CN111160180A - 一种苹果采摘机器人夜间青苹果识别方法 - Google Patents
一种苹果采摘机器人夜间青苹果识别方法 Download PDFInfo
- Publication number
- CN111160180A CN111160180A CN201911325004.6A CN201911325004A CN111160180A CN 111160180 A CN111160180 A CN 111160180A CN 201911325004 A CN201911325004 A CN 201911325004A CN 111160180 A CN111160180 A CN 111160180A
- Authority
- CN
- China
- Prior art keywords
- image
- apple
- night
- green
- apples
- 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.)
- Pending
Links
- 241000581835 Monodora junodii Species 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 36
- 241000220225 Malus Species 0.000 claims abstract description 39
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 230000011218 segmentation Effects 0.000 claims abstract description 10
- 235000021016 apples Nutrition 0.000 claims abstract description 8
- 238000012937 correction Methods 0.000 claims abstract description 5
- 238000001914 filtration Methods 0.000 claims abstract description 5
- 230000001502 supplementing effect Effects 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 claims description 16
- 230000009466 transformation Effects 0.000 claims description 4
- 239000013598 vector Substances 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims 1
- 230000001131 transforming effect Effects 0.000 claims 1
- 230000003044 adaptive effect Effects 0.000 abstract 1
- CIWBSHSKHKDKBQ-JLAZNSOCSA-N Ascorbic acid Chemical compound OC[C@H](O)[C@H]1OC(=O)C(O)=C1O CIWBSHSKHKDKBQ-JLAZNSOCSA-N 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- BJEPYKJPYRNKOW-REOHCLBHSA-N (S)-malic acid Chemical compound OC(=O)[C@@H](O)CC(O)=O BJEPYKJPYRNKOW-REOHCLBHSA-N 0.000 description 1
- ZZZCUOFIHGPKAK-UHFFFAOYSA-N D-erythro-ascorbic acid Natural products OCC1OC(=O)C(O)=C1O ZZZCUOFIHGPKAK-UHFFFAOYSA-N 0.000 description 1
- CZMRCDWAGMRECN-UGDNZRGBSA-N Sucrose Chemical compound O[C@H]1[C@H](O)[C@@H](CO)O[C@@]1(CO)O[C@@H]1[C@H](O)[C@@H](O)[C@H](O)[C@@H](CO)O1 CZMRCDWAGMRECN-UGDNZRGBSA-N 0.000 description 1
- 229930006000 Sucrose Natural products 0.000 description 1
- 229930003268 Vitamin C Natural products 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- BJEPYKJPYRNKOW-UHFFFAOYSA-N alpha-hydroxysuccinic acid Natural products OC(=O)C(O)CC(O)=O BJEPYKJPYRNKOW-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 235000009508 confectionery Nutrition 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 235000012055 fruits and vegetables Nutrition 0.000 description 1
- 235000011090 malic acid Nutrition 0.000 description 1
- 239000001630 malic acid Substances 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 229960004793 sucrose Drugs 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 239000011573 trace mineral Substances 0.000 description 1
- 235000013619 trace mineral Nutrition 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- 235000019156 vitamin B Nutrition 0.000 description 1
- 239000011720 vitamin B Substances 0.000 description 1
- 235000019154 vitamin C Nutrition 0.000 description 1
- 239000011718 vitamin C Substances 0.000 description 1
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformation in the plane of the image
- G06T3/40—Scaling the whole image or part thereof
- G06T3/4053—Super resolution, i.e. output image resolution higher than sensor resolution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration by the use of local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration by the use of histogram techniques
-
- G06T5/90—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- 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
本发明公开了一种苹果采摘机器人夜间青苹果识别方法，具体包括以下步骤；1)使用环形LED灯正对青苹果进行补光，使用彩色CCD相机采集图像；2)对图像进行高斯滤波，对图像进行限制对比度自适应直方图均衡，再使用伽马矫正提高对比度；3)对步骤2)处理后的图像使用SLIC算法进行超像素分割；4)提取超像素的颜色和纹理特征；5)使用预训练好的SVM分类器对超像素分类，获得苹果模板图像，并去除面积小于300像素的连通区域；6)使用霍夫圆变换法识别定位苹果。本发明解决了夜间图像整体偏暗、对比度不高、边缘模糊的问题以及青苹果与叶子难以分割的问题，使苹果采摘机器人在夜间能够正常采摘青苹果。
Description
技术领域
本发明涉及农业机械技术领域，具体涉及果蔬采摘机器人的图像识别方法，更具体的说， 尤其涉及一种苹果采摘机器人夜间青苹果识别方法。
背景技术
苹果是日常生活中较为常见的水果，富含蔗糖、苹果酸、B族维生素、维生素C及微量元素等各种营养，且口感爽脆，味道酸甜，深受人们的喜爱。
目前苹果识别的研究对象大都是红苹果。对于青苹果，难以通过颜色与叶子区分，给青 苹果的识别带来了较大困难。同时果实识别算法研究主要在日间自然光照条件下进行，夜间 时间占整天时间的三分之一，实现苹果采摘机器人夜间低照度状况下的正常采摘，有利于缩 短采摘周期，降低采摘成本，提高农业生产效率。
发明内容
本发明的目的在于解决目前青苹果在夜间无法正常采摘的问题，提出了一种苹果采摘机 器人夜间青苹果识别方法，解决了夜间图像整体偏暗、对比度不高、边缘模糊的问题以及青 苹果与叶子难以分割的问题，使苹果采摘机器人在夜间能够正常采摘青苹果。
本发明通过以下技术方案来实现上述目的：一种苹果采摘机器人夜间青苹果识别方法， 具体包括以下步骤；
1)使用环形LED灯正对青苹果并对青苹果进行补光，然后使用彩色CCD相机采集夜间 青苹果图像；
2)对夜间青苹果图像进行高斯滤波，再对滤波后的图像使用限制对比度自适应直方图均 衡化的方法对图像的细节进行增强，对增强后的图像使用伽马矫正提高对比度；
3)对步骤2)处理后的图像使用SLIC算法进行超像素分割；
4)提取步骤3)中图像超像素分割后每一个超像素的颜色特征和纹理特征；
5)使用预先训练好的SVM分类器将超像素分为苹果和背景两类，获得苹果模板图像， 并去除面积小于300像素的连通区域；
6)使用霍夫圆变换法识别定位苹果。
进一步地，所述步骤4)中超像素的颜色特征为：超像素所处位置R-B图像均值和的Cr 图像均值；其中R、B为RGB颜色空间的R分量和B分量，Cr为YCbCr颜色空间Cr分量。
进一步地，所述步骤4)中超像素的纹理特征为：超像素所处位置灰度图像的均值、方 差、平滑度、一致性、熵以及局部二值模式图像的直方图；其中
超像素所处位置灰度图像的均值m的计算公式为：
超像素所处位置灰度图像的标准差σ的计算公式为：
超像素所处位置灰度图像的平滑度R的计算公式为：
超像素所处位置灰度图像的一致性U的计算公式为：
超像素所处位置灰度图像的熵e的计算公式为：
上述计算公式中，L为灰度级数，zi为亮度的随机变量，p(zi)为在超像素所处位置灰度 图像的直方图。
局部二值模式是一种非参数描述算子,即LBP算子，该算子对灰度变化不敏感且计算速度 快，对一副图像的每一个像素提取其LBP值，即可得到一副LBP图像。
进一步地，步骤3)所述SLIC算法是将彩色图像转化为CIELAB颜色空间和XY坐标下的五维特征向量，然后对五维特征向量构造距离度量标准，对图像像素进行局部聚类的算法。
进一步地，步骤5)所述SVM分类器是定义在特征空间上的间隔最大的线性分类器。SVM 分类器，即support vector machine分类器，是一种二分类模型。
进一步地，步骤5)所述预先训练好的SVM分类器是给人工给超像素特征赋予苹果和背 景两类标签，然后将其输入SVM分类器进行训练，得到分类器模型。
进一步的，步骤6)所述霍夫圆变换算法是用于寻找圆的算法。霍夫圆变换算法是将二 维图像空间中一个圆转换为该圆半径、圆心横纵坐标所确定的三维参数空间中一个点的过程。
本发明的有益效果在于：
1、本发明能够解决夜间图像整体偏暗、细节不清晰、对比度不高、边缘模糊的问题以及 青苹果与叶子难以分割的问题，使苹果采摘机器人在夜间能够正常采摘青苹果。
2、本发明使用环形LED灯进行夜间照明，有效的减少了夜间苹果图像的阴影。
3、本发明对夜间图像进行了限制对比度自适应直方图均衡化和伽马矫正，使得夜间图像 细清晰，对比度增强，边缘更加明显。
4、本发明对增强后图像进行了超像素分割，将256*198＝49152个像素降维到100个超像 素，极大地提高了算法速度。
5、本发明结合颜色、纹理特征和SVM分类器，有效地将青苹果与背景分割开来。
6、本发明去除了模板图像中面积小于300个像素的连通区域，提高了霍夫圆变换法的鲁 棒性。
7、本发明使用霍夫圆变换法进行苹果识别定位，较好的克服了苹果重叠、遮挡等缺陷对 苹果识别定位的影响。
附图说明
图1是本发明一种苹果采摘机器人夜间青苹果识别方法的整体流程示意图。
图2是本发明对彩色CCD相机采集的夜间青苹果图像进行高斯滤波后的图像。
图3是本发明经过步骤2)中对图像的细节进行增强后的图像。
图4是本发明经过步骤3)中超像素分割后的分割效果图。
图5是本发明步骤5)中获得青苹果模板的图像。
图6是本发明的青苹果识别定位最终效果图。
具体实施方式
本发明给出了一种苹果采摘机器人夜间图像识别方法的实施例，为了使本技术领域的人 员更好的理解本发明实施例中的技术方案，下面结合附图对本发明中技术方案作进一步详细 的说明，但本发明的保护范围并不限于此。
如图1～2所示，本发明首先提供了一种苹果采摘机器人夜间青苹果图像识别方法的流程 图。
本发明的具体步骤为：
1)使用环形LED灯正对青苹果并对青苹果进行补光，然后使用彩色CCD相机采集夜间 青苹果图像，像素为1280*960，将其降采样为256*192大小；
2)对夜间青苹果图像进行高斯滤波，再对滤波后的图像使用限制对比度自适应直方图均 衡化的方法对图像的细节进行增强，对增强后的图像使用伽马矫正提高对比度；如图3所示；
3)对步骤2)处理后的图像使用SLIC算法进行超像素分割为100个像素，如图4所示；
4)提取步骤3)中分割后每一个超像素的颜色特征和纹理特征；即提取超像素所处位置 RGB颜色空间的R-B图像和YCbCr颜色空间Cr图像的均值作为颜色特征，提取超像素所处 位置灰度图像的均值、方差、平滑度、一致性、熵以及局部二值模式图像的直方图作为问题 特征；其中
超像素所处位置灰度图像的均值m的计算公式为：
超像素所处位置灰度图像的标准差σ的计算公式为：
超像素所处位置灰度图像的平滑度R的计算公式为：
超像素所处位置灰度图像的一致性U的计算公式为：
超像素所处位置灰度图像的熵e的计算公式为：
上述计算公式中，L为灰度级数，zi为亮度的随机变量，p(zi)为在超像素所处位置灰度图像 的直方图。
5)使用带有标签的超像素特征训练SVM分类器，训练器的惩罚因子设为0.8，内核设 为高斯内核。然后使用训练好的分类器将夜间图像的超像素分为苹果和背景两类，并去除面 积较小的连通区域，如图5所示；
6)苹果定位：使用霍夫圆变换识别定位，本实例中苹果在图像中的半径在20-30像素间， 因此霍夫圆变换的参数设置为：最小圆心距＝20像素，最小半径＝20像素，最大半径＝30像素； 结果如图6所示；
上述实施例只是本发明的较佳实施例，并不是对本发明技术方案的限制，只要是不经过 创造性劳动即可在上述实施例的基础上实现的技术方案，均应视为落入本发明专利的权利保 护范围内。
Claims (7)
1.一种苹果采摘机器人夜间青苹果识别方法，其特征在于：具体包括以下步骤；
1)使用环形LED灯正对青苹果并对青苹果进行补光，然后使用彩色CCD相机采集夜间青苹果图像；
2)对夜间青苹果图像进行高斯滤波，再对滤波后的图像使用限制对比度自适应直方图均衡化的方法对图像的细节进行增强，对增强后的图像使用伽马矫正提高对比度；
3)对步骤2)处理后的图像使用SLIC算法进行超像素分割；
4)提取步骤3)中图像超像素分割后每一个超像素的颜色特征和纹理特征；
5)使用预先训练好的SVM分类器将超像素分为苹果和背景两类，获得苹果模板图像，并去除面积小于300像素的连通区域；
6)使用霍夫圆变换法识别定位苹果。
2.根据权利要求1所述一种苹果采摘机器人夜间青苹果识别方法，其特征在于：所述步骤4)中超像素的颜色特征为：超像素所处位置R-B图像均值和的Cr图像均值；其中R、B为RGB颜色空间的R分量和B分量，Cr为YCbCr颜色空间Cr分量。
3.根据权利要求1所述一种苹果采摘机器人夜间青苹果识别方法，其特征在于：所述步骤4)中超像素的纹理特征为：超像素所处位置灰度图像的均值、方差、平滑度、一致性、熵以及局部二值模式图像的直方图；其中
超像素所处位置灰度图像的均值m的计算公式为：
超像素所处位置灰度图像的标准差σ的计算公式为：
超像素所处位置灰度图像的平滑度R的计算公式为：
超像素所处位置灰度图像的一致性U的计算公式为：
超像素所处位置灰度图像的熵e的计算公式为：
上述计算公式中，L为灰度级数，zi为亮度的随机变量，p(zi)为在超像素所处位置灰度图像的直方图。
4.根据权利要求1所述一种苹果采摘机器人夜间青苹果识别方法，其特征在于：步骤3)所述SLIC算法是将彩色图像转化为CIELAB颜色空间和XY坐标下的五维特征向量，然后对五维特征向量构造距离度量标准，对图像像素进行局部聚类的算法。
5.根据权利要求1所述一种苹果采摘机器人夜间青苹果识别方法，其特征在于：步骤5)所述SVM分类器是定义在特征空间上的间隔最大的线性分类器。
6.根据权利要求1所述一种苹果采摘机器人夜间青苹果识别方法，其特征在于：步骤5)所述预先训练好的SVM分类器是给人工给超像素特征赋予苹果和背景两类标签，然后将其输入SVM分类器进行训练，得到分类器模型。
7.根据权利要求1所述一种苹果采摘机器人夜间青苹果识别方法，其特征在于：步骤6)所述霍夫圆变换算法是用于寻找圆的算法。霍夫圆变换算法是将二维图像空间中一个圆转换为该圆半径、圆心横纵坐标所确定的三维参数空间中一个点的过程，因此，圆周上任意三点所确定的圆，经霍夫圆变换算法后在三维参数空间应对应一点。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911325004.6A CN111160180A (zh) | 2019-12-16 | 2019-12-16 | 一种苹果采摘机器人夜间青苹果识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911325004.6A CN111160180A (zh) | 2019-12-16 | 2019-12-16 | 一种苹果采摘机器人夜间青苹果识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111160180A true CN111160180A (zh) | 2020-05-15 |
Family
ID=70557426
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911325004.6A Pending CN111160180A (zh) | 2019-12-16 | 2019-12-16 | 一种苹果采摘机器人夜间青苹果识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111160180A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112561949A (zh) * | 2020-12-23 | 2021-03-26 | 江苏信息职业技术学院 | 一种基于rpca和支持向量机的快速运动目标检测算法 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103366382A (zh) * | 2013-07-04 | 2013-10-23 | 电子科技大学 | 一种基于超像素的主动轮廓跟踪方法 |
| CN104700404A (zh) * | 2015-03-02 | 2015-06-10 | 中国农业大学 | 一种果实定位识别方法 |
| CN105718945A (zh) * | 2016-01-20 | 2016-06-29 | 江苏大学 | 基于分水岭和神经网络的苹果采摘机器人夜间图像识别方法 |
| CN106326914A (zh) * | 2016-08-08 | 2017-01-11 | 诸暨市奇剑智能科技有限公司 | 一种基于svm的珍珠多分类方法 |
| CN106327467A (zh) * | 2015-06-25 | 2017-01-11 | 吴海峰 | 一种苹果采摘机器人目标果实快速跟踪识别方法 |
| CN106778821A (zh) * | 2016-11-25 | 2017-05-31 | 西安电子科技大学 | 基于slic和改进的cnn的极化sar图像分类方法 |
| CN107506792A (zh) * | 2017-08-16 | 2017-12-22 | 上海荷福人工智能科技（集团）有限公司 | 一种半监督的显著对象检测方法 |
| CN109220226A (zh) * | 2018-10-31 | 2019-01-18 | 哈尔滨理工大学 | 果实自动识别分类及采摘的果园智能化系统 |
| CN109858494A (zh) * | 2018-12-28 | 2019-06-07 | 武汉科技大学 | 一种低对比度图像中显著性目标检测方法及装置 |
| CN109871900A (zh) * | 2019-03-06 | 2019-06-11 | 哈尔滨理工大学 | 一种基于图像处理的复杂背景下苹果的识别定位方法 |
| CN109886267A (zh) * | 2019-01-29 | 2019-06-14 | 杭州电子科技大学 | 一种基于最优特征选择的低对比度图像显著性检测方法 |
-
2019
- 2019-12-16 CN CN201911325004.6A patent/CN111160180A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103366382A (zh) * | 2013-07-04 | 2013-10-23 | 电子科技大学 | 一种基于超像素的主动轮廓跟踪方法 |
| CN104700404A (zh) * | 2015-03-02 | 2015-06-10 | 中国农业大学 | 一种果实定位识别方法 |
| CN106327467A (zh) * | 2015-06-25 | 2017-01-11 | 吴海峰 | 一种苹果采摘机器人目标果实快速跟踪识别方法 |
| CN105718945A (zh) * | 2016-01-20 | 2016-06-29 | 江苏大学 | 基于分水岭和神经网络的苹果采摘机器人夜间图像识别方法 |
| CN106326914A (zh) * | 2016-08-08 | 2017-01-11 | 诸暨市奇剑智能科技有限公司 | 一种基于svm的珍珠多分类方法 |
| CN106778821A (zh) * | 2016-11-25 | 2017-05-31 | 西安电子科技大学 | 基于slic和改进的cnn的极化sar图像分类方法 |
| CN107506792A (zh) * | 2017-08-16 | 2017-12-22 | 上海荷福人工智能科技（集团）有限公司 | 一种半监督的显著对象检测方法 |
| CN109220226A (zh) * | 2018-10-31 | 2019-01-18 | 哈尔滨理工大学 | 果实自动识别分类及采摘的果园智能化系统 |
| CN109858494A (zh) * | 2018-12-28 | 2019-06-07 | 武汉科技大学 | 一种低对比度图像中显著性目标检测方法及装置 |
| CN109886267A (zh) * | 2019-01-29 | 2019-06-14 | 杭州电子科技大学 | 一种基于最优特征选择的低对比度图像显著性检测方法 |
| CN109871900A (zh) * | 2019-03-06 | 2019-06-11 | 哈尔滨理工大学 | 一种基于图像处理的复杂背景下苹果的识别定位方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112561949A (zh) * | 2020-12-23 | 2021-03-26 | 江苏信息职业技术学院 | 一种基于rpca和支持向量机的快速运动目标检测算法 |
| CN112561949B (zh) * | 2020-12-23 | 2023-08-22 | 江苏信息职业技术学院 | 一种基于rpca和支持向量机的快速运动目标检测算法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109711325B (zh) | 一种芒果采摘点识别方法 | |
| CN108108761B (zh) | 一种基于深度特征学习的快速交通信号灯检测方法 | |
| CN108009542B (zh) | 油菜大田环境下杂草图像分割方法 | |
| CN105718945B (zh) | 基于分水岭和神经网络的苹果采摘机器人夜间图像识别方法 | |
| Li et al. | Green apple recognition method based on the combination of texture and shape features | |
| CN105787519A (zh) | 一种基于叶脉检测的树种分类方法 | |
| CN106875412B (zh) | 一种两个重叠果实的分割定位方法 | |
| CN106803257A (zh) | 一种作物病害叶片图像中病斑的分割方法 | |
| CN113674226A (zh) | 一种基于深度学习的采茶机茶叶芽尖检测方法 | |
| CN105426924B (zh) | 一种基于图像中层特征的场景分类方法 | |
| CN107527343A (zh) | 一种基于图像处理的双孢蘑菇分级方法 | |
| CN110610506A (zh) | 一种基于图像处理技术的姬松茸子实体生长参数检测方法 | |
| CN113255434A (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 | |
| CN107154044A (zh) | 一种中餐食物图像的分割方法 | |
| CN103593652A (zh) | 一种基于黄瓜叶片症状图像处理的黄瓜病害识别方法 | |
| CN104992448B (zh) | 机器人防损伤采摘葡萄的自动定位方法 | |
| CN111160180A (zh) | 一种苹果采摘机器人夜间青苹果识别方法 | |
| CN115862004A (zh) | 一种玉米果穗表面缺陷检测方法及装置 | |
| Qi et al. | Related study based on otsu watershed algorithm and new squeeze-and-excitation networks for segmentation and level classification of tea buds | |
| Hafiz et al. | Foreground segmentation-based human detection with shadow removal | |
| CN107886493A (zh) | 一种输电线路的导线分股缺陷检测方法 | |
| CN111612797B (zh) | 一种水稻图像信息处理系统 | |
| Wang et al. | A color-texture segmentation method to extract tree image in complex scene | |
| CN115601690B (zh) | 一种基于智慧农业的食用菌环境检测方法 | |
| CN111401121A (zh) | 一种基于超像素特征提取实现柑橘分割方法 |
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 |