外文翻譯基于機器視覺的水果的識別和定位.doc

基于機器視覺的水果的識別和定位顧輝，陸亞亞，婁吉林，張偉同浙江科技大學(xué)，信息工程學(xué)院，中國，杭州，310014,oo327,phonixlou,摘要本文討論了低級別的機器視覺水果和蔬菜收獲機器人，介紹了在自然場所下的水果和蔬菜的識別和定位，結(jié)合彩色模型提出了一種新的分割方法。更重要的是，它為確定脫落點介紹了一種新型的觀點，成功的解決了當(dāng)果實被閉塞時采摘中心點和脫落點的確定。同時，通過幾何學(xué)技術(shù)解決了生長歪斜的果實的切除點的確定。事實證明，在自然場所下，效果良好。關(guān)鍵字：機器視覺，水果物體，識別，定位1引言在人類征服自然的這個過程中，人類正面臨改造自然和促進(jìn)社會的能力有限問題。結(jié)果，人類一直在尋求機器人代替人完成復(fù)雜的任務(wù)，而智能機器人是最好的選擇。眾所周知，視覺是人類探索世界最主要的途徑。約百分之八十的信息是通過視野獲得的。因此，給予智能機器人視覺功能是非常重要的。在這里，我們可以定義機器視覺如下：它能夠在輸入圖像1處理后產(chǎn)生一些描述圖片內(nèi)容。許多領(lǐng)域與機器視覺是有關(guān)聯(lián)。因此，它廣泛的應(yīng)用在各個方面，從醫(yī)學(xué)圖像，到遙感圖像，從工業(yè)檢測，到農(nóng)業(yè)區(qū)等。我們要討論的水果和蔬菜采收機器人，是一類具有感知能力，可編程控收獲，運輸和包裝莊稼2，自動機械采收系統(tǒng)。在這個收獲過程中，視覺系統(tǒng)的主要問題，是識別并找到水果物體3。在這里，識別的意思是從復(fù)雜背景4分割出果實物體。定位，包括兩方面內(nèi)容：果實中心的位置和脫落的一點。最近，有不少正在研究關(guān)于基于機器視覺的水果和蔬菜收獲機器人56。蔡健榮介紹了在自然場所下的機器視覺識別方法。用大津算法，它得到分割閾值自動提取目標(biāo)7。宮良介紹了基于機器視覺和機器人播種嫁接技術(shù)的發(fā)明，他們已投入生產(chǎn)8。SlaughterD.C在色數(shù)碼圖像9中建立一個用顏色特征經(jīng)典的橙子模型。在這些研究中，有很多從復(fù)雜的自然背景提取水果的方法。但其基本構(gòu)想是，通過轉(zhuǎn)換顏色模型到另一個比較容易過程中，或者更適合的場合來提取水果對象。但是，仍然有兩個問題仍然懸而未決：1）當(dāng)果實生長歪時如何確定脫落點；2）有這么多的水果重疊時候如何確定中心和脫落點的，另一方面，偵測整個邊緣是不可能。如果這兩個問題依然懸而未決，這意味著收獲可能是一個失敗的。并且更重要的是，只有約40的水果和蔬菜在果園10是可見，這意味著約有60的物體部分遮擋或完全閉塞。一般來說，農(nóng)業(yè)機器人加上適合的風(fēng)扇，以吹開覆蓋水果的樹葉。因此，它可能部分解決果實完全閉塞的問題。所以，在本文中，我們只討論了果實部分遮擋的問題，在特別是，該案件的兩個水果重疊。作為一個整體，我們的問題是討論的是屬于低層次的機器視覺，在機器視覺是關(guān)鍵步驟之一。2本文中使用的方法2.1概要從上述分析，我們知道，為了將果實從葉片和樹枝分離出來，我們應(yīng)該利用適合某些情況的色彩模式。該三原色顏色模式是常用的，是不適合果園圖象。因為在三原色的顏色空間，該三色來不僅代表著色調(diào)值，而且代表著亮度。因此，周圍的照明也可能增添識別的難度，因此三原色在這個分割過程中是不可靠的。為了利用水果在色調(diào)空間的聚類特征，我們必須分開，色調(diào)和亮度信息。通過三原色轉(zhuǎn)換到單獨色調(diào)和亮度的模型，我們可以實現(xiàn)這一目標(biāo)。2.2彩色模型在本文中，我們使用的是三種類型的彩色模型。第一個是液晶顯示器（亮度和色差）模型。在這個模型中，有四種顏色屬性，其中包括亮度信息Y，紅色色差Cr，綠色色差Cg，藍(lán)色色差Cb。變換公式如下：在這個實驗過程中，我們發(fā)現(xiàn)了紅色色差在果實中遠(yuǎn)遠(yuǎn)高于樹葉或樹枝，甚至未成熟的果實，如不成熟番茄會稍后就會涉及。因此，我們不得不考慮紅色色差Cr。第二個模式，我們采用的是規(guī)則的RGB。用圖表來代表色性能三個部分。變換公式定義如下：很明顯它滿足：結(jié)合上述兩種模式的優(yōu)勢，我們可以在本文中推斷出第三顏色模型LHM。從第一彩色模型選擇Y和Cr，從第二個模式選擇r和g，我們可以構(gòu)建公式如下：3分割在自然條件下的果園，非均勻的光照因素使閉塞的葉片和樹枝都更難以分離。目前，我們可以將彩色圖像分成三類：（1）基于閾值的分割；（2）基于邊緣檢查和成長區(qū)域的分割；（3）基于顏色聚類11的分割。3.1聚類和分類聚類的主要構(gòu)想是要區(qū)分不同對象，其中包括不同類別的物體和同一物體的不同部位12。所有分類算法都是基于一個假設(shè)，認(rèn)為圖像問題描繪一種或多種特點，并認(rèn)為這些特點屬于其中幾個獨特的特點和獨特的分類。傳統(tǒng)的分類習(xí)慣包括兩個階段的過程：訓(xùn)練和測試。在最初的訓(xùn)練期，特有道具的典型圖像特點是被隔立的，基于這些，一種獨特的描述每個分類的方法，即培訓(xùn)，就產(chǎn)生了。在隨后的測試階段，這些特征的空間分割區(qū)，是用來區(qū)分圖像特征。在實驗中，我們?nèi)?0像素的葉片，樹枝，水果等，并分別創(chuàng)立了分類。采用兩個特征模式M和N，我們建立判定函數(shù)：，當(dāng)A，B和C是任意常數(shù)為只要數(shù)字，滿足條件。在這里，特征圖案可能是顏色，形狀，大小，或物體的任何性質(zhì)。根據(jù)判定函數(shù)或者，我們可以將圖像分為兩部分，如圖1：3.2水果的分離在這項研究中，我們采用了基于閾值的分割方法。該閾值是來自判定函數(shù)在上述3種圖像模型的應(yīng)用。根據(jù)以上段落，我們可以得到三個決策函數(shù)：第一函數(shù)，F(xiàn)1，分離果實部分及葉片部分，第二函數(shù)，F(xiàn)2，從樹枝部分分離水果部分，以及第三函數(shù)F3，從樹枝部分分離葉片部分。但是，在實驗要求的基礎(chǔ)上，我們只是要水果從背景中分割出來，并且葉和樹枝部分視為背景。所以，現(xiàn)在還沒有必要考慮F3。3.3分析液晶模型圖像顯然，果