基于随机森林算法的黄瓜种子腔图像分割方法

针对黄瓜表型测量中图像识别问题,为解决黄瓜种子腔与果肉图像灰度差别不大情况下的分割难题,提出了基于随机森林算法(Random Forest,RF)的黄瓜种子腔图像分割方法。首先,通过颜色空间变换,提取样本在RGB、HSV、YCb Cr模型下的9个颜色分量;接着,基于灰度共生矩阵提取样本的能量、熵、对比度、相关性的均值与标准差等8个纹理特征。结合纹理与颜色特征,运用随机森林算法构建像素分类器,实现了种子腔的粗分割。为了提高分割质量,对粗分割的图像进行形态学处理得到最终分割图像。最后,与K-均值聚类(Kmeans)算法、支持向量机(Support Vector Machine,SVM)算法做对比。实验表明:随机森林分割算法正确识别率高达95%,错误识别率在10%之内,处理时间1.6 s左右,分割质量上优于其它两种算法。     

番茄采摘机器人非颜色编码化目标识别算法研究

为了实现番茄采摘机器人在非结构化环境下对目标番茄的准确识别,提出了一种基于非颜色编码的番茄识别算法。通过Haar-like特征及其编码的方法,结合AdaBoost深度学习算法可以获得用于识别成熟番茄的分类器;并研究了Haar-like特征类型和AdaBoost学习训练次数对分类器性能的影响。所得强分类器对测试集中的番茄进行在线识别试验。试验结果表明,测试集中93.3%的成熟番茄能够被正确识别;同时该分类器还对光照变化、果实粘连以及枝叶遮挡等干扰具有较强的自适应性和鲁棒性,满足采摘机器人对目标识别的技术要求。