检索结果-南通市图书馆

基于两级分割与区域标记梯度Hough圆变换的苹果识别

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

农业工程学报 2022年第19期38卷 110-121页

作者：张彦斐刘茗洋宫金良兰玉彬山东理工大学农业工程与食品科学学院淄博255049 山东理工大学机械工程学院淄博255049

自然环境下果实的准确分割与快速识别是采摘机器人作业面临的难题之一。针对自然环境中的成熟苹果,该研究提出一种基于Otsu与分水岭相结合的两级分割算法与区域标记梯度Hough圆变换的苹果识别方法。首先,使用亮度自适应校正算法对表面... 详细信息

自然环境下果实的准确分割与快速识别是采摘机器人作业面临的难题之一。针对自然环境中的成熟苹果,该研究提出一种基于Otsu与分水岭相结合的两级分割算法与区域标记梯度Hough圆变换的苹果识别方法。首先,使用亮度自适应校正算法对表面亮度分布不均的苹果图像进行校正,增强图像的细节信息。结合果实颜色特征,提取YCbCr颜色空间的Cr分量图像作为预处理样本。然后,采用改进后的Otsu算法进行初次分割,得到苹果目标的二值图像,该算法通过引入形态学开-闭重建滤波去除大量背景噪声,通过缩减灰度级遍历范围提高分割速率。采用基于距离变换的分水岭算法进行二次分割,分离粘连果实区域,提取目标苹果的外部轮廓。最后,在轮廓外设置最小外接矩形标记有效区域,在标记区域内进行梯度Hough圆变换实现苹果目标的自动识别。对自然环境中采集的200幅苹果图像进行测试,并与传统梯度Hough圆变换方法进行对比,该文方法在顺、逆光下的识别准确率为90.75%和89.79%,比传统方法提高了15.03和16.41个百分点,平均识别时间为0.665和0.693 s,比传统方法缩短了0.664和0.643 s。所提的两级分割算法不仅可以从复杂环境中准确分割果实目标区域,而且可以从粘连果实区域中提取单个果实边界。利用区域标记的梯度Hough圆变换方法能够快速准确地对果实进行识别。研究结果能满足苹果采摘机器人对不同光照下目标识别速度和精度的要求,可为苹果等类球形果实的快速识别提供参考。

关键词：图像处理分水岭苹果识别 YCbCr Otsu 梯度Hough圆变换

基于改进YOLO v7轻量化模型的自然果园环境下苹果识别方法

在线全文

学校读者我要写书评

暂无评论

农业机械学报 2024年第3期55卷 231-242,262页

作者：张震周俊江自真韩宏琪南京农业大学工学院南京210031

针对自然果园环境下苹果果实识别中,传统的目标检测算法往往很难在检测模型的检测精度、速度和轻量化方面实现平衡,提出了一种基于改进YOLO v7的轻量化苹果检测模型。首先,引入部分卷积(Partial convolution, PConv)替换多分支堆叠模块... 详细信息

针对自然果园环境下苹果果实识别中,传统的目标检测算法往往很难在检测模型的检测精度、速度和轻量化方面实现平衡,提出了一种基于改进YOLO v7的轻量化苹果检测模型。首先,引入部分卷积(Partial convolution, PConv)替换多分支堆叠模块中的部分常规卷积进行轻量化改进,以降低模型的参数量和计算量;其次,添加轻量化的高效通道注意力(Efficient channel attention, ECA)模块以提高网络的特征提取能力,改善复杂环境下遮挡目标的错检漏检问题;在模型训练过程中采用基于麻雀搜索算法(Sparrow search algorithm, SSA)的学习率优化策略来进一步提高模型的检测精度。试验结果显示:相比于YOLO v7原始模型,改进后模型的精确率、召回率和平均精度分别提高4.15、0.38、1.39个百分点,其参数量和计算量分别降低22.93%和27.41%,在GPU和CPU上检测单幅图像的平均用时分别减少0.003 s和0.014 s。结果表明,改进后的模型可以实时准确地识别复杂果园环境中的苹果,模型参数量和计算量较小,适合部署于苹果采摘机器人的嵌入式设备上,为实现苹果的无人化智能采摘奠定了基础。

关键词：苹果识别自然果园环境 YOLO v7 PConv 高效通道注意力机制麻雀搜索算法

自然环境中基于双目视觉的苹果识别与定位研究

同方期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

自然环境中基于双目视觉的苹果识别与定位研究

作者：胡浩波燕山大学

学位级别：硕士

为了解决劳动力不足以及劳动力成本升高的问题,有必要进行果蔬采摘机器人的研究,而果蔬采摘机器人研究的重难点在自然环境中果实的识别和定位上。本文以苹果的识别和定位为研究对象,利用双目视觉技术,探讨了苹果图像的分割、成簇及被遮... 详细信息

为了解决劳动力不足以及劳动力成本升高的问题,有必要进行果蔬采摘机器人的研究,而果蔬采摘机器人研究的重难点在自然环境中果实的识别和定位上。本文以苹果的识别和定位为研究对象,利用双目视觉技术,探讨了苹果图像的分割、成簇及被遮挡苹果的识别以及苹果的定位方法,解决了部分苹果识别和定位的问题。主要研究内容和结论如下:通过总结色差法应用于苹果图像分割的规律,提出了一种基于迭代法确定分割判据的方法,并确定了迭代的范围,然后制定迭代标准实现了分割判据的确定。进而通过100组不同光照强度下的分割实验,证明选取不同光照强度下的苹果图像进行迭代,得到的分割判据能实现不同光照强度下苹果图像的分割。通过分析苹果轮廓的像素点分布,得到了根据轮廓等间距三点的夹角来提取苹果正常轮廓的方法,然后用最小二乘法拟合苹果的正常轮廓进行了成簇及被遮挡果实的识别。通过实验将该方法和基于曲率来提取苹果正常轮廓的方法进行了对比,结果表明基于轮廓等间距三点像素的夹角的识别方法具有更好的识别效果,正确识别率达到了89.5%。分别利用OpenCV计算机视觉库里的标定函数和Matlab2015b的标定APP实现了双目摄像机的标定,并通过调整OpenCV标定函数的相关参数组合提高了程序的标定精度,最后通过标定实验比较了基于OpenCV和Matlab标定的精度,实验证明在设定相同的畸变模型时,基于OpenCV的标定精度略低于基于Matlab的标定精度。拟定了多果实的匹配准则实现了左右苹果图像中存在多个苹果时的匹配,然后分别基于最小二乘法和视差法实现了苹果的空间定位,通过20组定位实验比较了这两种定位方法的定位精度和实时性,结果表明基于最小二乘法的定位方法具有更高的定位精度和实时性。最后编写了基于MFC对话框的程序实现了苹果的实时定位。

关键词：图像分割苹果识别相机标定多果实匹配双目定位

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于颜色与形状融合的苹果识别方法与试验

基于颜色与形状融合的苹果识别方法与试验

作者：刘茗洋山东理工大学

学位级别：硕士

我国已成为世界上最大的苹果生产国,苹果种植面积和产量均占世界50%以上。截至2021年我国的苹果种植面积为3132.8万亩,产量已达到4500万吨。但目前苹果采摘以人工为主,采摘期内劳动强度大。随着农业劳动力向其他行业转移,农业发展面临... 详细信息

我国已成为世界上最大的苹果生产国,苹果种植面积和产量均占世界50%以上。截至2021年我国的苹果种植面积为3132.8万亩,产量已达到4500万吨。但目前苹果采摘以人工为主,采摘期内劳动强度大。随着农业劳动力向其他行业转移,农业发展面临人口老龄化严重、劳动力缺失的风险,而雇佣农工的成本又在逐渐增高,迫切需要将人工智能的自动化技术广泛引入到果实采摘中,采摘机器人将成为最好的替代。视觉系统作为采摘机器人的核心部分,对机器人能否顺利采摘果实有着至关重要的影响,对改善目标果实的识别和定位性能具有重要作用,是提高采摘机器人作业效率的关键技术。因此,进行苹果采摘机器人视觉检测算法的研究具有重要理论意义和实际应用价值。然而在自然环境中,苹果生长方式具有随机性,易受光照强弱变化、枝叶遮挡等因素影响,给目标果实的精准识别带来更大的挑战。为此,本文以自然环境中的苹果目标为研究对象,以提高果实识别准确率及速率为研究目标,对不同光照、重叠遮挡以及着色差异的苹果目标识别问题分别展开研究,主要完成的工作有:(1)图像数据集获取与果实识别算法相关理论。通过手持摄像机模拟机器人的“眼睛”,对苹果目标进行多角度拍摄,共采集图像1043幅,其中包括受光照变化影响、重叠及枝叶遮挡、存在着色度差异的苹果图像,完成苹果数据集的制作。搭建Python3.7.8开发环境,使用Visual Studio Code1.52.1软件配置Open CV库进行算法编译,对比了不同颜色空间色差法、Otsu法、K-means聚类算法、分水岭算法的分割性能,以及圆形检测算Hough变换、最小外接圆、三点定圆法的圆形拟合效果。(2)针对受不同光照影响的苹果目标,提出基于两级分割与区域标记梯度Hough圆变换的苹果识别方法。使用亮度自适应校正算法对表面亮度分布不均的苹果图像进行校正,弥补因受光照影响造成缺失的细节信息。提取YCb Cr颜色空间的Cr分量作为预处理样本,采用改进后的Otsu算法进行初次分割,该算法通过引入形态学开-闭重建滤波去除大量背景噪声;通过缩减灰度级遍历范围提高算法分割速率。采用基于距离变换的分水岭变换算法进行二次分割,所形成的分水岭脊线将用于构建苹果目标轮廓。在轮廓外设置最小外接矩形框标记苹果所在区域,在标记的区域内进行梯度Hough圆变换以实现苹果目标的自动识别。该识别方法在顺、逆光下的识别准确率为90.75%和89.79%,比传统Hough方法提高了15.03和16.41%,平均识别时间为0.665和0.693s,比传统方法缩短了0.664和0.643s。(3)针对自然环境中重叠及受枝叶遮挡的果实,提出基于标记分水岭算法与曲率约束三点定圆法的苹果识别与定位方法。采用保边性能较好的双边滤波器对图像进行平滑,压制图像噪声,最大程度保护图像中的重要边界。根据苹果颜色特征提取R-G色差分量进行形态学开-闭重建操作,将产生的区域性极大值标记苹果内部。在此基础上,对内部标记进行距离变换分水岭变换,所形成的分水岭脊线作为外部背景标记。结合内外标记采用强制最小值技术对原有梯度幅值图像进行修正,使用分水岭算法对修正的梯度图像进行分割,提取重叠苹果区域的轮廓。计算苹果轮廓曲率,设定曲率值变化区间,剔除异常轮廓段,在保留正常的轮廓段上进行分段式三点定圆操作,重建苹果目标完整轮廓并完成苹果目标定位。该算法的平均定位重合度为90.66%,比霍夫变换算法提高了7.76%,平均定位误差为6.25%,比霍夫变换算法降低了10.85%,平均假阴性率和假阳性率为9.34%和0.85%,比霍夫变换算法降低了7.76%和0.02%。(4)针对受光照等外界条件影响产生着色差异的果实目标,提出基于图像融合及改进梯度场Hough变换的苹果目标识别算法。采用均值漂移滤波对图像进行预处理,滤除少部分背景噪声。分别从RGB颜色空间和YIQ颜色空间提取归一化后的R-G分量和I分量进行图像像素级融合,突显果实目标区域。为准确识别及定位图中的成熟苹果目标,提出改进基于梯度场的Hough变换,该算法不需要在边缘检测的基础上进行后续处理,同时克服了经典Hough变换计算量大占用内存大和算法耗时的缺点。算法主要通过对融合后的图像先进行形态学处理,改善果实目标形态,再以苹果二值图像作为判断标准构造了剔除虚假圆算法,提高果实目标的检测精度,增强算法的鲁棒性。该识别算法对完全裸露的红色成熟果实的识别正确率为100%,果实遮挡面积小于1/2为92.46%,果实遮挡大于1/2为81.87%,整体识别准确率较最小外接圆算法提高11.43%,圆心相对误差平均值为0.215%,半径相对误差为0.047%,较最小外接圆算法分别降低0.279、0.322%。

关键词：采摘机器人机器视觉图像处理苹果识别特征融合

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于VGG-16和迁移学习的苹果识别

武汉轻工大学学报 2022年第5期41卷 109-115页

作者：谭炎金陈西曲武汉轻工大学电气与电子工程学院湖北武汉430023

针对传统苹果识别方法通用性差、识别精度低等问题,提出了一种基于VGG-16的改进模型,并与AlexNet、VGGNet16、GoogleNet等经典模型从训练集、验证集上的精度和损失方面进行对比,发现改进模型不仅比其它经典模型的收敛速度更快而且精度... 详细信息

针对传统苹果识别方法通用性差、识别精度低等问题,提出了一种基于VGG-16的改进模型,并与AlexNet、VGGNet16、GoogleNet等经典模型从训练集、验证集上的精度和损失方面进行对比,发现改进模型不仅比其它经典模型的收敛速度更快而且精度也更高,接近100%。利用改进模型从迁移学习和数据增强技术方面解决了数据集样本有限的问题,结果表明,改进模型结合迁移学习在不同数据集上的表现基本一致,精度方面均可以达到98%以上。实验方法可以应用于工业或者农业领域中的苹果识别和分类,有效地提高生产效益。

关键词：苹果识别卷积神经网络迁移学习数据增强

基于ARM的hough圆优化的苹果识别算法

在线全文

学校读者我要写书评

暂无评论

湖北工业大学学报 2018年第4期33卷 22-24,36页

作者：许鹏周敬东郑小玄湖北工业大学农机工程研究设计院湖北武汉430068

以三星EXYNOS4412为主控芯片,通过ARM驱动USB摄像头,调用Linux下的V4L2编程接口动态采集图像;结合采集到图像数据的特性和苹果的颜色特征,在YCrCb色彩空间下,提取Cr通道数据;通过动态阈值分割算法进行图像阈值分割结合优化的hough圆变... 详细信息

以三星EXYNOS4412为主控芯片,通过ARM驱动USB摄像头,调用Linux下的V4L2编程接口动态采集图像;结合采集到图像数据的特性和苹果的颜色特征,在YCrCb色彩空间下,提取Cr通道数据;通过动态阈值分割算法进行图像阈值分割结合优化的hough圆变换算法,实时识别出采集到的图像中的苹果。

关键词：动态阈值分割算法 hough圆优化 YCrCb色彩空间苹果识别

在线全文

学校读者我要写书评

暂无评论

基于轻量化YOLOv8模型的苹果快速识别

计算机系统应用 2025年第1期34卷 200-210页

作者：聂忠强朱明中国科学技术大学信息科学技术学院自动化系合肥230026

针对自然果园环境下苹果果实的识别,本文提出了一种改进YOLOv8n模型的轻量化苹果检测算法.首先,通过使用DSConv和FEM特征提取模块的组合来替换主干网络中的部分常规卷积进行轻量化改进,缩减卷积过程中的浮点数和计算量;为了在轻量化过... 详细信息

针对自然果园环境下苹果果实的识别,本文提出了一种改进YOLOv8n模型的轻量化苹果检测算法.首先,通过使用DSConv和FEM特征提取模块的组合来替换主干网络中的部分常规卷积进行轻量化改进,缩减卷积过程中的浮点数和计算量;为了在轻量化过程中保持性能,在特征处理的过程中,引入结构化状态空间模型构建CBAMamba模块,使用Mamba结构高效处理特征;此后将检测头处的卷积替换为RepConv,并减小卷积层;最后,更改边界框损失函数为动态非单调聚焦机制WIoU,提高模型收敛速度,进一步提升模型检测性能.实验表明,在公开数据集上,本文提出的YOLOv8改进算法比原始YOLOv8n算法分别提升1.6%的mAP@0.5和1.2%的mAP@0.5:0.95,与此同时提升了8.0%的FPS并降低了13.3%的模型参数量,轻量化的设计使之在机器人和嵌入式系统部署领域具有较强的实用性.

关键词：苹果识别目标检测 YOLOv8 Mamba

结合纹理分析和SVM的苹果梗蒂和缺陷识别方法

在线全文

学校读者我要写书评

暂无评论

计算机工程与应用 2008年第1期44卷 235-237页

作者：蒋益女徐从富浙江大学计算机学院杭州310027 杭州科技职业技术学院杭州310016

苹果梗蒂和缺陷的识别是苹果检测中的难点,两者的误分类会造成苹果等级的误判。提出了一种基于SVM的苹果梗蒂和缺陷识别方法,用Ostu算法进行区域分割,实现初始目标分割,再把目标区域的纹理特征作为支持向量机的输入向量,对其进行训练识... 详细信息

苹果梗蒂和缺陷的识别是苹果检测中的难点,两者的误分类会造成苹果等级的误判。提出了一种基于SVM的苹果梗蒂和缺陷识别方法,用Ostu算法进行区域分割,实现初始目标分割,再把目标区域的纹理特征作为支持向量机的输入向量,对其进行训练识别。用富士苹果进行实验,得到的平均识别正确率为90.7%。

关键词：苹果识别纹理分析支持向量机特征选择

在线全文

学校读者我要写书评

暂无评论

复杂环境下苹果采摘机器人的目标识别算法

复杂环境下苹果采摘机器人的目标识别算法

作者：田玉宇山东师范大学

学位级别：硕士

机器视觉技术的不断创新,推动了诸多行业的进步,对农业领域的影响亦愈加深远,在果蔬采摘机器人、果园测产等研究中,借助视觉系统实现目标果实识别。然而果园实际作业环境较为复杂,呈现非结构化和不确定性,且受机位和生长姿态影响,采集... 详细信息

机器视觉技术的不断创新,推动了诸多行业的进步,对农业领域的影响亦愈加深远,在果蔬采摘机器人、果园测产等研究中,借助视觉系统实现目标果实识别。然而果园实际作业环境较为复杂,呈现非结构化和不确定性,且受机位和生长姿态影响,采集到的图像目标果实姿态多变,严重制约着目标果实的识别效率和精度。本研究以苹果采摘机器人为研究对象,以提高目标果实的识别效率和精度为研究目标,构建基于深度图像的目标果实快速识别与定位算法,创新性地提出先定位后识别的理念;提出基于优化Mask R-CNN的重叠目标果实识别算法,提高采摘机器人的作业能力。具体研究内容如下:（1）基于深度图像的目标果实定位方法,由采集到苹果的通过解析目标图像的深度信息绘制等深图,获取深度图像的梯度场信息,将梯度向量从三维空间向二维空间进行投影。将二维梯度沿同一方向旋转,呈现出大小不等的向量聚集区域,因为目标果实呈球形,所以形成规则的聚集中心即为苹果圆心,而非目标果实区域则呈现出杂乱发散状。利用深度图像能够快速定位目标果实圆心,且不受果实颜色和遮挡限制,解决了复杂背景中目标果实定位难题。（2）由在RGB空间中,引入图的分割算法,通过构造自适应阈值,建立圆心数与k,min两个参数的映射关系,将图像分割成超像素区域。由对应的深度图像得到的圆心,在分割区域遍历圆心所在超像素区域,即为目标果实区域,扫描超像素区域的最大半径作为圆形半径,拟合出目标果实区域。新方法不用设计分类器,能够快速实现苹果的识别与定位。（3）针对枝叶遮挡或重叠目标果实的问题,构建基于优化掩码卷积神经网络重叠目标果实识别模型。利用深度残差网络（Residual Network,ResNet）与密集卷积网络（Densely Connected Convolutional Networks,DenseNet）结合作为整体模型的特征提取网络,用于生成特征图。将特征图输入到区域提议网络（Region Proposal Network,RPN）进行端到端训练以生成感兴趣区域,最后由全卷积网络（Full Convolutional Network,FCN）生成掩码以获取苹果所在的位置的区域形状。构建的深度网络结构通过不断的自身特征提取和对特征自学习不断被优化,大幅提高枝叶遮挡和重叠目标果实识别精度。上述研究提高了目标果实识别定位效率、重叠目标果实识别精度,推动采摘机器人作业效率提高,新方法可进一步推广到其它球形果实的识别和定位,促进农业生产的智能化发展。

关键词：苹果识别区域分割深度图像掩码卷积神经网络密集卷积网络