论文部分内容阅读
莲蓬的自动采摘是一新型研究领域,莲蓬采摘机器人的开发目的在于使莲子生产更好的适应市场需求、降低劳动强度、提高经济效益。能否准确识别出自然环境下的莲蓬果实是莲蓬采摘机器人的首要任务。本文以自然环境下采集到的子莲莲蓬图像为研究对象,主要从图像预处理、图像特征提取、目标特征降维以及目标识别等关键技术展开相关研究,以实现基于机器视觉的莲蓬图像目标物识别,同时验证本文所提出的相关理论与技术应用在同色系图像识别中的可行性和可靠性,为莲蓬的自动采摘研究提供技术支持。主要研究内容涉及如下几个方面:1、莲蓬图像信息获取。根据机器视觉的基础理论,分析影响莲蓬视觉系统识别的因素,并确定莲蓬识别视觉系统中的软件和硬件组成、以及开发平台和实验平台;同时根据莲蓬的自然生长环境和生长姿态,确定莲蓬图像采集的具体方案为:采用数码相机对自然场景下的子莲莲蓬进行顺光侧面微仰角拍摄,并输入计算机机终端,处理时分辨率统一保存为640×480像素,共采集200幅图像,各图像中一般包含莲蓬、莲花、莲叶、莲茎,部分图像包含天空、水等背景。2、莲蓬图像预处理。主要目标是去除复杂背景,保留各完整连通区域。根据莲蓬图像及其生长环境等特点,选择HSI颜色空间中的H通道作为分割通道;运用简化脉冲耦合神经网络算法在H通道对目标图像进行分割;结合区域形态学知识,去除区域噪点,填充孔洞,得到包含莲蓬、莲花、莲叶等完整连通域的预处理图像。3、目标图像的特征提取及基于主成分分析(Principal component analysis,PCA)的特征降维。在RGB和HSI颜色空间下,提取目标图像各连通区域的R、G、B、H、S、I值,并进行线性运算,结合均值直方图分析得到R、B、H、S、2G-R-B、R/B、G/B这7个颜色特征量;采用具有平移、缩放、旋转不变特性的Hu不变矩对预处理后的单个连通区域进行形态特征提取,共提取7个Hu不变矩;为减轻数据计算量,提高运行效率,将提取的14个颜色和形态特征进行归一化处理,然后利用PCA对其进行特征降维,提取得到3个主成分,用于获取莲蓬识别模型。4、基于K-Means聚类分析的目标识别。根据图像预处理和特征提取的结果,确定所聚类个数K=4,随机确定4个初始聚类中心,运用K-Means聚类对训练样本进行训练,得到莲蓬图像的目标物识别模型;运用该识别模型对测试样本数据进行测试,记录莲蓬图像的准确识别率和平均识别时间。本研究针对同色系的莲蓬图像进行相关研究,分别从图像预处理、特征提取和特征降维、K-Means聚类的目标识别等方面逐步展开,以期实现基于机器视觉的莲蓬图像的目标物识别,为莲蓬采摘机器人的研究提供理论基础。