基于智能優(yōu)化的蘋果采摘機(jī)器人目標(biāo)識(shí)別研究.pdf

1、我國擁有世界上最大的蘋果種植面積和產(chǎn)量，蘋果的采摘作業(yè)屬于高強(qiáng)度密集型。隨著農(nóng)業(yè)勞動(dòng)力結(jié)構(gòu)的轉(zhuǎn)變，農(nóng)業(yè)作業(yè)勞動(dòng)力匱乏，為保證蘋果的適時(shí)采摘，需提高采摘效率，因此實(shí)現(xiàn)蘋果自動(dòng)化采摘成為亟待解決的問題?，F(xiàn)有的蘋果采摘機(jī)器人樣機(jī)因其采摘效率偏低，目前仍停留在實(shí)驗(yàn)室研究階段。在計(jì)算機(jī)、信息技術(shù)的推動(dòng)下，實(shí)現(xiàn)采摘機(jī)器人果園現(xiàn)場(chǎng)作業(yè)，提高采摘效率是關(guān)鍵，可從以下兩個(gè)方面著手：一方面改善其自身性能；另一方面延長作業(yè)時(shí)間，實(shí)現(xiàn)全天候自動(dòng)采摘。目標(biāo)果實(shí)的

2、識(shí)別效率直接制約著蘋果采摘機(jī)器人的實(shí)時(shí)性和可靠性，而目標(biāo)果實(shí)的精準(zhǔn)識(shí)別作為采摘機(jī)器人視覺的技術(shù)瓶頸，進(jìn)而影響著采摘效率的提高。
　　本研究以蘋果圖像為研究對(duì)象，將提高采摘效率作為蘋果采摘機(jī)器人的研究目標(biāo)，圍繞目標(biāo)果實(shí)的精準(zhǔn)識(shí)別展開相關(guān)研究。主要包括蘋果夜間圖像采集、夜間圖像分析與降噪、圖像的分割與特征提取、目標(biāo)果實(shí)識(shí)別模型的建立等方面，詳細(xì)探討幾種不同的夜間圖像降噪算法、遺傳神經(jīng)網(wǎng)絡(luò)目標(biāo)果實(shí)識(shí)別算法、特殊樣本建模等等。本研究的主要

3、內(nèi)容如下：
　　1在各種人工光源輔助下采用定點(diǎn)標(biāo)記的方式分別采集自然光、夜間蘋果圖像。通過對(duì)采集到的圖像進(jìn)行色彩分析可知，夜間圖像目標(biāo)果實(shí)的 RGB顏色分量間的對(duì)比相對(duì)于自然光圖像更為明顯；發(fā)現(xiàn)白熾燈下的蘋果夜間圖像更接近自然光圖像。從直觀視覺觀察，夜間圖像較為模糊，且有椒鹽噪聲存在；通過對(duì)夜間圖像進(jìn)行差影法分析，判定其噪聲類型是混合噪聲，且是以高斯噪聲為主，并伴有部分椒鹽噪聲。
　　2針對(duì)夜間圖像的噪聲問題，分別提出三種智

4、能優(yōu)化的降噪算法，其中基于模糊閾值（Fuzzy threshold）改進(jìn)的小波變換（Wavelet transform，WT）降噪算法（F-WT），利用模糊理論優(yōu)化小波閾值潛在風(fēng)險(xiǎn)，得到的低噪圖像的相對(duì)峰值信噪比（Relative peak signal-to-noise ratio，RPSNR）提高了19.69％；基于WT和獨(dú)立成分分析（Independent component analysis，ICA）融合降噪算法（WT-ICA）

5、，優(yōu)化后低噪圖像的RPSNR提高了29.94%；基于粒子群優(yōu)化（Particle swarm optimization，PSO）的ICA降噪算法（PSO-ICA），通過PSO算法求解分離矩陣，旨在改善ICA的運(yùn)行效率，優(yōu)化后低噪圖像的RPSNR提高了21.28%。對(duì)比三種優(yōu)化降噪算法，WT-ICA算法降噪能力最強(qiáng)，但運(yùn)行效率偏低；PSO-ICA算法的降噪能力雖略低于WT-ICA算法，但運(yùn)行效率卻大幅度提高。白熾燈下的夜間圖像，無論是原始

6、圖像還是處理后的低噪圖像的 RPSNR的值均最高。因此，可初步篩選白熾燈為蘋果采摘機(jī)器人夜間作業(yè)的輔助光源。
　　3對(duì)比在Lab顏色空間下采取K-means聚類算法，以及直接采用PCNN算法對(duì)蘋果圖像的分割效果，二者均取得較好的分割效果，PCNN的運(yùn)行效率稍高于K-means聚類分割。并根據(jù)目標(biāo)果實(shí)的特點(diǎn)，分別提取RGB和HIS顏色空間下的6個(gè)顏色特征，圓方差、橢圓方差、周長平方面積比、致密度等4個(gè)幾何特征，以及7個(gè)Hu不變矩，這

7、17個(gè)顏色和形狀特征足以表征目標(biāo)果實(shí)。
　　4根據(jù)所提取到的特征向量設(shè)計(jì)分類器，將 RBF、Elman兩種神經(jīng)網(wǎng)絡(luò)（Neural network，NN）算法引入目標(biāo)物識(shí)別，為克服它們存在的固有缺陷，利用遺傳算法（Genetic algorithm，GA）進(jìn)行優(yōu)化，采取一種新優(yōu)化方式，即連接權(quán)值和神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)同時(shí)進(jìn)化，分別建立GA-RBF-LMS和GA-Elman兩種神經(jīng)網(wǎng)絡(luò)優(yōu)化分類算法。由UCI數(shù)據(jù)仿真實(shí)驗(yàn)和蘋果圖像識(shí)別實(shí)驗(yàn)可知，

8、兩種識(shí)別模型的運(yùn)行效率和識(shí)別精度得到大幅度提高，泛化能力也相應(yīng)提高；目標(biāo)果實(shí)的整體識(shí)別率均達(dá)95%以上。比較兩種識(shí)別模型的算法性能，GA-RBF-LMS算法的優(yōu)勢(shì)在于運(yùn)行效率高，而識(shí)別精度略低；GA-Elman算法的優(yōu)勢(shì)則在于識(shí)別精度高，而運(yùn)行效率上稍微欠缺。
　　5針對(duì)蘋果識(shí)別建模過程中容易遇到的大樣本問題，首先采用偏最小二乘（Partial least squares，PLS）降維算法緩解樣本高維度難題，得到更有意義的低維數(shù)據(jù)