
6)重复2)–6)步,当m>k时结束,即切割输入图像直至其右下角。
进一步的，所述步骤9中图像融合算法为：
S＝S+B
其中，B是直方图反向投影的结果，S为显著性检测的结果。
进一步的，所述步骤13中自适应次数腐蚀算法为：
1)提取出最大连通域的轮廓；
2)获取当前轮廓面积S0,令n＝0；
其中n为做腐蚀处理的次数。
3)用边长为10的正方形结构元素做一次腐蚀处理；
4)提取出最大连通域的轮廓；
5)获取当前轮廓面积S；
6)n＝n+1；
7)重复3)–6)步,当S<S0/5时结束X。
与现有技术相比，本发明的有益效果是：本算法实现成本低，精度高，实时性好，提高苹果采摘机器人的工作效率；该方法可实现果实目标的实时检测定位和识别，为采摘机器人机械动作的实施提供先决条件，并且实现对于重叠果实的有效分离，极大提高了苹果采摘机器人的工作效率。
附图说明
图1为用于苹果采摘机器人的果实快速识别方法的流程图。
图2为步骤1获取的原始图像。
图3为步骤2将原始图像分别转换为Lab颜色空间下的图片。
图4为步骤3的显著图S。
图5为步骤4色差法的结果图。
图6为步骤5图像融合结果图。
图7为步骤6二值化结果。
图8为步骤7模板提取结果。
图9为步骤8，RGB直方图反向投影结果。
图10为步骤9，图像融合结果。
图11为步骤10，二值化结果。
图12为步骤11，孔洞填充结果。
图13为步骤12，只保留最大连通域结果。
图14为步骤13，自适应次数腐蚀结果。
图15为步骤14，只保留最大连通域结果。
图16为步骤15，膨胀的结果。
图17为步骤16，标定目标果实的结果。
具体实施方式
下面结合具体实施方式对本专利的技术方案作进一步详细地说明。
请参阅图1-2，一种用于苹果采摘机器人的果实快速识别方法，
包括以下步骤：
步骤1，获取原始图像，即自然环境下苹果果实图片的采集；
具体的，所述步骤1中获取的原始图像为RGB颜色空间下的彩色二维图像。
步骤2，颜色空间变换，将原始图像分别转换为Lab颜色空间下的图片；
具体的，所述步骤2中Lab颜色空间的转换方法为：
Figure BDA0002308452080000071
步骤3，显著性检测：分离出Lab颜色空间中的L通道，采用全局L分量对比计算法对Lab颜色空间下的图片数据进行显著性检测，得到显著图S；
具体的，所述步骤3中图像显著性检测算法为：
Figure BDA0002308452080000072
其中，Ii为像素i的L通道值，Ii∈[0,255]；Lab颜色空间对应的显著图为S。
步骤4，色差法，分离RGB颜色通道，计算红绿色差值作为此步骤结果Se的像素值；
具体的，所述步骤4中色差法算法为：
Se(Ik)＝|IkR-IkG|
其中，IkG为像素K的G通道值，IkR为像素K的R通道值。
进一步的，所述步骤5中图像融合的算法为：
Figure BDA0002308452080000073
其中，S为步骤3产生的Lab颜色空间对应的显著图，Se为步骤4中色差法的结果图。
步骤5，图像融合，将显著性检测得到的结果图做累加运算并与色差法结果相加；
步骤6，二值化，用OTSU方法对步骤5得到的结果图进行二值化处理并对二值化结果用边长为30的正方形结构元素进行开运算；
步骤7，模板提取，对步骤6的结果求得最大连通域，做最大连通域的外接矩形；按照一定比例缩小矩形范围，截取矩形部分作为模板；
具体的，所述步骤7中按照一定比例缩小矩形范围，截取矩形部分作为模板的算法为：
x1＝x+w/2
y1＝y+h/2
w1＝w/8
h1＝h/8
其中x，y为最大连通域外接矩形的左上角角点图像坐标(x,y)，x1，y1为截取模板矩形的左上角角点图像坐标(x1,y1)，w为最大连通域外接矩形的宽，h为最大连通域外接矩形的高，w1为截取模板矩形的宽，h1为截取模板矩形的高。
步骤8，RGB直方图反向投影，以步骤7的结果图为模板，对原始RGB图像做RGB直方图反向投影处理；
具体的，所述步骤8中RGB直方图反向投影算法为：
1)对目标模板进行分离R,G,B颜色通道,将目标模板图转化为RGB直方图,并归一化；
2)从输入图像的左上角(x,y)开始,切割一块(x,y)至(m,n)的临时图像,生成临时图像的RGB直方图,并归一化；
3)将临时图像的H--S直方图和目标模板图像的RGB直方图按以下公式进行相关性对比,对比结果记为C:
Figure BDA0002308452080000081
Figure BDA0002308452080000091
其中,k＝1,2,3；i＝j＝1,2,3,…,N,N为直方图中区间的个数,Hk(i)为第k个直方图中第i个区间上的值。C(H1；H2)值越大表示越匹配,数值为1时表示完全匹配,-1时表示完全不匹配,0时表示无关联；
4)将直方图对比结果C作为反向投影图像(x,y)处的像素值；
5)令y＝y+1,n＝n+1,当n<＝l返回步骤2),即按竖直方向切割输入图像；
6)重复2)–6)步,当m>k时结束,即切割输入图像直至其右下角。
进一步的，所述步骤9中图像融合算法为：
S＝S+B
其中，B是直方图反向投影的结果，S为显著性检测的结果。
步骤9，图像融合，将RGB直方图反向投影的结果图与步骤5得到的结果图进行加法运算；
步骤10，二值化，用OTSU方法对步骤9得到的结果图进行二值化处理，对二值化结果用边长为17的正方形结构元素进行开运算；
步骤11，孔洞填充，设置面积阈值，当内轮廓面积小于该阈值时进行填充；
步骤12，只保留最大连通域，遍历步骤11结果中所有的连通域，为每一个连通域标记不同的颜色，统计每种颜色的数量，数量最多的颜色值设置为255，其余设置为0；
步骤13，自适应次数腐蚀，以当前图片最大连通域面积的五分之一的值为动态阈值对图片进行腐蚀处理，并保存进行腐蚀处理的次数,次数记为n；
具体的，所述步骤13中自适应次数腐蚀算法为：
1)提取出最大连通域的轮廓；
2)获取当前轮廓面积S0,令n＝0；
其中n为做腐蚀处理的次数。
3)用边长为10的正方形结构元素做一次腐蚀处理；
4)提取出最大连通域的轮廓；
5)获取当前轮廓面积S；
6)n＝n+1；
7)重复3)–6)步,当S<S0/5时结束X。
步骤14，只保留最大连通域，遍历步骤13结果中所有的连通域，为每一个连通域标记不同的颜色，统计每种颜色的数量，数量最多的颜色值设置为255，其余设置为0；
步骤15，膨胀，使用与步骤13中相同的结构元素对步骤15的结果图进行膨胀处理，并重复n次；
步骤16，标定目标果实，做最大连通域的外接矩形。
用相机获取彩色图像如图2，将RGB颜色空间分别转换为Lab颜色空间，其中为了简便运算，将Lab颜色空间转换公式简化为：
Figure BDA0002308452080000101
对Lab颜色空间下的图像进行改进的的图像显著性检测算法。根据图像的L通道值的特征，每个像素的显著性值是其和图像中其他像素的欧式距离的总和，生成显著图S，公式如下，
Figure BDA0002308452080000102
其中，Ii为像素i的L通道的值，Ii∈[0，255]；
将显著性检测结果做累加运算：
Figure BDA0002308452080000111
其中S为Lab颜色空间下的显著图。结果图S累加后如图6所示。
对S进行OTSU二值化处理。结果如图7所示。
对二值化图像进行边缘检测并计算连通域的面积，通过最大连通域分析方法获得目标果实区域，并按照一定比例缩小该矩形区域作为模板。
模板用于RGB直方图反向投影结果如所示。最终将直方图反向投影的结果和色差法，显著性检测的结果进行融合处理，OTSU二值化处理，结果如图11所示。
对融合结果的二值图进行开运算和孔洞填充，结果如图12所示。通过最大连通域分析方法获得最大连通域如图7所示，对最大连通域进行动态次数阈值腐蚀操作，对腐蚀结果再次做最大连通域分析获得最大连通域，最后对最大连通域进行与腐蚀操作等次数等结构元素的膨胀操作以实现重叠果实的分离。
通过做最大连通域的外接矩形以实现对目标果实的标定。结果如图17所示。
上面对本专利的较佳实施方式作了详细说明，但是本专利并不限于上述实施方式，在本领域的普通技术人员所具备的知识范围内，还可以在不脱离本专利宗旨的前提下做出各种变化。

Claims (10)

1.一种用于苹果采摘机器人的果实快速识别方法，其特征在于，包括以下步骤：
步骤1，获取原始图像，即自然环境下苹果果实图片的采集；
步骤2，颜色空间变换，将原始图像分别转换为Lab颜色空间下的图片；
步骤3，显著性检测：分离出Lab颜色空间中的L通道，采用全局L分量对比计算法对Lab颜色空间下的图片数据进行显著性检测，得到显著图S；
步骤4，色差法，分离RGB颜色通道，计算红绿色差值作为此步骤结果Se的像素值；
步骤5，图像融合，将显著性检测得到的结果图做累加运算并与色差法结果相加；
步骤6，二值化，用OTSU方法对步骤5得到的结果图进行二值化处理并对二值化结果用边长为30的正方形结构元素进行开运算；
步骤7，模板提取，对步骤6的结果求得最大连通域，做最大连通域的外接矩形；按照一定比例缩小矩形范围，截取矩形部分作为模板；
步骤8，RGB直方图反向投影，以步骤7的结果图为模板，对原始RGB图像做RGB直方图反向投影处理；
步骤9，图像融合，将RGB直方图反向投影的结果图与步骤5得到的结果图进行加法运算；
步骤10，二值化，用OTSU方法对步骤9得到的结果图进行二值化处理，对二值化结果用边长为17的正方形结构元素进行开运算；
步骤11，孔洞填充，设置面积阈值，当内轮廓面积小于该阈值时进行填充；
步骤12，只保留最大连通域，遍历步骤11结果中所有的连通域，为每一个连通域标记不同的颜色，统计每种颜色的数量，数量最多的颜色值设置为255，其余设置为0；
步骤13，自适应次数腐蚀，以当前图片最大连通域面积的五分之一的值为动态阈值对图片进行腐蚀处理，并保存进行腐蚀处理的次数,次数记为n；
步骤14，只保留最大连通域，遍历步骤13结果中所有的连通域，为每一个连通域标记不同的颜色，统计每种颜色的数量，数量最多的颜色值设置为255，其余设置为0；
步骤15，膨胀，使用与步骤13中相同的结构元素对步骤15的结果图进行膨胀处理，并重复n次；
步骤16，标定目标果实，做最大连通域的外接矩形。
2.根据权利要求1所述的一种用于苹果采摘机器人的果实快速识别方法，其特征在于，所述步骤1中获取的原始图像为RGB颜色空间下的彩色二维图像。
3.根据权利要求1所述的一种用于苹果采摘机器人的果实快速识别方法，其特征在于，所述步骤2中Lab颜色空间的转换方法为：
Figure FDA0002308452070000021
4.根据权利要求1所述的一种用于苹果采摘机器人的果实快速识别方法，其特征在于，所述步骤3中图像显著性检测算法为：
Figure FDA0002308452070000022
其中，Ii为像素i的L通道值，Ii∈[0,255]；Lab颜色空间对应的显著图为S。
5.根据权利要求1所述的一种用于苹果采摘机器人的果实快速识别方法，其特征在于，所述步骤4中色差法算法为：
Se(Ik)＝|IkR-IkG|
其中，IkG为像素K的G通道值，IkR为像素K的R通道值。
6.根据权利要求1所述的一种用于苹果采摘机器人的果实快速识别方法，其特征在于，所述步骤5中图像融合的算法为：
Figure FDA0002308452070000031
其中，S为步骤3产生的Lab颜色空间对应的显著图，Se为步骤4中色差法的结果图。
7.根据权利要求1所述的一种用于苹果采摘机器人的果实快速识别方法，其特征在于，所述步骤7中按照一定比例缩小矩形范围，截取矩形部分作为模板的算法为：
x1＝x+w/2
y1＝y+h/2
w1＝w/8
h1＝h/8
其中x，y为最大连通域外接矩形的左上角角点图像坐标(x,y)，x1，y1为截取模板矩形的左上角角点图像坐标(x1,y1)，w为最大连通域外接矩形的宽，h为最大连通域外接矩形的高，w1为截取模板矩形的宽，h1为截取模板矩形的高。
8.根据权利要求1所述的一种用于苹果采摘机器人的果实快速识别方法，其特征在于，所述步骤8中RGB直方图反向投影算法为：
1)对目标模板进行分离R,G,B颜色通道,将目标模板图转化为RGB直方图,并归一化；
2)从输入图像的左上角(x,y)开始,切割一块(x,y)至(m,n)的临时图像,生成临时图像的RGB直方图,并归一化；
3)将临时图像的H--S直方图和目标模板图像的RGB直方图按以下公式进行相关性对比,对比结果记为C:
Figure FDA0002308452070000041
Figure FDA0002308452070000042
其中,k＝1,2,3；i＝j＝1,2,3,…,N,N为直方图中区间的个数,Hk(i)为第k个直方图中第i个区间上的值。C(H1；H2)值越大表示越匹配,数值为1时表示完全匹配,-1时表示完全不匹配,0时表示无关联；
4)将直方图对比结果C作为反向投影图像(x,y)处的像素值；
5)令y＝y+1,n＝n+1,当n<＝l返回步骤2),即按竖直方向切割输入图像；
6)重复2)–6)步,当m>k时结束,即切割输入图像直至其右下角。
9.根据权利要求1所述的一种用于苹果采摘机器人的果实快速识别方法，其特征在于，所述步骤9中图像融合算法为：
S＝S+B
其中，B是直方图反向投影的结果，S为显著性检测的结果。
10.根据权利要求1所述的一种用于苹果采摘机器人的果实快速识别方法，其特征在于，所述步骤13中自适应次数腐蚀算法为：
1)提取出最大连通域的轮廓；
2)获取当前轮廓面积S0,令n＝0；
其中n为做腐蚀处理的次数。
3)用边长为10的正方形结构元素做一次腐蚀处理；
4)提取出最大连通域的轮廓；
5)获取当前轮廓面积S；
6)n＝n+1；
7)重复3)–6)步,当S<S0/5时结束。
CN201911248880.3A 2019-12-09 2019-12-09 一种用于苹果采摘机器人的果实快速识别方法 Active CN111046782B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911248880.3A CN111046782B (zh) 2019-12-09 2019-12-09 一种用于苹果采摘机器人的果实快速识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911248880.3A CN111046782B (zh) 2019-12-09 2019-12-09 一种用于苹果采摘机器人的果实快速识别方法

Publications (2)

Publication Number Publication Date
CN111046782A true CN111046782A (zh) 2020-04-21
CN111046782B CN111046782B (zh) 2023-06-23

Family

ID=70235097

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911248880.3A Active CN111046782B (zh) 2019-12-09 2019-12-09 一种用于苹果采摘机器人的果实快速识别方法

Country Status (1)

Country Link
CN (1) CN111046782B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112183230A (zh) * 2020-09-09 2021-01-05 上海大学 自然梨园环境下梨子的识别与中心点定位方法
CN114431005A (zh) * 2022-02-11 2022-05-06 苏州书农科技有限公司 智能化农业果实采摘识别与定位方法、系统及装置
CN116616045A (zh) * 2023-06-07 2023-08-22 山东农业工程学院 一种基于植物生长的采摘方法及采摘系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004235743A (ja) * 2003-01-28 2004-08-19 Ricoh Co Ltd 画像処理装置および画像処理方法およびプログラムおよび記録媒体
CN105719282A (zh) * 2016-01-16 2016-06-29 常州大学 一种果园红色苹果图像果实枝叶区域获取方法
CN108470339A (zh) * 2018-03-21 2018-08-31 华南理工大学 一种基于信息融合的重叠苹果视觉识别与定位方法
CN110348370A (zh) * 2019-07-09 2019-10-18 北京猫眼视觉科技有限公司 一种人体动作识别的增强现实系统及方法
CN111753577A (zh) * 2019-03-28 2020-10-09 天津工业大学 自动采摘机器人中的苹果识别与定位方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004235743A (ja) * 2003-01-28 2004-08-19 Ricoh Co Ltd 画像処理装置および画像処理方法およびプログラムおよび記録媒体
CN105719282A (zh) * 2016-01-16 2016-06-29 常州大学 一种果园红色苹果图像果实枝叶区域获取方法
CN108470339A (zh) * 2018-03-21 2018-08-31 华南理工大学 一种基于信息融合的重叠苹果视觉识别与定位方法
CN111753577A (zh) * 2019-03-28 2020-10-09 天津工业大学 自动采摘机器人中的苹果识别与定位方法
CN110348370A (zh) * 2019-07-09 2019-10-18 北京猫眼视觉科技有限公司 一种人体动作识别的增强现实系统及方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
SHAOTONG ZHU: "Video Saliency Detection Using the Propagation of Image Saliency between Frames", 《IEEE》 *
周静静: "基于多视角图像的植物三维重建研究进展", 《中国农业科技导报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112183230A (zh) * 2020-09-09 2021-01-05 上海大学 自然梨园环境下梨子的识别与中心点定位方法
CN114431005A (zh) * 2022-02-11 2022-05-06 苏州书农科技有限公司 智能化农业果实采摘识别与定位方法、系统及装置
CN116616045A (zh) * 2023-06-07 2023-08-22 山东农业工程学院 一种基于植物生长的采摘方法及采摘系统
CN116616045B (zh) * 2023-06-07 2023-11-24 山东农业工程学院 一种基于植物生长的采摘方法及采摘系统

Also Published As

Publication number Publication date
CN111046782B (zh) 2023-06-23

Similar Documents

Publication Publication Date Title
CN113658132B (zh) 基于计算机视觉的结构件焊缝检测方法
CN109636784B (zh) 基于最大邻域和超像素分割的图像显著性目标检测方法
CN101493892B (zh) 图像特征提取方法及装置
CN111046782B (zh) 一种用于苹果采摘机器人的果实快速识别方法
CN106296725B (zh) 运动目标实时检测与跟踪方法及目标检测装置
CN106991370B (zh) 基于颜色和深度的行人检索方法
CN112651404A (zh) 一种基于无锚框检测器的绿色果实高效分割方法及系统
CN111695373B (zh) 斑马线的定位方法、系统、介质及设备
CN112132153B (zh) 基于聚类和形态学处理的番茄果实识别方法及系统
CN111783693A (zh) 果蔬采摘机器人的智能识别方法
CN113252584B (zh) 基于5g传输的作物生长检测方法及系统
CN112380926A (zh) 一种田间除草机器人除草路径规划系统
CN104951440B (zh) 一种图像处理方法及电子设备
CN114431005A (zh) 智能化农业果实采摘识别与定位方法、系统及装置
CN110298835B (zh) 一种皮革表面破损检测方法、系统及相关装置
CN110458019B (zh) 稀缺认知样本条件下的排除倒影干扰的水面目标检测方法
CN111401364A (zh) 一种基于颜色特征和模板匹配相结合的车牌定位算法
CN112581495A (zh) 图像处理方法、装置、设备及存储介质
CN111931789A (zh) 一种适用于不同光照、作物密度和生长背景的直线作物行提取方法
CN112541383A (zh) 杂草区域的识别方法和装置
CN111401121A (zh) 一种基于超像素特征提取实现柑橘分割方法
CN107704864A (zh) 基于图像对象性语义检测的显著目标检测方法
CN111667509B (zh) 目标与背景颜色相似下的运动目标自动跟踪方法及系统
CN115909401A (zh) 融合深度学习的牛脸识别方法、装置、电子设备和介质
CN104899875A (zh) 一种基于积分匹配的快速图像协同显著区域监测方法

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