JPH08190623A - 農作物の画像処理測定法 - Google Patents
農作物の画像処理測定法Info
- Publication number
- JPH08190623A JPH08190623A JP7002257A JP225795A JPH08190623A JP H08190623 A JPH08190623 A JP H08190623A JP 7002257 A JP7002257 A JP 7002257A JP 225795 A JP225795 A JP 225795A JP H08190623 A JPH08190623 A JP H08190623A
- Authority
- JP
- Japan
- Prior art keywords
- image
- signals
- signal
- neurocomputer
- cabbage
- 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
Landscapes
- Harvesting Machines For Specific Crops (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
(57)【要約】
【目的】 環境変化への適応性に優れた農作物の画像処
理測定法を提供することを目的とする。 【構成】 撮像手段４によって取り込んだ収穫対象物２
の画像１０を２値化処理し、該得られた２値化画像に基
づいて収穫対象物２を認識する農作物の画像処理測定法
において、上記２値化処理をニューロコンピュータ９を
用いて行なうようにした。
理測定法を提供することを目的とする。 【構成】 撮像手段４によって取り込んだ収穫対象物２
の画像１０を２値化処理し、該得られた２値化画像に基
づいて収穫対象物２を認識する農作物の画像処理測定法
において、上記２値化処理をニューロコンピュータ９を
用いて行なうようにした。
Description
【０００１】
【産業上の利用分野】本発明は、農作物の画像処理測定
法に係り、より詳しくは、収穫作業に際して、ＣＣＤカ
メラなどの撮像手段によって取り込んだ収穫対象物の画
像を２値化処理し、該得られた２値化画像に基づいて収
穫対象物を認識するようにした農作物の画像処理測定法
に関する。
法に係り、より詳しくは、収穫作業に際して、ＣＣＤカ
メラなどの撮像手段によって取り込んだ収穫対象物の画
像を２値化処理し、該得られた２値化画像に基づいて収
穫対象物を認識するようにした農作物の画像処理測定法
に関する。
【０００２】
【従来の技術】従来、屋外に植えられた農作物、例えば
キャベツ、西瓜などの農作物を収穫する場合、図１０に
示すように、トラクタ１のような移動農機で採取するこ
とが行なわれている。このような移動農機を用いた農作
物の収穫に際しては、トラクタ１に搭乗した作業者が収
穫対象物である、例えばキャベツ２の形状、位置、色彩
および大きさなどを直接目で見て識別し、収穫に適して
いると判定した場合には、採取ハンド３を操作してキャ
ベツ２を採取するようにしていた。
キャベツ、西瓜などの農作物を収穫する場合、図１０に
示すように、トラクタ１のような移動農機で採取するこ
とが行なわれている。このような移動農機を用いた農作
物の収穫に際しては、トラクタ１に搭乗した作業者が収
穫対象物である、例えばキャベツ２の形状、位置、色彩
および大きさなどを直接目で見て識別し、収穫に適して
いると判定した場合には、採取ハンド３を操作してキャ
ベツ２を採取するようにしていた。
【０００３】しかしながら、このような人為的なハンド
操作による収穫作業によるときは、採取ハンド３の操作
に熟練を要するため、誤操作を起こし易く、収穫物を損
傷させてしまうという問題がある。
操作による収穫作業によるときは、採取ハンド３の操作
に熟練を要するため、誤操作を起こし易く、収穫物を損
傷させてしまうという問題がある。
【０００４】そこで、上記問題を解消するために、近
時、図１１に示すようなＣＣＤカメラ４、画像処理装置
５、アクチュエータ６、採取ハンド３からなる自動収穫
作業装置をトラクタ１上に搭載し、ＣＣＤカメラ４で撮
影したキャベツ２の撮影画像を画像処理装置５によって
処理してキャベツ２の有無とその収穫の適否を判別し、
収穫に適していると判定された場合には、アクチューエ
ータ６を駆動して採取ハンド３を作動し、キャベツ２を
自動的に採取することが行なわれている。
時、図１１に示すようなＣＣＤカメラ４、画像処理装置
５、アクチュエータ６、採取ハンド３からなる自動収穫
作業装置をトラクタ１上に搭載し、ＣＣＤカメラ４で撮
影したキャベツ２の撮影画像を画像処理装置５によって
処理してキャベツ２の有無とその収穫の適否を判別し、
収穫に適していると判定された場合には、アクチューエ
ータ６を駆動して採取ハンド３を作動し、キャベツ２を
自動的に採取することが行なわれている。
【０００５】上記した従来の自動収穫作業装置で採用さ
れている農作物の画像処理測定法について、図１２のフ
ローチャートを参照して説明する。
れている農作物の画像処理測定法について、図１２のフ
ローチャートを参照して説明する。
【０００６】トラクタ１を圃場の畝７に沿って運転しな
がら、トラクタ１の天蓋８などに取り付けたＣＣＤカメ
ラ４によって畝７上に植えられたキャベツ２を撮影し、
この撮影画像を画像処理装置５に取り込む（ステップＳ
Ｔ１）。そして、画像処理装置５は、この取り込んだ撮
影画像を多値濃度信号にディジタル変換した後（ステッ
プＳＴ２）、所定のしきい値で大小判定することにより
２値化画像に変換する（ステップＳＴ３）。
がら、トラクタ１の天蓋８などに取り付けたＣＣＤカメ
ラ４によって畝７上に植えられたキャベツ２を撮影し、
この撮影画像を画像処理装置５に取り込む（ステップＳ
Ｔ１）。そして、画像処理装置５は、この取り込んだ撮
影画像を多値濃度信号にディジタル変換した後（ステッ
プＳＴ２）、所定のしきい値で大小判定することにより
２値化画像に変換する（ステップＳＴ３）。
【０００７】次いで、平滑化処理によって画像中のノイ
ズ成分を除去した後（ステップＳＴ４）、該２値化画像
からキャベツ２の周囲長、面積、ならびに採取ハンド３
からの距離などを画像計測し（ステップＳＴ５）、この
計測結果からキャベツ２の結球部を抽出するとともに
（ステップＳＴ６）、該キャベツ２の結球部がＸＹＺ座
標のどの位置に存在するか、またこのキャベツを選別収
穫するか否かなどを認識し（ステップＳＴ７）、その結
果に基づいてアクチューエタ６を制御して採取ハンド３
を操作し、キャベツ２を自動的に採取する。
ズ成分を除去した後（ステップＳＴ４）、該２値化画像
からキャベツ２の周囲長、面積、ならびに採取ハンド３
からの距離などを画像計測し（ステップＳＴ５）、この
計測結果からキャベツ２の結球部を抽出するとともに
（ステップＳＴ６）、該キャベツ２の結球部がＸＹＺ座
標のどの位置に存在するか、またこのキャベツを選別収
穫するか否かなどを認識し（ステップＳＴ７）、その結
果に基づいてアクチューエタ６を制御して採取ハンド３
を操作し、キャベツ２を自動的に採取する。
【０００８】
【発明が解決しようとする課題】しかしながら、上記し
た従来の農作物の画像測定方法における色情報による２
値化アルゴリズムは、屋外などの環境が変化する状況下
での精度に問題があり、これに対処するには処理アルゴ
リズムが複雑になり過ぎ、対応が非常に困難であるとい
う問題があった。
た従来の農作物の画像測定方法における色情報による２
値化アルゴリズムは、屋外などの環境が変化する状況下
での精度に問題があり、これに対処するには処理アルゴ
リズムが複雑になり過ぎ、対応が非常に困難であるとい
う問題があった。
【０００９】本発明は、上記のような課題を解消するた
めになされたもので、色情報による２値化処理をニュー
ロコンピュータを用いて行なうことにより、環境変化へ
の適応性に優れた農作物の画像処理測定法を提供するこ
とを目的とする。
めになされたもので、色情報による２値化処理をニュー
ロコンピュータを用いて行なうことにより、環境変化へ
の適応性に優れた農作物の画像処理測定法を提供するこ
とを目的とする。
【００１０】
【課題を解決するための手段】そこで、上記目的を達成
するため、本発明に係る農作物の画像処理測定法は、撮
像手段（４）によって取り込んだ収穫対象物（２）の画
像を２値化処理し、該得られた２値化画像に基づいて収
穫対象物（２）を認識する農作物の画像処理測定法にお
いて、上記２値化処理をニューロコンピュータを用いて
行なうことを特徴とする。
するため、本発明に係る農作物の画像処理測定法は、撮
像手段（４）によって取り込んだ収穫対象物（２）の画
像を２値化処理し、該得られた２値化画像に基づいて収
穫対象物（２）を認識する農作物の画像処理測定法にお
いて、上記２値化処理をニューロコンピュータを用いて
行なうことを特徴とする。
【００１１】なお、好ましくは、上記ニューロコンピュ
ータとして、収穫対象物の画像情報から得られるＲ，
Ｇ，Ｂの三原色信号を入力教師として学習せしめたニュ
ーロコンピュータ（９）を用いる。
ータとして、収穫対象物の画像情報から得られるＲ，
Ｇ，Ｂの三原色信号を入力教師として学習せしめたニュ
ーロコンピュータ（９）を用いる。
【００１２】また、好ましくは、上記ニューロコンピュ
ータとして、収穫対象物の画像情報から得られるＨＬＳ
信号を入力教師として学習せしめたニューロコンピュー
タ（１２）を用いる。
ータとして、収穫対象物の画像情報から得られるＨＬＳ
信号を入力教師として学習せしめたニューロコンピュー
タ（１２）を用いる。
【００１３】さらにまた、好ましくは、上記ニューロコ
ンピュータとして、収穫対象物の画像情報から得られる
ＲＧＢの三原色信号とＨＬＳ信号とを入力教師として学
習せしめたニューロコンピュータ（１３）を用いる。
ンピュータとして、収穫対象物の画像情報から得られる
ＲＧＢの三原色信号とＨＬＳ信号とを入力教師として学
習せしめたニューロコンピュータ（１３）を用いる。
【００１４】
【作用】上記の構成としたので、ニューロコンピュータ
に撮影画像のＲＧＢ信号またはＨＬＳ信号、あるいはＲ
ＧＢ信号とＨＬＳ信号を入力するだけで、環境変化に影
響されることのない正確な２値化処理を行なうことがで
きる。したがって、この２値化処理の結果を用いて収穫
判定を行えば、確実な判別収穫が実現される。
に撮影画像のＲＧＢ信号またはＨＬＳ信号、あるいはＲ
ＧＢ信号とＨＬＳ信号を入力するだけで、環境変化に影
響されることのない正確な２値化処理を行なうことがで
きる。したがって、この２値化処理の結果を用いて収穫
判定を行えば、確実な判別収穫が実現される。
【００１５】なお、入力信号として、ＨＬＳ信号を用い
た場合には、照度変化に対応することのできる明度Ｌが
存在するため、より精度の高い２値化処理が実現され
る。
た場合には、照度変化に対応することのできる明度Ｌが
存在するため、より精度の高い２値化処理が実現され
る。
【００１６】また、入力信号として、ＲＧＢ信号とＨＬ
Ｓ信号を用いた場合には、照度変化に対応することので
きる明度Ｌを扱うとともに、入力信号の数が多いため、
さらに精度の高い２値化処理が実現される。
Ｓ信号を用いた場合には、照度変化に対応することので
きる明度Ｌを扱うとともに、入力信号の数が多いため、
さらに精度の高い２値化処理が実現される。
【００１７】なお、上述の括弧内の符号は、図面を参照
するものであって、本発明の構成を何ら限定するもので
はない。
するものであって、本発明の構成を何ら限定するもので
はない。
【００１８】
【実施例】以下、本発明の実施例を図面に基づいて説明
する。
する。
【００１９】図１に本発明の第１の実施例を示す。
【００２０】この図１は、本発明に係る農作物の画像処
理測定法の２値化処理で使用されるＲＧＢ信号を用いた
ニューロコンピュータの構成例を示す図である。
理測定法の２値化処理で使用されるＲＧＢ信号を用いた
ニューロコンピュータの構成例を示す図である。
【００２１】すなわち、上記ニューロコンピュータ９
は、入力信号としてＲ（赤），Ｇ（緑），Ｂ（青）の三
原色信号を用いたものであり、入力層，中間層、出力層
の三層構造になり、入力層はＲ，Ｇ，Ｂの３つの入力信
号に対応して３個のニューロンＳ１〜Ｓ３が用いられて
いる。
は、入力信号としてＲ（赤），Ｇ（緑），Ｂ（青）の三
原色信号を用いたものであり、入力層，中間層、出力層
の三層構造になり、入力層はＲ，Ｇ，Ｂの３つの入力信
号に対応して３個のニューロンＳ１〜Ｓ３が用いられて
いる。
【００２２】また、中間層は３個のニューロンＡ１〜Ａ
３から構成され、出力層は１個のニューロンＲから構成
されている。各ニューロン間を結ぶシナプスの結合荷重
は、後述する学習によって最適な値に設定されている。
３から構成され、出力層は１個のニューロンＲから構成
されている。各ニューロン間を結ぶシナプスの結合荷重
は、後述する学習によって最適な値に設定されている。
【００２３】上記ニューロコンピュータ９は、入力信号
としてＲ，Ｇ，Ｂの三原色信号を与えることにより、Ｒ
ＧＢ信号のパターンに応じて１または０の２値化信号を
出力するもので、出力層のニューロンＲは、２値化処理
を行うためのしきい値ｈを備えており、ニューロ実行結
果をこのしきい値ｈで２値化することにより、ＲＧＢ入
力信号パターンに応じた１または０の２値化信号を出力
する。
としてＲ，Ｇ，Ｂの三原色信号を与えることにより、Ｒ
ＧＢ信号のパターンに応じて１または０の２値化信号を
出力するもので、出力層のニューロンＲは、２値化処理
を行うためのしきい値ｈを備えており、ニューロ実行結
果をこのしきい値ｈで２値化することにより、ＲＧＢ入
力信号パターンに応じた１または０の２値化信号を出力
する。
【００２４】図２に、上記ニューロコンピュータ９のた
めのＲＧＢ入力教師信号と出力教師信号の例を示す。Ｒ
ＧＢ入力教師信号としては、図１に示すように、ＣＣＤ
カメラ４で撮影した収穫対象物たるキャベツ２の撮影画
像１０基に、この撮影画像中の各部のＲＧＢ信号、例え
ばキャベツ２の結球部２ａのＲＧＢ信号、外葉部２ｂの
ＲＧＢ信号、土部１１のＲＧＢ信号、その他の部分のＲ
ＧＢ信号を抽出する。このような教師信号を異なる環境
における撮影画像から多数収集する。
めのＲＧＢ入力教師信号と出力教師信号の例を示す。Ｒ
ＧＢ入力教師信号としては、図１に示すように、ＣＣＤ
カメラ４で撮影した収穫対象物たるキャベツ２の撮影画
像１０基に、この撮影画像中の各部のＲＧＢ信号、例え
ばキャベツ２の結球部２ａのＲＧＢ信号、外葉部２ｂの
ＲＧＢ信号、土部１１のＲＧＢ信号、その他の部分のＲ
ＧＢ信号を抽出する。このような教師信号を異なる環境
における撮影画像から多数収集する。
【００２５】そして、これら収集したＲＧＢ入力教師信
号を図１に示すように入力層のニューロンＳ１〜Ｓ３に
与え、その時に出力層のニューロンＲから出力される出
力信号が出力教師信号と一致するように、バックプロパ
ゲーション則（誤差逆伝播学習則）などの学習則を用い
て学習させ、各ニューロン間のシナプス結合荷重を決定
する。
号を図１に示すように入力層のニューロンＳ１〜Ｓ３に
与え、その時に出力層のニューロンＲから出力される出
力信号が出力教師信号と一致するように、バックプロパ
ゲーション則（誤差逆伝播学習則）などの学習則を用い
て学習させ、各ニューロン間のシナプス結合荷重を決定
する。
【００２６】このようにして学習したニューロコンピュ
ータ９を用いて、収穫作業時、ＣＣＤカメラ４で撮影し
たキャベツ２の画像を２値化処理することにより、あら
ゆる環境下において、キャベツ２の結球部２ａ部分だけ
を正確に抽出することができる。
ータ９を用いて、収穫作業時、ＣＣＤカメラ４で撮影し
たキャベツ２の画像を２値化処理することにより、あら
ゆる環境下において、キャベツ２の結球部２ａ部分だけ
を正確に抽出することができる。
【００２７】上記ＲＧＢ信号を用いたニューロコンピュ
ータ９による実際の２値化処理例を図３に示す。
ータ９による実際の２値化処理例を図３に示す。
【００２８】図３（Ａ）は、収穫作業に際してＣＣＤカ
メラ４で撮影したキャベツ２の画像中の結球部２ｂ、外
葉部２ｂ、土部１１などの各部のＲＧＢ信号の値をレベ
ル０〜レベル２５５の２５６階調（８ビット）で表した
生のＲＧＢデータである。
メラ４で撮影したキャベツ２の画像中の結球部２ｂ、外
葉部２ｂ、土部１１などの各部のＲＧＢ信号の値をレベ
ル０〜レベル２５５の２５６階調（８ビット）で表した
生のＲＧＢデータである。
【００２９】図３（Ｂ）は、ニューロコンピュータ９に
入力するために、上記図３（Ａ）のデータを正規化した
ものである。レベル２５５を１として正規化されてい
る。
入力するために、上記図３（Ａ）のデータを正規化した
ものである。レベル２５５を１として正規化されてい
る。
【００３０】図３（Ｃ）は、図３（Ｂ）の正規化したＲ
ＧＢデータをニューロコンピュータ９の入力層のニュー
ロンＳ１〜Ｓ３に与えた時に、出力層のニューロンＲで
得られる２値化前のニューロ実行結果である。
ＧＢデータをニューロコンピュータ９の入力層のニュー
ロンＳ１〜Ｓ３に与えた時に、出力層のニューロンＲで
得られる２値化前のニューロ実行結果である。
【００３１】図３（Ｄ）は、図３（Ｃ）のニューロ実行
結果を例えばしきい値ｈ＝０．５で２値化した結果であ
る。この処理結果を見れば明らかなように、キャベツ２
の結球部２ａのみが出力１、外葉部２ｂや土部などのそ
の他の部分はすべて出力０となっており、極めて精度良
くキャベツ２の結球部２ｂのみを抽出していることが分
かる。
結果を例えばしきい値ｈ＝０．５で２値化した結果であ
る。この処理結果を見れば明らかなように、キャベツ２
の結球部２ａのみが出力１、外葉部２ｂや土部などのそ
の他の部分はすべて出力０となっており、極めて精度良
くキャベツ２の結球部２ｂのみを抽出していることが分
かる。
【００３２】図４に本発明の第２の実施例を示す。
【００３３】この図４は、本発明に係る農作物の画像処
理測定法の２値化処理で使用されるＨＬＳ信号を用いた
ニューロコンピュータの構成例を示す図である。
理測定法の２値化処理で使用されるＨＬＳ信号を用いた
ニューロコンピュータの構成例を示す図である。
【００３４】すなわち、上記ニューロコンピュータ１２
は、入力信号として色相角度（Ｈ），明度（Ｌ），彩度
（Ｓ）の３つの信号を用いたものであり、入力層，中間
層、出力層の三層構造になり、入力層はＨ，Ｌ，Ｓの３
つの入力信号に対応して３個のニューロンＳ１〜Ｓ３が
用いられている。
は、入力信号として色相角度（Ｈ），明度（Ｌ），彩度
（Ｓ）の３つの信号を用いたものであり、入力層，中間
層、出力層の三層構造になり、入力層はＨ，Ｌ，Ｓの３
つの入力信号に対応して３個のニューロンＳ１〜Ｓ３が
用いられている。
【００３５】また、中間層は３個のニューロンＡ１〜Ａ
３から構成され、出力層は１個のニューロンＲから構成
されている。各ニューロン間を結ぶシナプスの結合荷重
は、後述する学習によって最適な値に設定されている。
３から構成され、出力層は１個のニューロンＲから構成
されている。各ニューロン間を結ぶシナプスの結合荷重
は、後述する学習によって最適な値に設定されている。
【００３６】上記ニューロコンピュータ１２は、入力信
号としてＨ，Ｌ，Ｓの３つの信号を与えることにより、
ＨＬＳ信号のパターンに応じて１または０の２値化信号
を出力するもので、出力層のニューロンＲは、２値化処
理を行うためのしきい値ｈを備えており、ニューロ実行
結果をこのしきい値ｈで２値化することにより、ＨＬＳ
入力信号パターンに応じた１または０の２値化信号を出
力する。
号としてＨ，Ｌ，Ｓの３つの信号を与えることにより、
ＨＬＳ信号のパターンに応じて１または０の２値化信号
を出力するもので、出力層のニューロンＲは、２値化処
理を行うためのしきい値ｈを備えており、ニューロ実行
結果をこのしきい値ｈで２値化することにより、ＨＬＳ
入力信号パターンに応じた１または０の２値化信号を出
力する。
【００３７】このＨＬＳ信号を入力信号として用いた場
合、ＣＣＤカメラ４からの取り込み画像に直接影響する
明度（Ｈ）を用いているので、環境の照度変化に幅広く
対応することができ、２値化処理の精度をより向上させ
ることができる。
合、ＣＣＤカメラ４からの取り込み画像に直接影響する
明度（Ｈ）を用いているので、環境の照度変化に幅広く
対応することができ、２値化処理の精度をより向上させ
ることができる。
【００３８】なお、ＣＣＤカメラ４から出力される映像
信号はＲＧＢの三原色信号であるが、ＨＬＳ信号はこの
ＲＧＢ信号から下記のようにして計算で求めることがで
きる。
信号はＲＧＢの三原色信号であるが、ＨＬＳ信号はこの
ＲＧＢ信号から下記のようにして計算で求めることがで
きる。
【００３９】すなわち、 （１） まず、ＲＧＢ値（０〜２５５）を０〜１の値に
正規化する。 （２） この正規化したＲＧＢ値の中のＭＡＸ（最大
値）とＭＩＮ（最小値）を検出する。 （３） これより、Ｌ（明度）は Ｌ＝（ＭＡＸ＋ＭＩＮ）／２ （４） （ＭＡＸ−ＭＩＮ）＝ｃｄとすると、Ｓ（彩
度）は ｃｄ＝０の時 → Ｓ＝０、Ｈ＝０ Ｌ≦０．５の時 → Ｓ＝ｃｄ／（ＭＡＸ＋ＭＩＮ） Ｌ＞０．５の時 → Ｓ＝ｃｄ／｛２−（ＭＡＸ＋ＭＩ
Ｎ）｝ （５） また、 ＭＡＸ＝Ｒの時 → Ｈ′＝（Ｇ−Ｂ）／ｃｄ ＭＡＸ＝Ｇの時 → Ｈ′＝２＋（Ｂ−Ｒ）／ｃｄ ＭＡＸ＝Ｂの時 → Ｈ′＝４＋（Ｒ−Ｇ）／ｃｄ （６） これより、Ｈ（色相角度）は Ｈ＝Ｈ′×６０ もし、Ｈ＜０ならば、Ｈ＝Ｈ＋３６０とする。
正規化する。 （２） この正規化したＲＧＢ値の中のＭＡＸ（最大
値）とＭＩＮ（最小値）を検出する。 （３） これより、Ｌ（明度）は Ｌ＝（ＭＡＸ＋ＭＩＮ）／２ （４） （ＭＡＸ−ＭＩＮ）＝ｃｄとすると、Ｓ（彩
度）は ｃｄ＝０の時 → Ｓ＝０、Ｈ＝０ Ｌ≦０．５の時 → Ｓ＝ｃｄ／（ＭＡＸ＋ＭＩＮ） Ｌ＞０．５の時 → Ｓ＝ｃｄ／｛２−（ＭＡＸ＋ＭＩ
Ｎ）｝ （５） また、 ＭＡＸ＝Ｒの時 → Ｈ′＝（Ｇ−Ｂ）／ｃｄ ＭＡＸ＝Ｇの時 → Ｈ′＝２＋（Ｂ−Ｒ）／ｃｄ ＭＡＸ＝Ｂの時 → Ｈ′＝４＋（Ｒ−Ｇ）／ｃｄ （６） これより、Ｈ（色相角度）は Ｈ＝Ｈ′×６０ もし、Ｈ＜０ならば、Ｈ＝Ｈ＋３６０とする。
【００４０】図５に、上記ニューロコンピュータ１２の
ためのＨＬＳ入力教師信号と出力教師信号の例を示す。
このような教師信号を異なる環境における撮影画像から
多数収集する。
ためのＨＬＳ入力教師信号と出力教師信号の例を示す。
このような教師信号を異なる環境における撮影画像から
多数収集する。
【００４１】そして、これら収集したＨＬＳ入力教師信
号を図４に示すように入力層のニューロンＳ１〜Ｓ３に
与え、その時に出力層のニューロンＲから出力される出
力信号が出力教師信号と一致するように、各ニューロン
間のシナプス結合荷重を決定する。
号を図４に示すように入力層のニューロンＳ１〜Ｓ３に
与え、その時に出力層のニューロンＲから出力される出
力信号が出力教師信号と一致するように、各ニューロン
間のシナプス結合荷重を決定する。
【００４２】このようにして学習したニューロコンピュ
ータ１２を用いて、収穫作業時、ＣＣＤカメラ４で撮影
したキャベツ２の画像を２値化処理することにより、あ
らゆる環境下において、キャベツ２の結球部２ａ部分だ
けを正確に抽出することができる。
ータ１２を用いて、収穫作業時、ＣＣＤカメラ４で撮影
したキャベツ２の画像を２値化処理することにより、あ
らゆる環境下において、キャベツ２の結球部２ａ部分だ
けを正確に抽出することができる。
【００４３】上記ＨＬＳ信号を用いたニューロコンピュ
ータ１２による実際の２値化処理例を図６に示す。
ータ１２による実際の２値化処理例を図６に示す。
【００４４】図６（Ａ）は、収穫作業に際してＣＣＤカ
メラ４で撮影したキャベツ２の画像中の結球部２ｂ、外
葉部２ｂ、土部１１などの各部のＨＬＳ信号の生の値を
示すものである。このＨＬＳデータは、図３（Ａ）のＲ
ＧＢデータを上記計算式によってＨＬＳ変換したもので
ある。Ｈ信号は０°〜３６０°の値、Ｌ信号およびＳ信
号は０〜１の値となっている。
メラ４で撮影したキャベツ２の画像中の結球部２ｂ、外
葉部２ｂ、土部１１などの各部のＨＬＳ信号の生の値を
示すものである。このＨＬＳデータは、図３（Ａ）のＲ
ＧＢデータを上記計算式によってＨＬＳ変換したもので
ある。Ｈ信号は０°〜３６０°の値、Ｌ信号およびＳ信
号は０〜１の値となっている。
【００４５】図６（Ｂ）は、ニューロコンピュータ１２
に入力するために、上記図６（Ａ）のＨＬＳデータを正
規化したものである。Ｈ信号は３６０°を１として正規
化されている。なお、Ｌ，Ｓ信号は、もともと０〜１の
値であるので、正規化は不要である。
に入力するために、上記図６（Ａ）のＨＬＳデータを正
規化したものである。Ｈ信号は３６０°を１として正規
化されている。なお、Ｌ，Ｓ信号は、もともと０〜１の
値であるので、正規化は不要である。
【００４６】図６（Ｃ）は、図６（Ｂ）の正規化したＨ
ＬＳデータを入力層のニューロンＳ１〜Ｓ３に与えた時
に、出力層のニューロンＲで得られる２値化前のニュー
ロ実行結果である。
ＬＳデータを入力層のニューロンＳ１〜Ｓ３に与えた時
に、出力層のニューロンＲで得られる２値化前のニュー
ロ実行結果である。
【００４７】図６（Ｄ）は、図６（Ｃ）のニューロ実行
結果を例えばしきい値ｈ＝０．５で２値化した結果であ
る。この処理結果を見れば明らかなように、キャベツ２
の結球部２ａのみが出力１、外葉部２ｂや土部などのそ
の他の部分はすべて出力０となっており、極めて精度良
くキャベツ２の結球部２ｂのみを抽出していることが分
かる。
結果を例えばしきい値ｈ＝０．５で２値化した結果であ
る。この処理結果を見れば明らかなように、キャベツ２
の結球部２ａのみが出力１、外葉部２ｂや土部などのそ
の他の部分はすべて出力０となっており、極めて精度良
くキャベツ２の結球部２ｂのみを抽出していることが分
かる。
【００４８】また、上記図６（Ｃ）と図３（Ｃ）のニュ
ーロ実行結果とを比較すると明らかなように、図６
（Ｃ）は照度変化に対応する明度Ｌを用いているため、
図３（Ｃ）のＲＧＢ信号を用いた場合よりも２値化の精
度が向上していることが分かる。図７に本発明の第３の
実施例を示す。
ーロ実行結果とを比較すると明らかなように、図６
（Ｃ）は照度変化に対応する明度Ｌを用いているため、
図３（Ｃ）のＲＧＢ信号を用いた場合よりも２値化の精
度が向上していることが分かる。図７に本発明の第３の
実施例を示す。
【００４９】この図７は、本発明に係る農作物の画像処
理測定法の２値化処理で使用されるＲＧＢ信号とＨＬＳ
信号を用いたニューロコンピュータの構成例を示す図で
ある。
理測定法の２値化処理で使用されるＲＧＢ信号とＨＬＳ
信号を用いたニューロコンピュータの構成例を示す図で
ある。
【００５０】すなわち、上記ニューロコンピュータ１３
は、入力信号として、ＲＧＢ＋ＨＬＳの計６つの入力信
号を用いたもので、入力層，中間層、出力層の三層構造
になり、入力層はＲ，Ｇ，Ｂ，Ｈ，Ｌ，Ｓの６つの入力
信号に対応して６個のニューロンＳ１〜Ｓ６が用いられ
ている。
は、入力信号として、ＲＧＢ＋ＨＬＳの計６つの入力信
号を用いたもので、入力層，中間層、出力層の三層構造
になり、入力層はＲ，Ｇ，Ｂ，Ｈ，Ｌ，Ｓの６つの入力
信号に対応して６個のニューロンＳ１〜Ｓ６が用いられ
ている。
【００５１】また、中間層は３個のニューロンＡ１〜Ａ
３から構成され、出力層は１個のニューロンＲから構成
されている。各ニューロン間を結ぶシナプスの結合荷重
は、後述する学習によって最適な値に設定されている。
３から構成され、出力層は１個のニューロンＲから構成
されている。各ニューロン間を結ぶシナプスの結合荷重
は、後述する学習によって最適な値に設定されている。
【００５２】上記ニューロコンピュータ１２は、入力信
号としてＨ，Ｌ，Ｓの３つの信号を与えることにより、
ＨＬＳ信号のパターンに応じて１または０の２値化信号
を出力するもので、出力層のニューロンＲは、２値化処
理を行うためのしきい値ｈを備えており、ニューロ実行
結果をこのしきい値ｈで２値化することにより、ＨＬＳ
入力信号パターンに応じた１または０の２値化信号を出
力する。
号としてＨ，Ｌ，Ｓの３つの信号を与えることにより、
ＨＬＳ信号のパターンに応じて１または０の２値化信号
を出力するもので、出力層のニューロンＲは、２値化処
理を行うためのしきい値ｈを備えており、ニューロ実行
結果をこのしきい値ｈで２値化することにより、ＨＬＳ
入力信号パターンに応じた１または０の２値化信号を出
力する。
【００５３】このＲＧＢ＋ＨＬＳの６つの信号を用いた
場合、環境変化に対してさらに良好に対応することがで
き、２値化処理の精度をさらに向上させることができ
る。
場合、環境変化に対してさらに良好に対応することがで
き、２値化処理の精度をさらに向上させることができ
る。
【００５４】図８に、上記ニューロコンピュータ１３の
ためのＲＧＢ＋ＨＬＳ入力教師信号と出力教師信号の例
を示す。このような教師信号を異なる環境における撮影
画像から多数収集する。
ためのＲＧＢ＋ＨＬＳ入力教師信号と出力教師信号の例
を示す。このような教師信号を異なる環境における撮影
画像から多数収集する。
【００５５】そして、これら収集したＲＧＢ，ＨＬＳ入
力教師信号を図７に示すように入力層のニューロンＳ１
〜Ｓ６に与え、その時に出力層のニューロンＲから出力
される出力信号が出力教師信号と一致するように、各ニ
ューロン間のシナプス結合荷重を決定する。
力教師信号を図７に示すように入力層のニューロンＳ１
〜Ｓ６に与え、その時に出力層のニューロンＲから出力
される出力信号が出力教師信号と一致するように、各ニ
ューロン間のシナプス結合荷重を決定する。
【００５６】このようにして学習したニューロコンピュ
ータ１３を用いて、収穫作業時、ＣＣＤカメラ４で撮影
したキャベツ２の画像を２値化処理することにより、あ
らゆる環境下において、キャベツ２の結球部２ａ部分だ
けを正確に抽出することができる。
ータ１３を用いて、収穫作業時、ＣＣＤカメラ４で撮影
したキャベツ２の画像を２値化処理することにより、あ
らゆる環境下において、キャベツ２の結球部２ａ部分だ
けを正確に抽出することができる。
【００５７】上記ＲＧＢ＋ＨＬＳ信号を用いたニューロ
コンピュータ１３による実際の２値化処理例を図９に示
す。
コンピュータ１３による実際の２値化処理例を図９に示
す。
【００５８】図９（Ａ）は、図３（Ｂ）のＲＧＢデータ
と図６（Ｂ）のＨＬＳデータを同時に入力層のニューロ
ンＳ１〜Ｓ６に与えた時に、出力層のニューロンＲで得
られる２値化前のニューロ実行結果である。
と図６（Ｂ）のＨＬＳデータを同時に入力層のニューロ
ンＳ１〜Ｓ６に与えた時に、出力層のニューロンＲで得
られる２値化前のニューロ実行結果である。
【００５９】図９（Ｂ）は、図９（Ａ）のニューロ実行
結果を例えばしきい値ｈ＝０．５で２値化した結果であ
る。この処理結果を見れば明らかなように、キャベツ２
の結球部２ａのみが出力１、外葉部２ｂや土部などのそ
の他の部分はすべて出力０となっており、極めて精度良
くキャベツ２の結球部２ｂのみを正確に抽出しているこ
とが分かる。
結果を例えばしきい値ｈ＝０．５で２値化した結果であ
る。この処理結果を見れば明らかなように、キャベツ２
の結球部２ａのみが出力１、外葉部２ｂや土部などのそ
の他の部分はすべて出力０となっており、極めて精度良
くキャベツ２の結球部２ｂのみを正確に抽出しているこ
とが分かる。
【００６０】また、上記図９（Ａ）のニューロ実行結果
と、図３（Ｃ）および図６（Ｃ）のニューロ実行結果と
を比較すると明らかなように、ＲＧＢ＋ＨＬＳの６つの
入力信号を用いた場合は、照度変化に対応できる明度Ｌ
を用いているとともに、入力信号の数が増えているた
め、ＲＧＢ信号とＨＬＳ信号をそれぞれ単独で用いた場
合に比べて２値化の精度が極めて高くなっていることが
分かる。
と、図３（Ｃ）および図６（Ｃ）のニューロ実行結果と
を比較すると明らかなように、ＲＧＢ＋ＨＬＳの６つの
入力信号を用いた場合は、照度変化に対応できる明度Ｌ
を用いているとともに、入力信号の数が増えているた
め、ＲＧＢ信号とＨＬＳ信号をそれぞれ単独で用いた場
合に比べて２値化の精度が極めて高くなっていることが
分かる。
【００６１】なお、前記実施例は、いずれも、ニューロ
コンピュータの中間層を一層としたが、中間層を多層構
成としてもよいものである。中間層を多層構成とすれ
ば、学習に時間を費やすが、ニューロ実行結果はより正
確なものとなる。
コンピュータの中間層を一層としたが、中間層を多層構
成としてもよいものである。中間層を多層構成とすれ
ば、学習に時間を費やすが、ニューロ実行結果はより正
確なものとなる。
【００６２】
【発明の効果】以上の説明から明らかなように、本発明
に係る農作物の画像処理測定法によれば、２値化処理を
ニューロコンピュータを用いて行なうようにしたので、
色情報による２値化処理の精度を向上することができ、
環境変化への適応性に優れた農作物の画像処理測定法を
提供することができる。
に係る農作物の画像処理測定法によれば、２値化処理を
ニューロコンピュータを用いて行なうようにしたので、
色情報による２値化処理の精度を向上することができ、
環境変化への適応性に優れた農作物の画像処理測定法を
提供することができる。
【００６３】また、従来よりも２値化処理の精度が向上
するので、より確実な収穫判定を実現することができる
とともに、従来のように環境の変化に応じて２値化アル
ゴリズムを変更必要がないので、ソフトウェアの開発効
率を上げることができる。
するので、より確実な収穫判定を実現することができる
とともに、従来のように環境の変化に応じて２値化アル
ゴリズムを変更必要がないので、ソフトウェアの開発効
率を上げることができる。
【００６４】また、ＨＬＳ信号によって学習したニュー
ロコンピュータを用いた場合、照度変化に対応すること
のできる明度Ｌを用いて処理が行われるため、２値化の
精度をより向上することができる。
ロコンピュータを用いた場合、照度変化に対応すること
のできる明度Ｌを用いて処理が行われるため、２値化の
精度をより向上することができる。
【００６５】さらに、ＨＬＳ信号とＲＧＢ信号によって
学習したニューロコンピュータを用いた場合、照度変化
に対応することのできる明度Ｌを用いるとともに、入力
信号の数も増えるため、２値化の精度をさらに高めるこ
とができる。
学習したニューロコンピュータを用いた場合、照度変化
に対応することのできる明度Ｌを用いるとともに、入力
信号の数も増えるため、２値化の精度をさらに高めるこ
とができる。
【図１】本発明に係る農作物の画像処理測定法の２値化
処理で使用されるＲＧＢ信号を用いたニューロコンピュ
ータの構成例を示す図である。
処理で使用されるＲＧＢ信号を用いたニューロコンピュ
ータの構成例を示す図である。
【図２】ＲＧＢ信号の教師項目の例を示す図である。
【図３】図１のニューロコンピュータによる２値化実測
結果を示す図である。
結果を示す図である。
【図４】本発明に係る農作物の画像処理測定法の２値化
処理で使用されるＨＬＳ信号を用いたニューロコンピュ
ータの構成例を示す図である。
処理で使用されるＨＬＳ信号を用いたニューロコンピュ
ータの構成例を示す図である。
【図５】ＨＬＳ信号の教師項目の例を示す図である。
【図６】図４のニューロコンピュータによる２値化実測
結果を示す図である。
結果を示す図である。
【図７】本発明に係る農作物の画像処理測定法の２値化
処理で使用されるＲＧＢ信号とＨＬＳ信号を用いたニュ
ーロコンピュータの構成例を示す図である。
処理で使用されるＲＧＢ信号とＨＬＳ信号を用いたニュ
ーロコンピュータの構成例を示す図である。
【図８】ＲＧＢ信号とＨＬＳ信号の教師項目の例を示す
図である。
図である。
【図９】図７のニューロコンピュータによる２値化実測
結果を示す図である。
結果を示す図である。
【図１０】従来の自動収穫作業装置を搭載したトラクタ
の概略構成図である。
の概略構成図である。
【図１１】同上自動収穫作業装置の回路ブロック図であ
る。
る。
【図１２】同上従来例の画像処理動作のフローチャート
である。
である。
１ トラクタ ２ キャベツ（収穫対象物） ２ａ キャベツの結球部 ２ｂ キャベツの外葉部 ３ 採取ハンド ４ ＣＣＤカメラ（撮像手段） ５ 画像処理装置 ９ ニューロコンピュータ（ＲＧＢ信号用） １０ 撮影画像 １１ 土部 １２ ニューロコンピュータ（ＨＬＳ信号用） １３ ニューロコンピュータ（ＲＧＢ＋ＨＬＳ信号
用）
用）
───────────────────────────────────────────────────── フロントページの続き (51)Int.Cl.6 識別記号 庁内整理番号 ＦＩ 技術表示箇所 Ｇ０６Ｔ 7/00
Claims (4)
- 【請求項１】 撮像手段によって取り込んだ収穫対象物
の画像を２値化処理し、該得られた２値化画像に基づい
て収穫対象物を認識する農作物の画像処理測定法におい
て、 上記２値化処理をニューロコンピュータを用いて行なう
ことを特徴とする農作物の画像処理測定法。 - 【請求項２】 上記ニューロコンピュータとして、収穫
対象物の画像情報から得られるＲ（赤），Ｇ（緑），Ｂ
（青）の三原色信号を入力教師として学習せしめたニュ
ーロコンピュータを用いたことを特徴とする請求項１記
載の農作物の画像処理測定法。 - 【請求項３】 上記ニューロコンピュータとして、収穫
対象物の画像情報から得られる色相角度（Ｈ），明度
（Ｌ），彩度（Ｓ）のＨＬＳ信号を入力教師として学習
せしめたニューロコンピュータを用いたことを特徴とす
る請求項１記載の農作物の画像処理測定法。 - 【請求項４】 上記ニューロコンピュータとして、収穫
対象物の画像情報から得られるＲ（赤），Ｇ（緑），Ｂ
（青）の三原色信号と色相角度（Ｈ），明度（Ｌ），彩
度（Ｓ）のＨＬＳ信号とを入力教師として学習せしめた
ニューロコンピュータを用いたことを特徴とする請求項
１記載の農作物の画像処理測定法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP7002257A JPH08190623A (ja) | 1995-01-10 | 1995-01-10 | 農作物の画像処理測定法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP7002257A JPH08190623A (ja) | 1995-01-10 | 1995-01-10 | 農作物の画像処理測定法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH08190623A true JPH08190623A (ja) | 1996-07-23 |
Family
ID=11524317
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP7002257A Pending JPH08190623A (ja) | 1995-01-10 | 1995-01-10 | 農作物の画像処理測定法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH08190623A (ja) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6218905B1 (ja) * | 2016-09-20 | 2017-10-25 | マイコム株式会社 | 野菜自動収穫装置 |
| JP2018169993A (ja) * | 2017-03-29 | 2018-11-01 | 西日本電信電話株式会社 | 結果予測装置、結果予測方法、及びプログラム |
| JP2020188735A (ja) * | 2019-05-23 | 2020-11-26 | 訓子府機械工業株式会社 | 玉葱収穫用作業機及び玉葱収穫作業方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH05266190A (ja) * | 1992-03-17 | 1993-10-15 | Sony Corp | 色識別装置 |
| JPH06176159A (ja) * | 1992-12-10 | 1994-06-24 | Nec Corp | カラー画像対応型物体認識装置 |
| JPH06261622A (ja) * | 1993-03-10 | 1994-09-20 | Iseki & Co Ltd | 果菜収穫ロボット等の視覚装置 |
| JPH06318244A (ja) * | 1993-05-10 | 1994-11-15 | Toshiba Eng Co Ltd | 画像処理装置およびこの装置を用いた牛枝肉格付システム |
-
1995
- 1995-01-10 JP JP7002257A patent/JPH08190623A/ja active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH05266190A (ja) * | 1992-03-17 | 1993-10-15 | Sony Corp | 色識別装置 |
| JPH06176159A (ja) * | 1992-12-10 | 1994-06-24 | Nec Corp | カラー画像対応型物体認識装置 |
| JPH06261622A (ja) * | 1993-03-10 | 1994-09-20 | Iseki & Co Ltd | 果菜収穫ロボット等の視覚装置 |
| JPH06318244A (ja) * | 1993-05-10 | 1994-11-15 | Toshiba Eng Co Ltd | 画像処理装置およびこの装置を用いた牛枝肉格付システム |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6218905B1 (ja) * | 2016-09-20 | 2017-10-25 | マイコム株式会社 | 野菜自動収穫装置 |
| JP2018046752A (ja) * | 2016-09-20 | 2018-03-29 | マイコム株式会社 | 野菜自動収穫装置 |
| JP2018169993A (ja) * | 2017-03-29 | 2018-11-01 | 西日本電信電話株式会社 | 結果予測装置、結果予測方法、及びプログラム |
| JP2020188735A (ja) * | 2019-05-23 | 2020-11-26 | 訓子府機械工業株式会社 | 玉葱収穫用作業機及び玉葱収穫作業方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Vishnoi et al. | Plant disease detection using computational intelligence and image processing | |
| Yadav et al. | Identification of disease using deep learning and evaluation of bacteriosis in peach leaf | |
| El-Faki et al. | Weed detection using color machine vision | |
| Jeyalakshmi et al. | A REVIEW ON DIAGNOSIS OF NUTRIENT DEFICIENCY SYMPTOMS IN PLANT LEAF IMAGE USING DIGITAL IMAGE PROCESSING. | |
| Paliwal et al. | Image processing-based intelligent robotic system for assistance of agricultural crops | |
| Sabrol et al. | Recent studies of image and soft computing techniques for plant disease recognition and classification | |
| CN112257702A (zh) | 一种基于增量学习的农作物病害识别方法 | |
| Sarayloo et al. | Designing a classifier for automatic detection of fungal diseases in wheat plant: By pattern recognition techniques | |
| Kurniawati et al. | Texture analysis for diagnosing paddy disease | |
| Wijesingha et al. | Automatic detection system for the identification of plants using herbarium specimen images | |
| CN113569922A (zh) | 一种苹果智能无损分拣的方法 | |
| Jitanan et al. | Quality grading of soybean seeds using image analysis | |
| Abdullakasım et al. | An images analysis technique for recognition of brown leaf spot disease in cassava | |
| Firdous et al. | Deep convolutional neural network-based framework for apple leaves disease detection | |
| Lavanya et al. | Deep Learning For Identification Of Plantnutrient Deficiencies | |
| Akshitha et al. | Paddy crop disease detection using deep learning techniques | |
| JPH08190623A (ja) | 農作物の画像処理測定法 | |
| Nooraiyeen | Robotic vehicle for automated detection of leaf diseases | |
| Poonguzhali et al. | Crop condition assessment using machine learning | |
| CN111612797A (zh) | 一种水稻图像信息处理系统 | |
| Abdullah et al. | A portable rice disease diagnosis tool basedon bi-level color image thresholding | |
| CN106737870A (zh) | 一种散热性能良好的剧场机器人散热平台 | |
| Biswas et al. | A novel inspection of paddy leaf disease classification using advance image processing techniques | |
| CN109754003B (zh) | 基于深度学习的智能机器人视觉技术应用检测系统和方法 | |
| CN112507952A (zh) | 自适应人体测温区域筛选方法及额头无遮挡区域提取方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20040309 |