基于颜色和纹理特征的青椒识别方法

自然环境下青椒与叶片和茎秆的颜色较为相似,为提高青椒采摘机器人在自然环境下对青椒果实的识别效率和采摘精度,提出一种基于颜色和纹理特征的青椒识别方法,在自然环境下可以达到较好的识别效果。首先,将青椒图像由RGB转换为HSV颜色空间,经过对比分析S-V分量颜色差异能够突出果实,去除部分复杂背景;然后,再提取青椒LBP特征和HOG特征,建立单特征和多特征融合模型;最后,使用不同的分类器SVM、AdaBoost进行特征训练,找出最适合青椒识别的分类算法。试验结果表明:LBP+HOG+AdaBoost算法的识别准确率达到99.3%,均优于其他模型。可为青椒采摘机器的智能识别提供研究基础。

基于深度学习的青椒识别研究

为解决青椒智能识别问题,以在自然环境中采集的苏椒1614图像为识别对象,采用深度学习方法,选择YOLO-v3,Faster R-CNN和CenterNet 3种神经网络进行深度学习模型训练,并比较分析不同深度学习模型的识别结果。试验结果表明,Faster R-CNN为青椒识别的最优模型,其精度、召回率和F1值分别达到92.4%,79%和85.2%,证明深度学习方法能够有效提取图像特征。研究为青椒的智能化识别与采摘提供依据。

基于BP神经网络的田间青椒识别

对于田间青椒的识别,利用图像处理,提出一种采用BP神经网络的识别方法。将青椒的形状系数、紧密度、长宽比、伸长度和主轴周长比等5个归一化变量作为神经网络的输入,通过调节神经网络的参数值对神经网络进行优化训练,利用训练后的网络就可以对处理后的青椒图像进行识别。实验结果表明,训练后的神经网络能够以较高精度进行田间青椒的识别。