[发明专利]一种基于机器视觉的山核桃果实在图像中的实时识别方法

说明书

本发明公开了一种基于机器视觉的山核桃采摘机器人目标识别方法。本发明首先对原始图像降采样，获得降采样图像；对降采样图像进行平滑去噪处理，获得去噪图像；随后将去噪图像在不同颜色空间中进行转换，选择提取目标特征明显的特征图像分量，通过阈值分割后获得第一二值化图；同时根据颜色阈值范围对去噪图像进行处理获得第二二值化图；对第一二值化图和第二二值化图进行形态学处理后取两者的公共区域，公共区域为采摘机器人识别的山核桃果实。本发明提高了山核桃目标图像的分类速率，具有很好的分类鲁棒性和准确性。

技术领域

本发明涉及山核桃采摘机器人目标识别方法，尤其是涉及了一种基于机器视觉的山核桃果实在图像中的实时识别方法。

背景技术

对于自动化山核桃采摘机，识别作业对象是采摘机器人需要解决的重点问题。一方面，自然生长的山核桃果实具有个体差异，它们的大小、形状、颜色等物理形态各不相同，并且随着时间变化而改变；另一方面，山核桃果实枝叶遮挡等复杂背景的干扰增加了作业对象的识别难度。因此，要使采摘机从复杂作业环境中准确识别作业对象，必须要求采摘机具备强大的分析识别算法支持。颜色信息是区分大多数成熟果实与复杂背景最常用到的特征，因此在研制采摘机的过程中，基于颜色特征的识别方法是最早采用的。基于颜色特征识别方法的关键是确定分割阈值，但是由于光线变化等因素影响阈值的选取，从而影响识别的成功率。颜色特征针对果实颜色特征与背景颜色特征比较接近的情况下，基于颜色单一特征的识别方法往往识别率不高，从而限制这这一类算法的应用。除了颜色特征，几何形状特征也是识别目标果实所常用到的特征信息。由于几何形状特征独立于颜色信息，所以基于形状特征的识别算法可以有效消除光线和色彩等干扰的影响。虽然国内外有不少研究成果，但是对于如何在仅使用可见光传感器的基础之上提高采摘机器人对山核桃果实生长环境感知能力和保证目标识别高准确率，提高算法的鲁棒性和实时性好尚无系统性研究。

发明内容

针对背景技术中存在的问题，本发明的目的在于提供了一种基于机器视觉的山核桃果实在图像中的实时识别方法。本发明能够通过摄像头采集图像自动识别不同类型的山核桃果实，提高了识别的效果和效率。

本发明采用的技术方案包括以下步骤：

1)对摄像头采集到的原始图像进行降采样处理，获得降采样图像；

2)对降采样图像进行平滑去噪处理，获得去噪图像；

3)将去噪图像在颜色空间中转换获得各个颜色空间中的特征图像分量，取特征图像分量中目标特征明显的特征图像分量；

4)对目标特征明显的特征图像分量进行阈值分割，分割后的获得第一二值化图像，记为第一二值化图；

5)设定成熟山核桃果实的颜色阈值范围，根据颜色阈值范围将步骤2)中的去噪图像进行处理，提取去噪图像中成熟山核桃果实区域，形成第二二值化图像，记为第二二值化图；

6)分别对第一二值化图和第二二值化图进行形态学处理，去除第一二值化图和第二二值化图中的非目标区域和噪点，非目标区域为成熟山核桃果实不在的区域；

7)取步骤6)中形态学处理后的第一二值化图和第二二值化图的公共区域，公共区域为采摘机器人识别的山核桃果实。

所述步骤(3)具体为：

将去噪图像转换到YUV颜色空间、LA*B*颜色空间和HSV颜色空间中获得各个颜色空间中的特征图像分量，选择YUV颜色空间中的第一色度分量u和第二色度分量v、LA*B*颜色空间中的黄蓝值分量b*以及HSV颜色空间中的明度分量h作为目标特征明显的特征图像分量。

所述步骤4)中的阈值分割采用最大类间方差法(Otsu)、K近邻方法(K-means)或快速递归多阈值分割方法(recursionOtsu)。

所述步骤6)具体为：