基于机器视觉组培苗自动化识别方法研究.docVIP

基于机器视觉组培苗自动化识别方法研究 　　摘 要：为了使组培苗视觉识别系统能够引导机械手臂实现组培苗的自动抓取、移栽作业，提出一种基于机器视觉的组培苗自动识别方法。通过对采集到的图像进行灰度变换、滤波、阈值分割、骨架提取等图像处理过程，能够对组培苗进行精确的识别，并且能够自动识别交叉点并判断交叉苗的上下位置。?κ笛槭宜?采集到的100幅图像进行图像处理并识别的结果显示，该算法准确率达到90%，并且不受组培苗摆放位置和摆放数量的影响，有很强的鲁棒性。 　　关键词：组培苗；机器视觉；图像处理；交叉苗识别 　　中图分类号：TP391.4 文献标志码：A 文章编号：2095-2945（2017）19-0020-02 　　1 概述 　　目前，世界上大多数组培苗的移栽还是通过人工实现种植。以土豆为例，作为世界上第四大粮食作物，目前土豆苗的栽植还没有实现完全自动化[1]。然而随着人口老龄化程度的加剧以及人力成本的迅速提高，使得组培苗自动化移植成为必然的趋势，并且迫在眉睫。组培苗没有实现完全自动化移栽的原因，在于其幼苗的特殊性。一般的组培苗都十分脆弱，不能利用传统的分苗装置对幼苗进行抓取和移栽，这就给组培苗自动化移植带来了很大的困难[2]。本文对组培苗自动识别技术中遇到的难题进行了深入的研究，并且汲取了现有成果经验，提出一种基于计算机视觉的组培苗自动识别的方法。在对组培苗进行图像处理的过程当中，提出了一种改进的中值滤波和迭代阈值分割方法。利用本文所提出的方法，能够得到高质量的滤波图像和二值图像，并且能以很高的准确率实现组培苗交叉点识别、交叉苗上下判断、抓取点自动确定等，为组培苗的自动化移栽提供了可能[3-5]。 　　2 自适应灰度化处理 　　由于彩色图像包含更多的信息，本文选择对彩色图像进行灰度化处理，以得到更多的图像细节。由于组培苗颜色各异，因此不能简单地使用某一种固定的方法对其进行灰度化。本文采用自适应灰度化的方法，来确定Y=a1R+a2G+a3B中各分量的系数。 　　（1）设目标图像F大小为m×n，彩色图像的三个分量为fi，i=1，2，3，则这三个分量的均值Ei和方差Di分别计算如下： 　　（2）计算归一化权重系数 　　di=Di/（D1+D2+D3），令ai=di，从而得到自适应灰度化的各分量的系数值。得到的灰度化图像和原图像如图1所示。 　　3 改进的中值滤波 　　在计算机视觉领域，椒盐噪声是最为常见的一种，中值滤波作为一种非线性的滤波方式，以其出色的降噪能力和计算速度得到了广泛的应用[6]。中值滤波作为一种典型的非线性滤波，在保护边缘信息方面强于线性滤波，但是抑制噪声和保护细节依然是中值滤波处理过程中的主要矛盾，也是图像处理领域尚未很好解决的问题。本文提出一种改进的中值滤波方法，能够比较好的平衡去噪和保护图像信息两方面的需求。 　　3.1 传统中值滤波及其局限性 　　中值滤波是对目标像素邻域的像素值进行排列，取中间值作为目标位置新的像素值。它的理论基础基于图像的这一特性：噪声往往以孤立的点出现，这些点对应的像素很少，而且其像素值的大小和邻域像素值的差别很大。但是传统的中值滤波没有区分噪声点和信号点，而是将图像中每一个像素点都进行一次处理，这往往会导致图像丢失一些边缘信息。 　　3.2 改进的中值滤波 　　本文提出一种全新的噪声点的判断方法。设待处理的像素坐标位置为（x，y），像素值大小为zxy。现研究其5×5邻域的矩形窗口Sxy，设zmin为Sxy中的最小灰度值，zmax为Sxy中的最大灰度值，zmed为Sxy中的灰度值中值，z为最终输出值。 　　本文所采用的改进中值滤波在判断噪声点的时候，不仅仅依靠zxy的值，还判断了其和Sxy中像素的关系。即使zxy为Sxy的极值，也没有马上将zxy判定为噪声点，而是判断Sxy中是否有与zxy值接近的像素点，若个数超过设定的阈值，则判定zxy为边缘点而不做处理，从而达到了保护图像细节的作用。 　　4 结束语 　　本文在对待移栽的组培苗进行视觉图像处理后，识别准确率达到了90%，能够达到自动化移栽的要求。在处理过程中，提出了一种改进的中值滤波方法，能够在消除图像噪声的同时，很好的保护了图像的细节特征。在阈值分割时，对现有的迭代法进行了改进，能够得到效果更好的二值图像。在识别交叉点时，利用骨架图的交叉点特性，提出了一种计算交叉点位置的方法，不仅计算量小，而且准确率高。最后创新性地提出了一种识别交叉苗上下位置的方法，很好的解决了组培苗在自动化移栽技术上遇到的难题，为组培苗的自动化移植提供了更大的可能。 　　参考文献： 　　[1]罗其有，刘洋，高明杰，等.中国马铃薯产业现状与前景[J].AO农业生产展望，2015（3）：35-40. 　　[2]杨丽，张铁中