[发明专利]一种果实图像轮廓识别方法

说明书

本发明提供一种果实图像轮廓识别方法，包括：基于Mask R‑CNN深度卷积神经网络进行训练，将果实图像训练集输入所述Mask R‑CNN深度卷积神经网络中，训练得到目标检测模型；通过所述目标检测模型对果实图像验证集进行感兴趣区域提取，根据感兴趣区域生成目标回归框；对所述目标回归框中的果实图像进行多特征融合分析，确定果实边缘轮廓位置；对所述果实边缘轮廓位置进行轮廓拟合优化处理，得到优化后的果实边缘轮廓。本发明能够有效降低并减少光照不均匀、部分遮挡、相似背景特征的复杂背景干扰现象对果实识别与轮廓拟合的影响，提高鲁棒性。

技术领域

本发明主要涉及图像处理技术领域，具体涉及一种果实图像轮廓识别方法。

背景技术

随着现代农业的发展，降低成本和减少熟练劳动力使用成为农业面临的巨大挑战，而高强度且密集型的果实采摘任务使用收获机器人进行工作好处尤为凸显。虽然收获机器人的发展前景十分广阔，但基于视觉的识别和定位性能是推动收获机器人应用瓶颈。由于在实际生产环境中“不可控环境”(光照不均匀、部分遮挡、相似背景特征等)问题的干扰，使得果实的识别正确率低、耗时较长，难以满足有效的采摘作业需求。

果实图像的准确识别与轮廓精准拟合，在采收机器人的避障和摘果过程中起着非常重要的作用。如果机器人不能有效地识别果实并对果实轮廓实现精准拟合，机器人机械手可能会与障碍物发生碰撞，导致自身和果树的毁坏；或者无法有效的抓取果实，导致采摘失败。

目前，已有一些关于果实图像的准确识别和轮廓精准拟合的研究，主要集中在“基于颜色分析”的方法，这样的缺点在于，仅仅只从颜色分析进行果实识别会导致识别的效果不理想，鲁棒性较差。

发明内容

本发明所要解决的技术问题是针对现有技术的不足，提供一种果实图像轮廓识别方法。

本发明解决上述技术问题的技术方案如下：一种果实图像轮廓识别方法，包括如下步骤：

基于Mask R-CNN深度卷积神经网络进行训练，将果实图像训练集输入所述MaskR-CNN深度卷积神经网络中，训练得到目标检测模型；

通过所述目标检测模型对果实图像验证集进行感兴趣区域提取，根据感兴趣区域生成目标回归框；

对所述目标回归框中的果实图像进行多特征融合分析，确定果实边缘轮廓位置；

对所述果实边缘轮廓位置进行轮廓拟合优化处理，得到优化后的果实边缘轮廓。

本发明解决上述技术问题的另一技术方案如下：一种果实图像轮廓识别装置，包括：

训练模块，用于基于Mask R-CNN深度卷积神经网络进行训练，将果实图像训练集输入所述Mask R-CNN深度卷积神经网络中，训练得到目标检测模型；

处理模块，用于通过所述目标检测模型对果实图像验证集进行感兴趣区域提取，根据感兴趣区域生成目标回归框；

对所述目标回归框中的果实图像进行多特征融合分析，确定果实边缘轮廓位置；

优化模块，用于对所述果实边缘轮廓位置进行轮廓拟合优化处理，得到优化后的果实边缘轮廓。

本发明解决上述技术问题的另一技术方案如下：一种果实图像轮廓识别装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的果实图像轮廓识别方法。

本发明解决上述技术问题的另一技术方案如下：一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，当所述计算机程序被处理器执行时，实现如上所述的果实图像轮廓识别方法。