自然环境中鲜食葡萄快速识别与采摘点自动定位方法

[目的/意义]自然环境中鲜食葡萄的快速识别与精准定位是实现鲜食葡萄机器人自动采摘的先决条件。[方法]本研究基于改进的K-means聚类算法和轮廓分析法提出一种鲜食葡萄采摘点自动定位的方法。首先,采用加权灰度阈值作为聚类算法相似度的判定依据,并以此为基础提出一种自适应调整K值的K-means聚类算法,实现鲜食葡萄的快速有效识别检测;然后,利用提出的轮廓分析法获得果梗轴和采摘点感兴趣区域,利用几何方法实现鲜食葡萄采摘点快速准确定位;最后,利用采集的917张鲜食葡萄图像对本研究提出的算法进行实验验证。[结果和讨论]本研究提出算法定位的鲜食葡萄采摘点与最优采摘点的误差小于12个像素的成功率为90.51%,平均定位时间为0.87 s,实现鲜食葡萄采摘点的快速准确的定位。在篱壁式种植方式与棚架式种植方式下分别进行50次模拟仿真试验,结果表明,篱壁式紫葡萄采摘点定位成功率为86.00%,棚架式紫葡萄识别定位成功率达到92.00%,篱壁式绿葡萄采摘点定位成功率为78.00%,棚架式绿葡萄识别定位成功率为80.00%,整体试验效果较好。[结论]本研究可为鲜食葡萄采摘机器人实现精准采摘葡萄提供技术支撑。

基于机器视觉的田间小麦开花期判定方法

针对大量小麦育种材料花期难以精准、快速检测的问题,提出了一种基于综合颜色特征和超像素分割算法的小麦开花期判定方法。首先,根据光照强度及图像清晰度对综合颜色特征的过红颜色分量、HSV颜色空间的S分量和红绿归一化颜色分量自适应调节,增强小花和小穗的差异性。其次,基于中心距离函数和灰度变化函数改进超像素分割算法的聚类规则,获得由同质特征的相邻像素组成的图像区域。随后,优化图像区域路径搜索算法实现各图像区域精确分割,通过灰度和对比度指标完成各图像区域分类,实现小花与小穗的精准、快速分割,并根据小花与小穗的比例完成开花期判定。实验结果表明,本文所提出算法平均计算时间为0.172 s,小花平均识别精度为91%,小穗平均识别精度为90.9%,预测开花率与实际开花率的平均差值仅为1.16%,满足田间小麦开花期判定基本要求。

自然环境下贴叠葡萄串的识别与图像分割算法

针对自然环境下贴叠葡萄串难以识别与分割的问题,该文首先提取HSV颜色空间中的H分量,获取贴叠葡萄串区域,分析该区域长宽比从而判定葡萄串的贴叠性质;提取葡萄串图像轮廓信息,获取轮廓拐点与类圆心点信息;利用拐点与中心点之间的斜率判定目标葡萄串所在位置。然后,利用Chan-Vese模型进行葡萄串的迭代识别,并结合拐点信息获得重叠边界的轮廓信息。最后,将重叠边界轮廓与图像轮廓进行融合,实现目标葡萄串识别。试验结果表明,该文方法的平均精准度为89.71%,平均假阳率为4.24%,识别成功率为90.91%,与现有方法相比,该文方法可实现完整目标葡萄串的识别与分割,并提高了识别与分割的精准度,为葡萄采摘机器人成功采收贴叠葡萄串提供切实可行的算法。

采用改进Mask R-CNN算法定位鲜食葡萄疏花夹持点

为实现鲜食葡萄疏花机械化与自动化,该研究提出了一种鲜食葡萄疏花夹持点定位方法。首先基于ResNeXt骨干网络并融合路径增强,改进MaskR-CNN模型,解决鲜食葡萄花穗、果梗目标较小难以检测的问题;进而针对花穗、果梗生长姿态的复杂性与不确定性,提出一种集合逻辑算法,该算法采用IoU函数剔除重复检测的花穗与果梗,建立花穗、果梗对,并对果梗掩模进行形态学开运算,利用集合关系获取主果梗掩模,确定以主果梗质心附近的中心点为果梗的夹持点。最后,随机选取测试集中的图像进行试验。试验结果表明:果梗夹持点平均定位准确率为83.3%,平均定位时间为0.325 s,夹持点x、y方向定位误差及定位总误差最大值分别为10、12和16像素,能够满足鲜食葡萄疏花的定位精度与速度要求,可为实现鲜食葡萄疏花机械化与自动化提供理论支撑。