苹果采摘机器人苹果果实的快速跟踪识别研究

摘要

在我国的农业发展中，果蔬采摘作为果蔬产业中的一项重要环节，都是由人工进行采摘，而随着经济发展，从事农业产业的人员不断减少，造成的农业劳动力不足，同时果蔬产业受季节影响较大，采摘期短，需要人员集中快速采摘。因此，急需开展采摘机器人的研究，使用机器代替人工采摘，实现果蔬采摘的机械化与自动化。 本文在国家自然科学基金项目(31571571)“基于快速视觉伺服控制的多照度环境苹果高效机器采摘方法研究”的资助下，对苹果采摘机器人的核心部分视觉系统进行了研究，本文是以成熟苹果为研究对象，研究重点为采摘机器人采摘过程中的目标苹果快速跟踪识别，主要完成的工作有： 1、苹果采摘机器人视觉系统设计。根据机器视觉的主要原理与基本框架，搭建了本研究所用的实验平台，并完成了实验平台视觉系统的硬件结构设计以及软件系统实现。 2、苹果图像分割方法研究。采摘机器人要对苹果进行跟踪识别首先就要对苹果果实进行分割，这是本文研究的基础。本文介绍了三种不同的颜色空间以及常用的分割方法，通过对比不同颜色空间与分割方法，最终选择了与硬件设备无关且均匀性好的Lab颜色空间下的k-means聚类分割。分割出的苹果图像会有许多噪声以及孔洞，针对这一情况，采用数学形态学方法、阈值面积保留法以及漫水填充法进行分割图像的后期处理，最终得到苹果果实的有效分割图像。 3、苹果跟踪识别算法研究。本文采用了压缩跟踪算法，这是一种使用压缩特征来对苹果果实和背景进行描述和建模从而实现跟踪识别目标苹果的方法。在采摘机器人进行跟踪识别苹果的过程中，由于传统压缩跟踪算法中跟踪窗口的尺度大小不能自适应变化以及朴素贝叶斯分类器分类与更新的速度不能满足实时性要求，本文对此进行了改进：①采用SURF算法对视频序列前一帧的苹果模板与后一帧的图像进行特征匹配，根据相匹配的特征点对求取尺度变换参数，并以此调整跟踪窗口的尺度大小；②使用SVM分类器进行压缩特征的分类与在线更新，从减少分类器的初始的训练时间以及增加分类器的分类性能两方面增加算法实时性。 4、苹果跟踪识别实验结果与分析。本文主要从苹果果实跟踪识别的准确性和实时性两方面来验证苹果跟踪识别算法的可行性与有效性。在SURF特征匹配实验中，平均每组图像的特征点匹配所需时间为19.9ms。在苹果跟踪识别实验中，对于视频采集像素为640*480的图像序列，苹果果实的中心定位误差在15像素以内，在算法用时方面，改进后算法的分类器分类与更新速度提高了49.4%，平均每帧图像的处理时间为0.0253s，跟踪识别速度提高了24.2%，加速优化效果明显，能够满足苹果采摘机器人的采摘要求。

目录

第一个书签之前

摘要

Abstract

第一章 绪论

1.1 课题研究背景及意义

1.2 国内外研究现状

1.2.1 采摘机器人研究现状

1.2.2 果实识别研究现状

1.2.3 果实跟踪识别研究现状

1.3 苹果采摘机器人视觉系统主要存在的问题与挑战

1.4 本文研究内容

第二章 苹果采摘机器人视觉系统

2.1 机器视觉

2.1.1 机器视觉基本理论

2.1.2 机器视觉系统构造

2.2 苹果采摘机器人视觉系统硬件组成

2.3 苹果采摘机器人视觉系统软件实现

2.4 本章小结

第三章 苹果图像分割方法研究

3.1 图像颜色空间的选取

3.1.1 RGB颜色空间

3.1.2 HSI颜色空间

3.1.3 Lab颜色空间

3.2 苹果图像分割

3.2.1 阈值分割

3.2.2 k-means聚类分割

3.3 分割图像后期处理

3.3.1 数学形态学处理方法

3.3.2 腐蚀与膨胀

3.3.3 开运算与闭运算

3.3.4 噪声去除与孔洞填充

3.3.5 图像后期处理主要步骤

3.4 本章小结

第四章 苹果跟踪识别算法研究

4.1 压缩跟踪算法理论基础

4.1.1 压缩感知理论

4.1.2 压缩特征

4.1.3 朴素贝叶斯分类器的构建与更新

4.1.4 传统压缩跟踪算法流程

4.2 传统压缩跟踪算法存在的问题

4.2.1 跟踪窗口尺度的自适应变化

4.2.2 分类器的分类性能

4.3 基于SURF特征匹配的跟踪窗口自适应调整

4.3.1 SURF算法简介

4.3.2 SURF特征

4.3.3 SURF特征点匹配准则

4.3.4 SURF特征检测与匹配实验结果

4.4 支持向量机

4.4.1支持向量机原理

4.4.2 SVM分类器的构建与更新

4.4.3 SVM分类器参数的选取

4.5 改进后的算法流程

4.6 本章小结

第五章 苹果果实快速跟踪识别实验结果与分析

5.1 实验环境与步骤

5.2 苹果分割与匹配实验结果与分析

5.3 苹果跟踪识别实验结果与分析

5.4 本章小结

第六章 总结与展望

6.1 研究工作总结

6.2 后续工作展望

参考文献

致谢

攻读硕士学位期间参加的科研项目及发表的学术论文