一種用于采摘機(jī)器人的蓮蓬目標(biāo)圖像識別方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于農(nóng)業(yè)機(jī)械領(lǐng)域，涉及一種用于采摘機(jī)器人的蓮蓬目標(biāo)圖像識別方法。【背景技術(shù)】
[0002] 采摘機(jī)器人的開發(fā)與發(fā)展始于1968年的美國，主要有機(jī)械振搖式和氣動(dòng)振搖式， 但兩者對果實(shí)的傷害較大。隨著智能化、自動(dòng)化、工業(yè)化的發(fā)展，國外采摘機(jī)器人的發(fā)展已 經(jīng)突飛猛進(jìn)，日本、荷蘭、法國、英國等國家已試驗(yàn)成功了很多采摘機(jī)器人，如番茄采摘機(jī)器 人、葡萄采摘機(jī)器人、黃瓜采摘機(jī)器人、西瓜采摘機(jī)器人、甘藍(lán)采摘機(jī)器人、蘑菇采摘機(jī)器人 等。在國內(nèi)，果蔬采摘機(jī)器人的研宄剛剛起步，東北大學(xué)的陸懷民試驗(yàn)成功了林木果球采摘 機(jī)器人，郭峰等人運(yùn)用圖像處理和神經(jīng)網(wǎng)絡(luò)技術(shù)，開發(fā)了草莓挑選機(jī)器人，隨后浙江大學(xué)的 應(yīng)義斌開發(fā)了水果自動(dòng)分級機(jī)器人。為使機(jī)器人得到更大的發(fā)展空間，我們將其運(yùn)用到水 生植物的采摘，為人們提供更大的便利。

【發(fā)明內(nèi)容】

[0003] 本發(fā)明的目的是：為了將采摘機(jī)器人用于更廣泛的領(lǐng)域，不僅適用于陸地果實(shí)、農(nóng) 作物的采摘，也能用于水生植物的識別、定位和采摘，研宄開發(fā)了一種用于水上作物采摘機(jī) 器人的蓮蓬目標(biāo)圖像識別方法，并針對識別過程中存在的問題，提出解決方案。
[0004] 本發(fā)明的技術(shù)方案為：
[0005] 本發(fā)明一種用于采摘機(jī)器人的蓮蓬目標(biāo)圖像識別方法的技術(shù)方案包括以下步 驟：
[0006] -種用于采摘機(jī)器人的蓮蓬目標(biāo)圖像識別方法，包括以下步驟：
[0007] 步驟1，采用圖像高斯濾波與超綠色指標(biāo)法相結(jié)合的方法，設(shè)計(jì)超綠色高斯濾波 器，去除復(fù)雜背景；
[0008] 步驟2,采用距離變換與空間模式聚類算法相結(jié)合的分水嶺算法，對有重疊現(xiàn)象的 圖像實(shí)現(xiàn)重疊部分的分離和分割；
[0009] 步驟3,利用改進(jìn)Hu不變矩算法，計(jì)算蓮蓬、荷葉、荷花、莖的不變矩\，對所計(jì)算 的n階不變矩進(jìn)行線性組合，得到能夠表征蓮蓬、荷葉、荷花、莖不同形狀特征的不變矩主 成分zm (m彡n);
[0010] 步驟4,圖像目標(biāo)識別，利用K-Means聚類算法對蓮蓬、荷花、荷葉、莖圖像的不變 矩主成分zm分類，主成分離蓮蓬聚類中心最近的連通分量即為蓮蓬。
[0011] 進(jìn)一步，所述步驟1的高斯濾波函數(shù)為：
[0012]
【主權(quán)項(xiàng)】
1. 一種用于采摘機(jī)器人的蓮蓬目標(biāo)圖像識別方法，其特征在于，包括以下步驟： 步驟1，采用圖像高斯濾波與超綠色指標(biāo)法相結(jié)合的方法，設(shè)計(jì)超綠色高斯濾波器，去 除復(fù)雜背景； 步驟2,采用距離變換與空間模式聚類算法相結(jié)合的分水嶺算法，對有重疊現(xiàn)象的圖像 實(shí)現(xiàn)重疊部分的分離和分割； 步驟3,利用改進(jìn)Hu不變矩算法，計(jì)算蓮蓬、荷葉、荷花、莖的不變矩an，對所計(jì)算的η 階不變矩進(jìn)行線性組合，得到能夠表征蓮蓬、荷葉、荷花、莖不同形狀特征的不變矩主成分 zm (m ^ η)； 步驟4,圖像目標(biāo)識別，利用K-Means聚類算法對蓮蓬、荷花、荷葉、莖圖像的不變矩主 成分Zm分類，主成分離蓮蓬聚類中心最近的連通分量即為蓮蓬。
2. 根據(jù)權(quán)利要求1所述的用于采摘機(jī)器人的蓮蓬目標(biāo)圖像識別方法，其特征在于，所 述步驟1的高斯濾波函數(shù)為：
其中 X = 0, 1，2, . . .，M-I ;y = 0, 1，2, . . .，Ν-1。X，y 軸垂直，在與 X，y 相互正交的 ζ 軸上加入一維離散信號，其中X，y，z軸符合右手定則，利用卷積定理，構(gòu)造超綠色高斯濾波 器。
3. 根據(jù)權(quán)利要求1所述的用于采摘機(jī)器人的蓮蓬目標(biāo)圖像識別方法，其特征在于，所 述步驟2具體過程為： 步驟2. 1，通過bwdist函數(shù)實(shí)現(xiàn)二值圖像中的每個(gè)像素值的距離變換； 步驟2. 2,經(jīng)過距離變換后，再進(jìn)行分水嶺分割算法，為每個(gè)分水嶺定義特征值，根據(jù)特 征量計(jì)算相似區(qū)域之間的歐氏距離和空間距離，從而確定像素聚類中心的距離，然后對產(chǎn) 生過分割現(xiàn)象的圖像區(qū)域采用基于空間模式聚類方案進(jìn)行合并，實(shí)現(xiàn)相似小區(qū)域的合并， 從而避免過分割現(xiàn)象，這里的歐氏距離計(jì)算公式如下：
其中，（Xuy1)和（x2，y2)為圖像中的相似區(qū)域中任意兩點(diǎn)。
4. 根據(jù)權(quán)利要求1所述的用于采摘機(jī)器人的蓮蓬目標(biāo)圖像識別方法，其特征在于，所 述步驟4具體過程為： 步驟4. 1，以蓮蓬、荷葉、荷花、莖為對象，且他們的形狀特征差異較大，取K = 4,從N = 80組不變矩主成分樣本{Znil，Zni2, ...，z_}中選取K = 4個(gè)樣本值，作為初始聚類中心； 步驟4. 2,計(jì)算各樣本到各聚類中心的歐式距離并獲取其類別標(biāo)號； 步驟4. 3,計(jì)算每個(gè)聚類的樣本均值，作為新的聚類中心； 步驟4. 4,重復(fù)步驟4. 2~4. 3,直到聚類中心不再變化，即得K = 4個(gè)聚類中心。
5. 根據(jù)權(quán)利要求4述的用于采摘機(jī)器人的蓮蓬目標(biāo)圖像識別方法，其特征在于，所述 步驟4. 4具體過程為： 通過K-Means聚類算法將樣本不變矩主成分分為四個(gè)聚類中心{Cl，c2, c3c4}，分別代表 蓮蓬、荷葉、荷花、莖，然后對采集的目標(biāo)圖像進(jìn)行連通分量提取，計(jì)算每個(gè)連通域的主成分 分量Zm，主成分分量離蓮蓬聚類中心最近的連通分量即為蓮蓬，并用" + "標(biāo)記，同時(shí)在原始 圖像相應(yīng)位置處用"+"標(biāo)記，標(biāo)記完所有連通域后，顯示該二值圖像以及標(biāo)記后的原始圖 像。
【專利摘要】本發(fā)明公開了一種用于采摘機(jī)器人的蓮蓬目標(biāo)圖像識別方法，采用圖像高斯濾波與超綠色指標(biāo)法相結(jié)合的方法，設(shè)計(jì)超綠色高斯濾波器，去除復(fù)雜背景；采用改進(jìn)的形態(tài)學(xué)分水嶺分割算法對有重疊現(xiàn)象的圖像實(shí)現(xiàn)重疊部分的分離和分割；改進(jìn)Hu不變矩算法，計(jì)算蓮蓬、荷葉、荷花、莖的不變矩an，對所計(jì)算的n階不變矩進(jìn)行線性組合，得到能夠表征蓮蓬、荷葉、荷花、莖不同形狀特征的不變矩主成分zm；圖像目標(biāo)識別，利用K-Means聚類算法對蓮蓬、荷花、荷葉、莖圖像的不變矩主成分zm分類。主成分離蓮蓬聚類中心最近的連通分量即為蓮蓬。本發(fā)明可以有效地區(qū)分識別蓮蓬、荷葉、荷花、莖，是蓮蓬采摘機(jī)器人的視覺系統(tǒng)的核心算法技術(shù)。
【IPC分類】G06K9-46, G06K9-00
【公開號】CN104751117
【申請?zhí)枴緾N201510037353
【發(fā)明人】趙德安, 唐書萍, 陳玉, 賈偉寬
【申請人】江蘇大學(xué)
【公開日】2015年7月1日
【申請日】2015年1月26日