CN112861654A - 一种基于机器视觉的名优茶采摘点位置信息获取方法 - Google Patents
一种基于机器视觉的名优茶采摘点位置信息获取方法 Download PDFInfo
- Publication number
- CN112861654A CN112861654A CN202110077443.0A CN202110077443A CN112861654A CN 112861654 A CN112861654 A CN 112861654A CN 202110077443 A CN202110077443 A CN 202110077443A CN 112861654 A CN112861654 A CN 112861654A
- Authority
- CN
- China
- Prior art keywords
- point
- tea
- points
- roi
- tender
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01D—HARVESTING; MOWING
- A01D46/00—Picking of fruits, vegetables, hops, or the like; Devices for shaking trees or shrubs
- A01D46/04—Picking of fruits, vegetables, hops, or the like; Devices for shaking trees or shrubs of tea
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- 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
Abstract
本发明涉及图像处理算法领域。技术方案是:一种基于机器视觉的名优茶采摘点位置信息获取方法,包括以下步骤:1)从茶园获取茶叶图片,用3╳3的卷积核对茶叶图片进行高斯滤波除噪:2)对于图像获取的每一个嫩芽分别设置各自的ROI;3)将RGB色彩空间下的ROI转换到HSV色彩空间,提取嫩芽及其生长点枝条的特征;4)用Otsu算法对提取的嫩芽及枝条区域进行二次二值化分割;5)采用改进的Zhang细化算法对上步二值化图片进行细化,提取其骨架;6)以Shi‑Tomasi算法搜索嫩芽和树枝的分叉点作为对细化的骨架检测的特征角点;7)将轮廓最低点和角点拟合成直线段。该方法可提高茶叶嫩芽采摘点定位的精度和效率。
Description
技术领域
本发明涉及到人工智能、机器视觉及图像处理算法领域,具体是提供一种基于机器视觉的名优茶采摘点位置信息获取方法。
背景技术
近年来,基于视觉的自动采摘机器人被用于名优茶的采摘,其采摘点的自动识别定位成为限制其发展的关键点和重难点。名优茶质量轻,风吹或采摘机移动都会引起茶叶的摆动;茶园环境复杂,茶叶相互遮挡;光照太强或太暗,嫩芽和老叶分辨率低。这些因素使得嫩芽采摘点的识别定位非常困难,严重限制了名优茶的自动化采摘。目前所采用的茶叶嫩芽采摘点的定位方法定位精度低、效率低,为了实现采摘点的快速识别定位,保证名优茶机采效率和高质量要求,需要研发一种的名优茶采摘点位置信息获取方法。
发明内容
本发明的目的是克服上述背景技术中的不足,提供一种基于机器视觉的名优茶采摘点位置信息获取方法,该方法应能大大提高茶叶嫩芽采摘点定位的精度和效率。
本发明的技术方案是:
一种基于机器视觉的名优茶采摘点位置信息获取方法,依次包括以下步骤:
第1步:从茶园获取的茶叶图片,用3╳3的卷积核对茶叶图片进行高斯滤波除噪:
第2步:为了减少与采摘点无关因素的影响和图像处理的像素数,提高图像处理的实时性,对于图像获取的每一个嫩芽分别设置各自的ROI,在进行采摘点识别时,只以该区域为目标对象;
第3步:将RGB色彩空间下的ROI转换到HSV色彩空间,提取嫩芽及其生长点枝条的特征;
第4步:用Otsu算法对提取的嫩芽及枝条区域进行二次二值化分割;
第5步:采用改进的Zhang细化算法对上步二值化图片进行细化,提取其骨架,以保留原特征并生成单像素骨架;
第6步:以Shi-Tomasi算法搜索嫩芽和树枝的分叉点作为对细化的骨架检测的特征角点;
第7步:将轮廓最低点和角点拟合成直线段,取中心点为采摘点,其坐标为:
式中,u,v表示采摘点的横坐标、纵坐标;
x0,y0表示轮廓最低点的横、纵坐标;
x′,y′表示Shi-Tomasi算法检测出的特征角点横、纵坐标。
所述第1步中,在RGB模型下先获取其图片的G-B分量图,再采用Otsu算法对茶叶嫩芽进行初次分割,然后对其进行腐蚀形态学操作,以滤去因噪声等原因再次产生的细小轮廓。
所述第2步中,以茶叶嫩芽轮廓的最低点为中心设置ROI的搜索算法为:
1)遍历图中每个轮廓的边缘点,找到最低点(x0,y0)和最高点(x1,y1);
3)以list[]中每个轮廓最低点(x0,y0)为中心,设置长度为Roi_L、高度为Roi_H的矩形ROI,其中
式中xmin,ymax分别表示矩形ROI左上角顶点横坐标、纵坐标,xmax,ymin表示矩形ROI右下角顶点横坐标、纵坐标。
所述第3步包括:
1)对HSV空间的ROI分离出H、S、V通道,设定H、S、V通道像素值的上下限,选出嫩芽和枝条所在区域,设置与原图等大的掩码mask:
式中,src表示HSV色彩空间H、S、V通道各像素点的像素值,min表示像素值下限,max表示像素值上限;
2)将RGB空间的ROI和掩码mask,按位与运算提取嫩芽及枝条区域。
所述第5步的细化包括:
1)记某一位于二值图像边界的像素点为P1,其周围相邻的8个像素点按顺时针分别记为P2、P3、P4、P5、P6、P7、P8、P9,P2位于P1正上方;
2)标记同时满足下列条件的边界点:
①2≤N(P1)≤6
②S(P1)=1或B(P1)∈{5,13,20,22,52,54,65,80,133,141}
③P2×P4×P6=0
④P4×P6×P8=0
3)删除同时满足以下条件的边界点:
①2≤N(P1)≤6
②S(P1)=1或B(P1)∈{5,13,20,22,52,54,65,80,133,141}
③P2×P4×P8=0
④P2×P6×P8=0
4)重复上述细化步骤,迭代至没有满足上述条件的点时停止;
所述第6步包括:
设窗口中某点像素坐标为(x,y),移动量为(Δx,Δy),灰度为I,则灰度变化为:
式中窗口函数ω(x,y)用高斯函数表示:
将灰度变化函数泰勒展开并略去高阶项得:
式中
Ix,Iy分别表示图像灰度在x、y方向上的梯度值:
定义角点响应函数:
R=min(λ1,λ2)
式中,λ1和λ2为矩阵M的两个特征值。
当R大于阈值T0且在其邻域内为局部极大值时,则该点为Shi-Tomasi特征角点,并输出其坐标(x′,y′)。
本发明的有益效果是:
本发明所采用的茶叶嫩芽采摘点坐标获取方法,能根据茶叶嫩芽的生长姿态确定采摘点,保证所定位的采摘点坐标都落在茶叶嫩芽的叶柄上,提升了所采摘的茶叶嫩芽的完整度,同时降低了周围环境对其定位的影响,并提高了茶叶嫩芽采摘点定位的精度和效率。
附图说明
图1是本发明的原理图。
图2是本发明实施例拍摄的茶叶照片。
图3是对图2执行本发明第1步骤操作后的效果图。
图4是对图3执行本发明第2步骤操作后的效果图。
图5是对图4执行本发明第3步骤操作后的效果图。
图6是对图5执行本发明第4步骤操作后的效果图。
图7表示图6的其中一个ROI区域内茶叶嫩芽的框图。
图8是对图7的其中一个ROI区域内的茶叶嫩芽执行本发明第5步骤操作后的效果图。
图9是对图8执行本发明第6步骤操作后的效果图;即:输出该交点坐标(x′,y′)并将其标注在图中(图中的白色圆点点)。
图10中的A图为图2(图2为原始照片)中某一茶叶嫩芽放大图。
图10中的B图是对图9执行本发明第7步骤操作后的效果图,将获得的采摘点标注在原图(即图10中的A图)中。图中圆形黑色点表示本发明所标记的采摘点;矩形黑色点表示初次分割轮廓最低点;三角形黑色点表示检测的角点
具体实施方式
以下结合说明书附图所示实施例,对本发明作进一步说明,但本发明并不局限于以下实施例。
一种基于机器视觉的名优茶采摘点位置信息获取方法,依次包括以下步骤:
第1步,对从茶园获取的茶叶图片(图2),对采集的茶叶样本图片用3╳3的卷积核进行高斯滤波除噪(处理后的图片见图3)。
在RGB模型下先获取其图片的G-B分量图,再采用Otsu算法对茶叶嫩芽进行初次分割,然后对其进行腐蚀形态学操作,以滤去因噪声等原因再次产生的细小轮廓;
第2步,为了减少与采摘点无关因素的影响和图像处理的像素数,提高图像处理的实时性,对于图像获取的每一个嫩芽分别设置各自的ROI,在进行采摘点识别时,只以该区域为目标对象;
以茶叶嫩芽轮廓的最低点为中心设置ROI的搜索算法为:
1)遍历图中每个轮廓的边缘点,找到最低点(x0,y0)和最高点(x1,y1);
(3)以list[]中每个轮廓最低点(x0,y0)为中心,设置长度为Roi_L、高度为Roi_H的矩形ROI,其中
式中xmin,ymax分别表示矩形ROI左上角顶点横坐标、纵坐标,xmax,ymin表示矩形ROI右下角顶点横坐标、纵坐标;
结合茶园茶叶嫩芽实例,取xmin=x0-30pixels;xmax=x0+30pixels;ymin=y0-30pixels;ymax=y0+25pixels,可得较为理想的效果;
处理后的图片见图4。
第3步,将RGB色彩空间下的ROI转换到HSV色彩空间,提取嫩芽及其生长点枝条的特征:
1)对HSV空间的ROI分离出H、S、V通道,设定H、S、V通道像素值的上下限,选出嫩芽和枝条所在区域,设置与原图等大的掩码mask:
式中,src表示HSV色彩空间H、S、V通道各像素点的像素值;min表示像素值下限,max表示像素值上限;
结合茶园茶叶嫩芽实例,设各通道的取值范围为:H=[80,150],S=[35,250],V=[35,250],可得较为理想的效果。
2)将RGB空间的ROI和掩码mask,按位与运算提取嫩芽及枝条区域(处理后的图片见图5);
第4步,用Otsu算法对提取的嫩芽及枝条区域进行二次二值化分割(处理后的图片见图6);
第5步,采用改进的Zhang细化算法依次对上步二值化图片中的每一个ROI区域进行细化,提取其骨架,以保留原特征并生成单像素骨架(提取图7中每一个ROI区域,依次执行本发明的第5步操作;参见图7、图8);结果如图8所示;
细化的步骤为:
1)记某一位于二值图像边界的像素点为P1,其周围相邻的的8个像素点按顺时针分别记为P2、P3、P4、P5、P6、P7、P8、P9,P2位于P1正上方;
2)标记同时满足下列条件的边界点:
①2≤N(P1)≤6
②S(P1)=1或B(P1)∈{5,13,20,22,52,54,65,80,133,141}
③P2×P4×P6=0
④P4×P6×P8=0
3)删除同时满足以下条件的边界点:
①2≤N(P1)≤6
②S(P1)=1或B(P1)∈{5,13,20,22,52,54,65,80,133,141}
③P2×P4×P8=0
④P2×P6×P8=0
4)重复上述细化步骤,迭代至没有满足上述条件的点时停止;
第6步,以Shi-Tomasi算法搜索嫩芽和树枝的分叉点作为对细化的骨架检测的特征角点(对图8执行第6步操作,输出该交点坐标(x′,y′)并将其标注在图中(图中的白色圆点点),其结果如图9所示),具体步骤为:
设窗口中某点像素坐标为(x,y),移动量为(Δx,Δy),灰度为I,则灰度变化为:
式中窗口函数ω(x,y)用高斯函数表示:
将灰度变化函数泰勒展开并略去高阶项得:
式中
Ix,Iy分别表示图像灰度在x、y方向上的梯度值:
定义角点响应函数:
R=min(λ1,λ2)
式中λ1和λ2为矩阵M的两个特征值;
当R大于阈值T0且在其邻域内为局部极大值时,则该点为Shi-Tomasi特征角点,并输出其坐标(x′,y′);
第7步:将获得的采摘点标注在原图中,其结果如图10所示(图中圆形黑色点表示本发明所标记的采摘点;矩形黑色点表示初次分割轮廓最低点;三角形黑色点表示检测的角点)。
具体步骤是:将轮廓最低点和角点拟合成直线段,取中心点为采摘点,其坐标为:
式中u,v表示采摘点的横坐标、纵坐标。
Claims (6)
1.一种基于机器视觉的名优茶采摘点位置信息获取方法,依次包括以下步骤:
第1步:从茶园获取的茶叶图片,用3╳3的卷积核对茶叶图片进行高斯滤波除噪:
第2步:为了减少与采摘点无关因素的影响和图像处理的像素数,提高图像处理的实时性,对于图像获取的每一个嫩芽分别设置各自的ROI,在进行采摘点识别时,只以该区域为目标对象;
第3步:将RGB色彩空间下的感兴趣区域(ROI)转换到HSV色彩空间,提取嫩芽及其生长点枝条的特征;
第4步:用Otsu算法对提取的嫩芽及枝条区域进行二次二值化分割;
第5步:采用改进的Zhang细化算法对上步二值化图片进行细化,提取其骨架,以保留原特征并生成单像素骨架;
第6步:以Shi-Tomasi算法搜索嫩芽和树枝的分叉点作为对细化的骨架检测的特征角点;
第7步:将轮廓最低点和角点拟合成直线段,取中心点为采摘点,其坐标为:
式中:u,v表示采摘点的横坐标、纵坐标;
x0,y0表示轮廓最低点的横、纵坐标;
x′,y′表示Shi-Tomasi算法检测出的特征角点横、纵坐标。
2.根据权利要求1所述的一种基于机器视觉的名优茶采摘点位置信息获取方法,其特征在于:所述第1步中,在RGB模型下先获取其图片的G-B分量图,再采用Otsu算法对茶叶嫩芽进行初次分割,然后对其进行腐蚀形态学操作,以滤去因噪声等原因再次产生的细小轮廓。
3.根据权利要求2所述的一种基于机器视觉的名优茶采摘点位置信息获取方法,其特征在于:所述第2步中,以茶叶嫩芽轮廓的最低点为中心设置ROI的搜索算法为:
1)遍历图中每个轮廓的边缘点,找到最低点(x0,y0)和最高点(x1,y1);
3)以list[]中每个轮廓最低点(x0,y0)为中心,设置长度为Roi_L、高度为Roi_H的矩形ROI,其中
式中xmin,ymax分别表示矩形ROI左上角顶点横坐标、纵坐标,xmax,ymin表示矩形ROI右下角顶点横坐标、纵坐标。
5.根据权利要求4所述的一种基于机器视觉的名优茶采摘点位置信息获取方法,其特征在于:所述第5步的细化包括:
1)记某一位于二值图像边界的像素点为P1,其周围相邻的8个像素点按顺时针分别记为P2、P3、P4、P5、P6、P7、P8、P9,P2位于P1正上方;
2)标记同时满足下列条件的边界点:
①2≤N(P1)≤6
②S(P1)=1或B(P1)∈{5,13,20,22,52,54,65,80,133,141}
③P2×P4×P6=0
④P4×P6×P8=0
3)删除同时满足以下条件的边界点:
①2≤N(P1)≤6
②S(P1)=1或B(P1)∈{5,13,20,22,52,54,65,80,133,141}
③P2×P4×P8=0
④P2×P6×P8=0
4)重复上述细化步骤,迭代至没有满足上述条件的点时停止;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110077443.0A CN112861654A (zh) | 2021-01-20 | 2021-01-20 | 一种基于机器视觉的名优茶采摘点位置信息获取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110077443.0A CN112861654A (zh) | 2021-01-20 | 2021-01-20 | 一种基于机器视觉的名优茶采摘点位置信息获取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112861654A true CN112861654A (zh) | 2021-05-28 |
Family
ID=76008319
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110077443.0A Pending CN112861654A (zh) | 2021-01-20 | 2021-01-20 | 一种基于机器视觉的名优茶采摘点位置信息获取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112861654A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113505779A (zh) * | 2021-07-30 | 2021-10-15 | 中国农业科学院都市农业研究所 | 采茶机器人采茶面超声波和视觉融合探测方法及装置 |
CN113761730A (zh) * | 2021-08-27 | 2021-12-07 | 浙江理工大学 | 基于改进差分的茶园四杆中耕机构多目标点轨迹综合方法 |
CN114708208A (zh) * | 2022-03-16 | 2022-07-05 | 杭州电子科技大学 | 一种基于机器视觉的名优茶嫩芽识别与采摘点定位方法 |
-
2021
- 2021-01-20 CN CN202110077443.0A patent/CN112861654A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113505779A (zh) * | 2021-07-30 | 2021-10-15 | 中国农业科学院都市农业研究所 | 采茶机器人采茶面超声波和视觉融合探测方法及装置 |
CN113761730A (zh) * | 2021-08-27 | 2021-12-07 | 浙江理工大学 | 基于改进差分的茶园四杆中耕机构多目标点轨迹综合方法 |
CN113761730B (zh) * | 2021-08-27 | 2023-09-29 | 浙江理工大学 | 基于改进差分的茶园四杆中耕机构多目标点轨迹综合方法 |
CN114708208A (zh) * | 2022-03-16 | 2022-07-05 | 杭州电子科技大学 | 一种基于机器视觉的名优茶嫩芽识别与采摘点定位方法 |
CN114708208B (zh) * | 2022-03-16 | 2023-06-16 | 杭州电子科技大学 | 一种基于机器视觉的名优茶嫩芽识别与采摘点定位方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huang et al. | Individual tree crown detection and delineation from very-high-resolution UAV images based on bias field and marker-controlled watershed segmentation algorithms | |
CN106651872B (zh) | 基于Prewitt算子的路面裂缝识别方法及系统 | |
CN112861654A (zh) | 一种基于机器视觉的名优茶采摘点位置信息获取方法 | |
CN112819094B (zh) | 一种基于结构相似度度量的目标检测与识别方法 | |
CN109191432B (zh) | 基于域变换滤波多尺度分解的遥感图像云检测方法 | |
CN107784669A (zh) | 一种光斑提取及其质心确定的方法 | |
CN112149543B (zh) | 一种基于计算机视觉的建筑扬尘识别系统与方法 | |
CN107154044B (zh) | 一种中餐食物图像的分割方法 | |
CN110175556B (zh) | 基于Sobel算子的遥感图像云检测方法 | |
CN114331986A (zh) | 一种基于无人机视觉的坝体裂纹识别与测量方法 | |
CN111080696A (zh) | 一种基于计算机视觉的水下海参识别及定位方法 | |
CN111325688B (zh) | 融合形态学聚类优化大气光的无人机图像去雾方法 | |
CN111768455A (zh) | 一种基于图像的木材区域和主色提取方法 | |
CN111310771A (zh) | 遥感影像的道路图像提取方法、装置、设备及存储介质 | |
Chaloeivoot et al. | Building detection from terrestrial images | |
CN108205678A (zh) | 一种含有亮斑干扰的铭牌文字识别处理方法 | |
Hua et al. | Image segmentation algorithm based on improved visual attention model and region growing | |
CN114758139A (zh) | 基坑积水检测方法 | |
Rui | Lane line detection technology based on machine vision | |
CN113723314A (zh) | 一种基于YOLOv3算法的甘蔗茎节识别方法 | |
CN112560740A (zh) | 一种基于PCA-Kmeans的可见光遥感影像变化检测方法 | |
CN112634351A (zh) | 一种定位密排货物的平台及其中心定位方法 | |
Abraham et al. | A fuzzy based automatic bridge detection technique for satellite images | |
CN111046726A (zh) | 一种基于ai智能视觉的水下海参识别及定位方法 | |
Ye et al. | Research on Automatic Highway Extraction Technology Based on Spectral Information of Remote Sensing Images. |
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 |