论文部分内容阅读
我国是水果产出大国,每年的水果产量占世界前列,在水果的生产作业中,大部分水果采摘都是靠人工作业。由于二十世纪初农业劳动资源逐渐向其他产业转移,农业劳动力不足越来越严重。水果采摘机器人可以解决劳动资源的不足,还能提高生产效率,而水果图像的自动识别与分割技术是水果采摘机器人视觉系统设计的重要组成部分。为了实现水果的自动化采摘,本研究提出了基于SVM支持向量机算法、基于深度卷积神经网络算法两种水果图像自动识别算法。识别出水果种类后,需要把水果果实与背景进行分割,得到果实的中心位置。本研究还提出了基于BP神经网络及形态学处理的的图像分割算法、基于色差与梯度特征的图像分割算法两种水果图像自动分割算法。在水果图像识别中,机器学习与深度学习技术有着广泛的应用,本研究分别利用了机器学习中的SVM支持向量机算法与深度卷积神经网络算法对苹果、橘子、芒果等六种不同种类水果图像进行自动识别,两种算法互相比较体现出各自的优缺点。其中机器学习SVM支持向量机算法不需要大量的样本,训练时间较短,但是需要人为花大量时间提取具有代表意义的图像特征,本算法最终在自己的数据集中的准确识别率为75.35%。而深度学习算法迁移了谷歌的Inception-v3深度卷积神经网络模型,并针对自己的数据对网络架构做了相对的改变,本算法需要大量的训练样本,但是最大的优点是不用人工提取特征,卷积神经网络会自己寻找有效的特征,甚至是某些很重要的人工提取不出的高维特征;经过4万次算法迭代之后,模型在测试集上的识别准确率为93.9%,算法的识别率相对于SVM支持向量机算法有了很大的提升。在水果图像分割中,本研究提出了两种不同的图像分割算法,目的是从复杂的背景中分割出水果果实部分的图像,并且输出果实中心位置。分别是基于BP神经网络及形态学处理的的图像分割算法、基于色差与梯度特征的图像分割算法。其中BP神经网络以HSI颜色模型图像3×3邻域的H通道分量值作为图像特征,采用Photoshop软件对训练样本进行分割后的结果作为期望输出,迭代次数为1000次,误差为0.001,经过训练得到了合理的模型。针对传统阈值分割法对水果灰度图像分割的不足,提出了基于色差法与梯度特征的水果图像分割算法。该算法利用图像颜色特征中R与G分量色差的绝对值和图像边缘梯度特征相结合,运用最大类间方差法对图像进行分割。两种算法都实现了对原始图像的准确分割,且中心位置的误差范围在10个像素点之内,能准确地得出果实中心位置。