论文部分内容阅读
随着城镇化的快速发展,农村劳动力日渐短缺,人工成本也随之增加,现有的苹果生产模式已不能匹配日益扩大的苹果生产规模,因此,将自动采摘机器人引入果园替代人工作业成为现代苹果产业智能化发展的必然趋势。本文以树上成熟苹果为对象,研究了自然环境下苹果目标的识别算法,以提高自动采摘机器人果实采摘作业的精准率,为其实际应用提供方法参考。首先,研究了三种不同的图像平滑算法,通过分析其各自的滤波特点,选择效果最好的5×5方形中值滤波器对图像进行降噪处理,以减少噪声对后续分割的影响。其次,对基于阈值、基于边缘检测和基于特征聚类的三类图像分割算法进行了研究,对比其各自的分割效果,选择最适合本文的K-means聚类算法对苹果目标进行分割处理;然后,针对传统K-means算法随机选取初始聚类中心的缺陷,本文引入了一种结合关系对称矩阵和度中心性的改进K-means算法,最终提高了目标分割的重合度,降低了分割误差。接着,研究了苹果目标的轮廓提取方法,对于无遮挡的单果目标,先利用Canny边缘检测算子提取出目标边缘,然后采用三次样条插值算法对提取的边缘点进行插值运算,获取光滑的果实目标轮廓;对于被遮挡的单果目标,在检测出边缘后利用卷包裹凸包算法去除伪边缘,再对缺失的边缘点进行插值得到完整光滑的目标轮廓。最后,对自然环境下三种情形的苹果目标识别进行了测试实验。实验结果表明,本文算法可以准确地对无遮挡和有遮挡两种情形的单果目标进行识别,平均识别重合度分别为97.41%和94.84%,平均识别误差分别为1.80%和4.07%,平均识别时间分别为12.56s和15.39s;同时也能较为准确地识别出重叠影响下的双果目标,其平均识别重合度为91.47%,平均识别误差为7.02%,平均识别时间为21.54s。研究结果对苹果自动采摘机器人的实际应用具有一定的参考价值。