自然环境下绿色苹果目标的识别与分割方法研究

发布时间：2020-11-04 21:10

　　 自然环境下近景色果实目标的有效检测,对果实品质改善、果园管理优化与市场资源合理分配具有重要意义。为了解决绿色果实表皮颜色与背景颜色极为接近,且易受光照变化及枝叶遮挡影响等问题,本研究以陕西杨凌地区所种植的绿色苹果目标为研究对象,提出了随机光照条件及不同生长状态下的绿色苹果目标识别、分割与重构方法,以满足果农对绿色果实生长状态监测与智能估产的需求。本文主要研究内容与结论如下:(1)针对随机光照造成的图像高光及阴影引起绿色苹果目标识别困难的问题,对比模糊集理论、SSR算法(Single-scale Retinex)、MSR算法(Multi-scale Retinex)、MSRCR算法(Multi-scale Retinex with color restoration)及光照无关理论五种图像增强方法,优选合适的图像增强算法进行绿色苹果图像增强预处理。试验结果表明,在可见光条件下,模糊集理论、MSRCR算法与光照无关理论图像增强方法的平均均方误差分别为17169.32、3428.00、3613.64,三种图像增强算法的平均峰值信噪比与平均结构相似性分别为6.11dB、13.48dB、13.09dB与0.00、0.79、0.66,均优于SSR算法与MSR算法,可有效改善图像高光及阴影对果实目标识别的影响。(2)针对绿色苹果表皮颜色近景性、光照随机性及枝叶遮挡等干扰因素造成的果实目标识别难度加大的问题,研究并提出融合模糊集理论与MR算法(Manifold ranking)、基于AIM算法(Attention-based on information maximization)与光照无关理论、融合MSRCR算法与Mean shift算法及改进GrabCut模型的四种绿色苹果目标识别方法。分别将100幅、100幅、500幅、200幅绿色苹果图像作为四种果实目标识别方法的测试集,并利用50幅绿色苹果图像对四种果实目标识别方法进行性能验证。试验结果表明,测试集中四种果实目标识别方法的平均识别精度分别为90.87%、86.99%、86.67%与89.50%,平均假阳性误差与平均假阴性误差分别为0.53%、0.97%、0.58%、1.42%与7.46%、10.20%、11.64%、5.29%,验证集中四种识别方法的平均识别精度分别为83.38%、84.06%、80.13%与89.06%,平均假阳性误差为2.69%、1.22%、0.29%、2.82%,平均假阴性误差为10.37%、13.27%、20.52%、3.33%,进一步提高了传统视觉注意机制模型与聚类算法的识别精度,具备较好的绿色苹果目标识别效果。(3)针对自然环境下多重叠果实目标在识别过程中通常被误判为单个果实的问题,研究并提出基于Ncut算法的绿色、多重叠苹果目标分割方法。在改进GrabCut模型的基础上,利用Ncut算法对绿色苹果图像中的多重叠果实目标进行分割。通过试验验证,93.42%的绿色苹果目标均能够被有效分割,该方法可将绿色、多重叠苹果目标分割成相互分离的果实目标,为后续单果果实目标的准确重构奠定了基础。(4)针对枝、叶、果遮挡及混合遮挡下绿色苹果目标生长位置及果形信息的误判问题,研究并引用基于三点定圆法的果实目标重构方法。对于分割后相互分离的绿色苹果目标,利用三点定圆法实现果实目标遮挡区域的有效恢复。试验结果表明,算法的平均重构误差为7.37%,表明三点定圆法能够较为准确地重构出自然环境下的绿色苹果目标,可实现对枝、叶、果遮挡及混合遮挡下绿色苹果目标的准确定位。(5)利用Matlab中的GUI编译工具(Graphical user interface),设计了自然环境下绿色苹果目标的识别与分割软件系统。该软件系统主要包括绿色苹果目标识别模块、果实目标分割与重构模块与四种识别方法详细识别过程查看模块。经过试验验证,该软件系统可实现四种识别方法的对比、多重叠绿色苹果目标的分割与果实目标的重构等功能,具备系统操作简单、处理过程及结果显示直观、具体等优点。
【学位单位】：西北农林科技大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TP391.41;S661.1
【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 研究目的及意义
    1.2 国内外研究进展
        1.2.1 果实目标图像增强预处理方法研究现状
        1.2.2 近景色果实目标识别方法研究现状
        1.2.3 近景色果实目标分割及重构方法研究现状
        1.2.4 不同影响因素下果实目标识别与分割方法研究现状
        1.2.5 存在问题
    1.3 主要研究内容
    1.4 论文组织安排
第二章 随机光照条件下绿色苹果图像增强方法研究
    2.1 试验材料与算法性能评价指标
        2.1.1 绿色苹果图像的获取
        2.1.2 图像增强算法性能评价指标
    2.2 基于模糊集理论的绿色苹果图像增强方法
    2.3 基于Retinex理论的绿色苹果图像增强方法
    2.4 基于光照无关理论的绿色苹果图像增强方法
    2.5 三类图像增强方法的增强效果对比
    2.6 本章小结
第三章 基于视觉注意机制与聚类算法的绿色苹果目标识别
    3.1 试验材料与算法性能评价指标
        3.1.1 绿色苹果图像的获取
        3.1.2 果实目标识别算法性能评价指标
    3.2 融合模糊集理论与MR算法的绿色苹果目标识别方法
        3.2.1 基于模糊集理论的苹果图像增强
        3.2.2 基于SLIC算法的苹果图像超像素分割
        3.2.3 基于MR算法的苹果目标识别
        3.2.4 试验结果与分析
    3.3 基于AIM算法与光照无关理论的绿色苹果目标识别方法
        3.3.1 融合模糊集理论与AIM算法的苹果目标初始识别
        3.3.2 背景噪声剔除方法
        3.3.3 融合光照无关图与R分量的苹果目标分割
        3.3.4 试验结果与分析
    3.4 融合MSRCR与 Mean shift算法的绿色苹果目标识别方法
        3.4.1 基于MSRCR算法的苹果图像增强
        3.4.2 基于Mean shift算法的苹果目标识别
        3.4.3 严重枝叶遮挡情况下苹果图像的K-means修正
        3.4.4 试验结果与分析
    3.5 基于改进GrabCut模型的绿色苹果目标识别方法
        3.5.1 基于GBVS算法的苹果图像自适应标记
        3.5.2 基于GrabCut模型的苹果目标识别
        3.5.3 试验结果与分析
    3.6 四种果实目标识别方法的识别结果对比
    3.7 本章小结
第四章 基于Ncut算法的多果重叠绿色苹果目标分割方法研究
    4.1 基于Ncut算法的绿色多重叠果分割方法
        4.1.1 试验图像的获取
        4.1.2 基于Ncut算法的绿色多重叠果分割
        4.1.3 试验结果与分析
    4.2 本章小结
第五章 基于三点定圆法的绿色苹果目标重构方法研究
    5.1 基于三点定圆法的绿色苹果目标重构方法
        5.1.1 试验图像的获取
        5.1.2 基于三点定圆法的果实目标重构
        5.1.3 试验结果与分析
    5.2 本章小结
第六章 自然环境下绿色苹果目标的识别与分割软件设计
    6.1 自然环境下绿色苹果目标的识别与分割软件整体设计
        6.1.1 软件开发及运行环境
        6.1.2 软件功能设计及系统框图
        6.1.3 软件功能实现及操作演示
    6.2 本章小结
第七章 结论与展望
    7.1 结论
    7.2 创新点
    7.3 展望
参考文献
致谢
个人简历

【相似文献】

相关期刊论文 前10条

1 杜玉龙;李建增;张岩;范聪;;无人机战场侦察中目标识别算法研究综述[J];飞航导弹;2016年07期

2 张义广;杨军;殷志祥;周军;;自动寻的系统红外成像目标识别算法研究[J];激光与红外;2007年09期

3 伍文峰;王虎帮;;基于模板匹配的目标识别算法的设计与实现[J];计算机应用;2006年S2期

4 刘祥林;;复杂地面背景下多目标的检测和识别[J];飞航导弹;1988年08期

5 栾尚祯;;深度学习目标识别算法发展趋势研究[J];电信网技术;2018年04期

6 张维华;郭伟震;周莉;;改进证据融合次序的目标识别算法[J];信息与控制;2018年05期

7 王彦芳;冯琦;邓秀剑;;基于几何差异的目标识别算法[J];计算机测量与控制;2016年07期

8 徐小琴;;多传感器数据融合目标识别算法综述[J];红外与激光工程;2006年S4期

9 严文康;李传增;王树山;蒲荣辉;;基于FPGA的双波束激光引信目标识别算法研究[J];制导与引信;2011年04期

10 夏鲁瑞;赵继广;孙洁;陈杭;;基于投影寻踪的高光谱典型目标识别算法[J];光学与光电技术;2013年03期

相关博士学位论文 前6条

1 李淼;天基光学监视系统目标检测与识别关键技术研究[D];国防科学技术大学;2017年

2 翟永立;星空背景下空间运动目标自主识别技术研究[D];中国科学院大学(中国科学院上海技术物理研究所);2018年

3 张兵;光学图像末制导中的点目标检测与识别算法研究[D];国防科学技术大学;2005年

4 汪洋;极化合成孔径雷达图像处理及其应用研究[D];安徽大学;2007年

5 刘明;基于流形学习与稀疏描述的SAR目标识别算法研究[D];西安电子科技大学;2015年

6 侯国家;水下图像增强与目标识别算法研究[D];中国海洋大学;2015年

相关硕士学位论文 前10条

1 李小宁;基于深度学习的对地目标检测技术研究[D];中国科学院大学(中国科学院光电技术研究所);2019年

2 李文心;基于视觉的目标跟踪控制系统研究[D];西安理工大学;2019年

3 孙飒爽;自然环境下绿色苹果目标的识别与分割方法研究[D];西北农林科技大学;2019年

4 高峰;自然环境下的柑橘目标识别方法研究[D];北方工业大学;2019年

5 黄卓;无人机运动目标实时检测识别算法研究[D];哈尔滨工业大学;2018年

6 汤文;复杂背景下红外运动小目标的检测与跟踪技术研究[D];国防科学技术大学;2016年

7 陈桑桑;基于信息融合的目标跟踪识别技术研究[D];西安工业大学;2018年

8 李伯轩;鬼成像目标识别算法研究[D];南京理工大学;2018年

9 田新;视频中运动目标检测与跟踪算法研究[D];内蒙古大学;2018年

10 肖大鹏;典型场景下无人驾驶三维目标识别算法研究[D];哈尔滨工业大学;2018年

本文编号：2870613