论文部分内容阅读
嫁接可提高秧苗对环境的适应能力,改良品质,对农业生产具有重要意义。嫁接对秧苗与砧木有一定匹配关系的要求,以提高嫁接苗的成活率,但是目前自动和半自动的嫁接机都没有实现这种功能。为实现全自动果蔬嫁接机嫁接过程中秧苗与砧木的匹配,需要对秧苗与砧木的苗茎尺寸进行实时测量。在穴盘上开展穴盘苗的检测存在多株苗的子叶相互遮挡的情况,对视觉检测带来极大干扰,必须加以分离。本文通过双目视觉的方法对穴盘苗子叶轮廓的三维数据进行测量,并利用子叶轮廓三维数据在高度上的突变实现相互遮挡子叶的分离,为后续秧苗与砧木的匹配奠定基础。本文研究的工作主要有以下几个方面:1、双目视觉系统的构建。构建了一套完整的双目视觉系统,并采用了一种基于同心圆检测的双目视觉系统在线综合调整方法对系统误差进行控制。通过该方法可以有效调整双目系统光轴、相机夹角以及使双目相机焦距一致,使系统搭建更为合理,为后续的极线匹配奠定基础。2、基于同心圆圆心检测的系统标定。在分析了成像模型的几种畸变和标定方法的优缺点的基础上,采用了一种基于同心圆圆心检测的相机标定方法。该方法将同心圆的圆心作为特征点代替张正友标定法中的棋盘格角点。通过同心圆圆心的平均值约束使特征点提取较棋盘格角点更为精确,实验证明同心圆标定法较棋盘格标定法标定误差减小了9.6%,速度提高了14.8%。同时对极线几何进行分析,表明利用极线约束将特征匹配从二维空间转为一维的有效性,极大地提高了特征匹配的速度与精度。实验表明通过极线寻找匹配点,匹配点的潜在点与真实点的误差在2个像素点左右,通过对潜在点的八邻域进行同时匹配以寻找较为准确的匹配点。3、子叶三维数据测量方法研究。首先利用连通域标记法对图像去噪,采用色差法对秧苗部分进行图像增强,采用迭代法对色差图进行二值化处理以实现秧苗子叶与背景的分离。采用基于游程的连通域标记法对秧苗轮廓进行提取将不同连通域的轮廓进行单独分离,并通过freeman链码对轮廓点序列进行降采样。同时采用基于窗口的灰度向量法(Gray Vector).简化SIFT描述子(SSIFT)、同心圆SIFT描述子(Circle SIFT)三种匹配方法对双目图像的轮廓点进行匹配。最后利用三角测量法则对轮廓点序列的三维坐标进行计算,并导入Matlab对秧苗子叶的进行基于轮廓信息的三维重建。实验表明在匹配速度上SSIFT描述子最快,单点耗时0.79ms, Gray Vector描述子次之,单点耗时0.98ms, Circle SIFT描述子最慢,单点耗时4.17ms;在匹配点数上Gray Vector描述子最多,SSIFT描述子次之,CircleSIFT描述子最少,反之匹配精度上Circle SIFT描述子最高,但考虑到对子叶轮廓的三维重建,较少的点不利于轮廓三维信息的表示,本文采用匹配点最多的Gray Vector描述子。4、子叶分离方法研究。采用三维数据滤波去除三维数据集合中由于轮廓收缩所造成的匹配点偏移而产生的孤立突变点对三维数据的影响。三维数据滤波主要是寻找与周围两点皆存在较大高度差值的点,对于只有单边存在较大差值则认为可能是潜在的连续突变点。采用轮廓链标记法对连续突变点进行标记,标记后设定相关阈值对相邻的轮廓链进行合并以消除由于匹配误差所引起的若干小段轮廓链对子叶分离的影响。鉴于同一片子叶连续点之间不会存在较大的三维跳变,以此对秧苗中的各个叶片进行分离。实验对单株秧苗、两株无遮挡秧苗、两株存在子叶遮挡秧苗分别进行了子叶检测或分离,同时对遮挡子叶进行45°方向旋转以验证算法的鲁棒性。实验表明通过三维数据滤波、轮廓链标记、轮廓链合并方法可以将秧苗子叶进行有效检测和分离。