基于形状拟合与颜色模糊评判的香蕉识别

针对大小椭圆形状拟合不能准确识别较直香蕉的局限,提出一种与RGB分量模糊评判相结合的识别方法,实现了香蕉更准确有效的识别。对香蕉进行目标特征提取,用大小椭圆进行轮廓拟合,对于不能准确识别的较直香蕉,再结合已建立的RGB模糊综合评判模型进行识别分类。实验结果表明,该方法识别准确度较高。

基于机器视觉的香蕉果柄识别及采摘试验研究

香蕉采摘是一个耗时费力的作业过程。为了实现香蕉的自动化采摘,首先,设计了一款香蕉智能采摘装置,主要包括叉剪升降机构、3-RPS并联机构和XY直线移动机构等,通过控制这3个机构的运动变化,满足其搭载的末端执行机构适应香蕉果柄的空间随机性要求;然后,搭建双目相机视觉识别系统,采用YOLOv5算法识别香蕉果柄,选择检测框的中心位置为采摘点;接着,根据采摘点位置反求3-RPS并联机构的位姿,驱动切割机构对香蕉果柄定位,完成香蕉串的自动采摘;最后,研制了香蕉智能采摘装置样机,开展采摘试验。试验结果表明,香蕉智能采摘装置的绝对位置误差小于8.66 mm,相对位置误差小于0.85%;γ角度误差小于1.10°,β角度误差小于1.25°,满足香蕉采摘的定位要求。

基于多尺度串联空洞卷积的轻量化UNet香蕉图像分割

针对香蕉果串识别系统中传统的UNet网络存在实时性差、参数量多、下采样后丢失空间信息等问题,该研究提出基于UNet模型的轻量化分割网络,构造一个轻量级的主干特征提取模块,在降低模型参数量和计算量的同时增强网络提取特征的能力,使用膨胀率为[2,1,2]锯齿波形的多尺度串联空洞卷积组合在增大感受野的同时保持对细节的敏感度。该研究算法在自建香蕉果串数据集上的试验结果表明,网络参数量为0.45 M时,香蕉果串识别分割速度可达41.0帧/s,平均像素分类准确率为97.32%、交并比为92.57%。相比于其他模型具有准确率高、参数量小等优点,能够较好地实现精度和速度的均衡。该算法对自然种植环境下的香蕉果串具有良好的识别效果,可为智能化香蕉采摘等应用提供视觉识别技术支持。