外文翻译基于机器视觉的水果的识别和定位.doc

基于机器视觉的水果的识别和定位顾辉，陆亚亚，娄吉林，张伟同浙江科技大学，信息工程学院，中国，杭州，310014ghzjut.edu.cn,oo327,phonixlou,seasonzwt163.com摘要本文讨论了低级别的机器视觉水果和蔬菜收获机器人，介绍了在自然场所下的水果和蔬菜的识别和定位，结合彩色模型提出了一种新的分割方法。更重要的是，它为确定脱落点介绍了一种新型的观点，成功的解决了当果实被闭塞时采摘中心点和脱落点的确定。同时，通过几何学技术解决了生长歪斜的果实的切除点的确定。事实证明，在自然场所下，效果良好。关键字：机器视觉，水果物体，识别，定位1引言在人类征服自然的这个过程中，人类正面临改造自然和促进社会的能力有限问题。结果，人类一直在寻求机器人代替人完成复杂的任务，而智能机器人是最好的选择。众所周知，视觉是人类探索世界最主要的途径。约百分之八十的信息是通过视野获得的。因此，给予智能机器人视觉功能是非常重要的。在这里，我们可以定义机器视觉如下：它能够在输入图像1处理后产生一些描述图片内容。许多领域与机器视觉是有关联。因此，它广泛的应用在各个方面，从医学图像，到遥感图像，从工业检测，到农业区等。我们要讨论的水果和蔬菜采收机器人，是一类具有感知能力，可编程控收获，运输和包装庄稼2，自动机械采收系统。在这个收获过程中，视觉系统的主要问题，是识别并找到水果物体3。在这里，识别的意思是从复杂背景4分割出果实物体。定位，包括两方面内容：果实中心的位置和脱落的一点。最近，有不少正在研究关于基于机器视觉的水果和蔬菜收获机器人56。蔡健荣介绍了在自然场所下的机器视觉识别方法。用大津算法，它得到分割阈值自动提取目标7。宫良介绍了基于机器视觉和机器人播种嫁接技术的发明，他们已投入生产8。SlaughterD.C在色数码图像9中建立一个用颜色特征经典的橙子模型。在这些研究中，有很多从复杂的自然背景提取水果的方法。但其基本构想是，通过转换颜色模型到另一个比较容易过程中，或者更适合的场合来提取水果对象。但是，仍然有两个问题仍然悬而未决：1）当果实生长歪时如何确定脱落点；2）有这么多的水果重叠时候如何确定中心和脱落点的，另一方面，侦测整个边缘是不可能。如果这两个问题依然悬而未决，这意味着收获可能是一个失败的。并且更重要的是，只有约40的水果和蔬菜在果园10是可见，这意味着约有60的物体部分遮挡或完全闭塞。一般来说，农业机器人加上适合的风扇，以吹开覆盖水果的树叶。因此，它可能部分解决果实完全闭塞的问题。所以，在本文中，我们只讨论了果实部分遮挡的问题，在特别是，该案件的两个水果重叠。作为一个整体，我们的问题是讨论的是属于低层次的机器视觉，在机器视觉是关键步骤之一。2本文中使用的方法2.1概要从上述分析，我们知道，为了将果实从叶片和树枝分离出来，我们应该利用适合某些情况的色彩模式。该三原色颜色模式是常用的，是不适合果园图象。因为在三原色的颜色空间，该三色来不仅代表着色调值，而且代表着亮度。因此，周围的照明也可能增添识别的难度，因此三原色在这个分割过程中是不可靠的。为了利用水果在色调空间的聚类特征，我们必须分开，色调和亮度信息。通过三原色转换到单独色调和亮度的模型，我们可以实现这一目标。2.2彩色模型在本文中，我们使用的是三种类型的彩色模型。第一个是液晶显示器（亮度和色差）模型。在这个模型中，有四种颜色属性，其中包括亮度信息Y，红色色差Cr，绿色色差Cg，蓝色色差Cb。变换公式如下：在这个实验过程中，我们发现了红色色差在果实中远远高于树叶或树枝，甚至未成熟的果实，如不成熟番茄会稍后就会涉及。因此，我们不得不考虑红色色差Cr。第二个模式，我们采用的是规则的RGB。用图表来代表色性能三个部分。变换公式定义如下：很明显它满足：结合上述两种模式的优势，我们可以在本文中推断出第三颜色模型LHM。从第一彩色模型选择Y和Cr，从第二个模式选择r和g，我们可以构建公式如下：3分割在自然条件下的果园，非均匀的光照因素使闭塞的叶片和树枝都更难以分离。目前，我们可以将彩色图像分成三类：（1）基于阈值的分割；（2）基于边缘检查和成长区域的分割；（3）基于颜色聚类11的分割。3.1聚类和分类聚类的主要构想是要区分不同对象，其中包括不同类别的物体和同一物体的不同部位12。所有分类算法都是基于一个假设，认为图像问题描绘一种或多种特点，并认为这些特点属于其中几个独特的特点和独特的分类。传统的分类习惯包括两个阶段的过程：训练和测试。在最初的训练期，特有道具的典型图像特点是被隔立的，基于这些，一种独特的描述每个分类的方法，即培训，就产生了。在随后的测试阶段，这些特征的空间分割区，是用来区分图像特征。在实验中，我们取样60像素的叶片，树枝，水果等，并分别创立了分类。采用两个特征模式M和N，我们建立判定函数：，当A，B和C是任意常数为只要数字，满足条件。在这里，特征图案可能是颜色，形状，大小，或物体的任何性质。根据判定函数或者，我们可以将图像分为两部分，如图1：3.2水果的分离在这项研究中，我们采用了基于阈值的分割方法。该阈值是来自判定函数在上述3种图像模型的应用。根据以上段落，我们可以得到三个决策函数：第一函数，F1，分离果实部分及叶片部分，第二函数，F2，从树枝部分分离水果部分，以及第三函数F3，从树枝部分分离叶片部分。但是，在实验要求的基础上，我们只是要水果从背景中分割出来，并且叶和树枝部分视为背景。所以，现在还没有必要考虑F3。3.3分析液晶模型图像显然，果实，树叶及树枝的红色有不同的亮度和色彩。因此，采样60像素的果实，树叶及树枝来比对，从图2（a）中，我们知道水果的平均值，而且树叶和树枝的平均值差距很大，所以这是个适宜使用最低间隔分类。从训练集，我们根据该最小距离分类可以得到决策函数如下：