球形果蔬表面面积比例不变的投影展开算法研究

针对球形果蔬的视觉检测过程中存在的表面图像获取遗漏或重复,造成面积识别不准、相关品质特征检测准确率低的问题,提出了一种保证图像中球形果蔬表面各处面积比例与真实值一致的外表面投影展开算法。首先,在果蔬样品滚动过程中获取多组图像,裁剪其中正对相机的窄列区域进行拼接展开,随后,通过相机获取图像方式建立几何关系,计算展开图中每行像素的理论长度并进行尺寸缩放,得到各处面积比例符合真实值的样品外表面投影图像。利用标准球进行投影算法准确率验证,应用田口试验设计L16(34)正交试验,以果杯速度、裁剪宽度、相机高度为主要影响因素衡量检测的准确度,试验结果表明三因素影响均显著,确定最优参数为果杯速度0.40m/s、裁剪宽度9像素、相机高度255mm,标准球的表面积投影准确率为95.47%。以最优参数进行苹果、脐橙和番茄3种球形果蔬的表面投影试验,并探索不同样品角度对投影准确率的影响,3种水果检测准确率分别为84.0%、92.2%和87.6%,验证了果蔬表面二维投影算法的可行性。     

基于HOG特征和SVM的棉花行数动态计数方法

正确地进行棉花行数的动态计数是保证视觉植保车在田端横移过程中实现准确定位的前提。该研究以植保期间的棉花作物为研究对象,提出通过方向梯度直方图(Histogram of Oriented Gradient,HOG)和支持向量机(Support Vector Machine,SVM)实现棉田的棉花行动态计数方法。为了减少棉花行之间的粘连,以及缺苗和倒伏对棉花行识别造成的影响,设置图像的感兴趣区域(Region of Interest,ROI);为了减小相机抖动、光照变化以及刮风对动态数行造成的影响,使用HOG-SVM模型在视频序列图像ROI区域内窗口滑动检测,将棉花行和行间背景分别设置正、负样本,通过提取二者HOG特征、多次训练获得SVM分类器参数,固化HOG-SVM模型,再使用非极大值抑制(Non-Maximum Suppression,NMS)进行窗口的归一,通过归一化互相关(Normalized Cross Correlation,NCC)模板匹配实现棉花行的动态跟踪和计数。结果表明,该方法可以准确地对棉花行实现动态计数,有很好的泛化能力,识别率高于90%,平均每帧检测时间为32 ms,满足实际田间作业要求,可作为视觉植保车在地头横移的距离依据。     

质心跟踪视频棉花行数动态计数方法

为了实现无人植保车在棉田全覆盖视觉导航,该文提出了一种基于视频的棉花行动态计数方法,将棉花行数作为植保车直线植保作业行驶到田端后,判断2个直线作业区间隔距离的依据,以适应实际作业环境中不同的棉花种植行距。通过2G-R-B将彩色图像转化为灰度图像,强调了棉花行信息;通过在坐标系中设置固定位置和大小的关注区域,在减小计算量的同时,有效避免了田端缺苗、棉花行不规则等现象对检测结果造成的影响;通过对关注区域内各列灰度累计曲线的波峰筛选,适应3个生长期的棉花行的定位,识别正确率高于85%;通过设置浮动窗口并求其灰度质心为跟踪目标,提高了不同生长期和不同农田环境下的目标识别和跟踪适应性;通过对质心构建目标窗口,并计算前后帧目标窗口在图像坐标系中所在位置的重叠率,将后一帧目标窗口遍历前一帧图像中的目标窗口,关联重叠率0.1的目标窗口,实现了视频图像中多个棉花行的跟踪。结果表明:该算法对于不同生长期的棉花行有较好的跟踪效果,对田端缺苗、杂草等农田环境有较好的鲁棒性。每帧图像的平均处理时间为150 ms,能够满足实时处理要求。