论文部分内容阅读
自然环境下近景色果实目标的有效检测,对果实品质改善、果园管理优化与市场资源合理分配具有重要意义。为了解决绿色果实表皮颜色与背景颜色极为接近,且易受光照变化及枝叶遮挡影响等问题,本研究以陕西杨凌地区所种植的绿色苹果目标为研究对象,提出了随机光照条件及不同生长状态下的绿色苹果目标识别、分割与重构方法,以满足果农对绿色果实生长状态监测与智能估产的需求。本文主要研究内容与结论如下:(1)针对随机光照造成的图像高光及阴影引起绿色苹果目标识别困难的问题,对比模糊集理论、SSR算法(Single-scale Retinex)、MSR算法(Multi-scale Retinex)、MSRCR算法(Multi-scale Retinex with color restoration)及光照无关理论五种图像增强方法,优选合适的图像增强算法进行绿色苹果图像增强预处理。试验结果表明,在可见光条件下,模糊集理论、MSRCR算法与光照无关理论图像增强方法的平均均方误差分别为17169.32、3428.00、3613.64,三种图像增强算法的平均峰值信噪比与平均结构相似性分别为6.11dB、13.48dB、13.09dB与0.00、0.79、0.66,均优于SSR算法与MSR算法,可有效改善图像高光及阴影对果实目标识别的影响。(2)针对绿色苹果表皮颜色近景性、光照随机性及枝叶遮挡等干扰因素造成的果实目标识别难度加大的问题,研究并提出融合模糊集理论与MR算法(Manifold ranking)、基于AIM算法(Attention-based on information maximization)与光照无关理论、融合MSRCR算法与Mean shift算法及改进GrabCut模型的四种绿色苹果目标识别方法。分别将100幅、100幅、500幅、200幅绿色苹果图像作为四种果实目标识别方法的测试集,并利用50幅绿色苹果图像对四种果实目标识别方法进行性能验证。试验结果表明,测试集中四种果实目标识别方法的平均识别精度分别为90.87%、86.99%、86.67%与89.50%,平均假阳性误差与平均假阴性误差分别为0.53%、0.97%、0.58%、1.42%与7.46%、10.20%、11.64%、5.29%,验证集中四种识别方法的平均识别精度分别为83.38%、84.06%、80.13%与89.06%,平均假阳性误差为2.69%、1.22%、0.29%、2.82%,平均假阴性误差为10.37%、13.27%、20.52%、3.33%,进一步提高了传统视觉注意机制模型与聚类算法的识别精度,具备较好的绿色苹果目标识别效果。(3)针对自然环境下多重叠果实目标在识别过程中通常被误判为单个果实的问题,研究并提出基于Ncut算法的绿色、多重叠苹果目标分割方法。在改进GrabCut模型的基础上,利用Ncut算法对绿色苹果图像中的多重叠果实目标进行分割。通过试验验证,93.42%的绿色苹果目标均能够被有效分割,该方法可将绿色、多重叠苹果目标分割成相互分离的果实目标,为后续单果果实目标的准确重构奠定了基础。(4)针对枝、叶、果遮挡及混合遮挡下绿色苹果目标生长位置及果形信息的误判问题,研究并引用基于三点定圆法的果实目标重构方法。对于分割后相互分离的绿色苹果目标,利用三点定圆法实现果实目标遮挡区域的有效恢复。试验结果表明,算法的平均重构误差为7.37%,表明三点定圆法能够较为准确地重构出自然环境下的绿色苹果目标,可实现对枝、叶、果遮挡及混合遮挡下绿色苹果目标的准确定位。(5)利用Matlab中的GUI编译工具(Graphical user interface),设计了自然环境下绿色苹果目标的识别与分割软件系统。该软件系统主要包括绿色苹果目标识别模块、果实目标分割与重构模块与四种识别方法详细识别过程查看模块。经过试验验证,该软件系统可实现四种识别方法的对比、多重叠绿色苹果目标的分割与果实目标的重构等功能,具备系统操作简单、处理过程及结果显示直观、具体等优点。