下载文档原格式
果实形态识别实验报告实验目的：通过观察不同果实的形态特征，学习果实形态识别方法。
实验材料和方法：1. 实验所需果实：苹果、橙子、香蕉、草莓、柠檬。
2. 实验所需工具：刀、切板、手套、放大镜、相机、计量尺。
实验步骤：1. 将每种果实准备好，清洗干净。
2. 使用刀将每个果实切开，观察其内部结构。
3. 使用放大镜观察果皮的特征，如颜色、纹理等。
4. 使用计量尺测量果实的大小和重量，并记录下来。
5. 使用相机拍摄每个果实的形态特征。
实验结果：1. 苹果：果实呈圆形，果皮光滑，有一层薄膜覆盖。
果实颜色多为红色或绿色，纹理清晰可见。
果实大小约为8-10厘米，重量约为200-250克。
2. 橙子：果实呈球形，果皮有一层厚实的橙色外壳覆盖。
果实表面有许多小凸起的颗粒，纹理清晰可见。
果实大小约为8-10厘米，重量约为250-300克。
3. 香蕉：果实呈长形，果皮为黄色，表面光滑。
果实有一定的弯曲度，两端稍尖。
果实大小约为15-20厘米，重量约为150-200克。
4. 草莓：果实呈心形，表面有许多小颗粒。
果实颜色为鲜红色，果皮光滑。
果实大小约为2-3厘米，重量约为10-20克。
5. 柠檬：果实呈椭圆形，果皮光滑。
果实颜色为黄色或绿黄色，果实表面有许多小凹点。
果实大小约为6-8厘米，重量约为80-100克。
实验讨论和结论：通过以上果实形态的观察，可以发现每种果实都有其独特的形态特征。
首先，果实的外形特征可以用来区分不同的果实种类，如苹果的圆形、橙子的球形、香蕉的长形等。
其次，果实的颜色和纹理也是识别果实的重要依据，如苹果的红色或绿色、橙子的橙色外壳、草莓的鲜红色等。
此外，果实的大小和重量也有一定的区别，如香蕉相对较大而轻，草莓相对较小而轻。
通过这次实验，我们学到了果实形态识别的方法和技巧。
对于果实的形态特征的观察，可以帮助我们准确地识别不同种类的果实。
此外，果实的形态特征也与其营养价值和食用方式有关，对于选择和食用果实也有一定的指导作用。
华南农业大学学报 Journal of South China Agricultural University 2024, 45(2): 293-303DOI: 10.7671/j.issn.1001-411X.202212020刘茗洋, 崔凯, 宫金良, 等. 基于图像融合的不同成熟阶段苹果果实识别[J]. 华南农业大学学报, 2024, 45(2): 293-303.LIU Mingyang, CUI Kai, GONG Jinliang, et al. Apple fruit recognition at different maturity stages based on image fusion[J]. Journal of South China Agricultural University, 2024, 45(2): 293-303.基于图像融合的不同成熟阶段苹果果实识别刘茗洋1，崔 凯2，宫金良3，张彦斐1(1 山东理工大学 农业工程与食品科学学院, 山东 淄博 255000； 2 南京蜻蜓智慧农业研究院有限公司,江苏 南京 210019； 3 山东理工大学 机械工程学院, 山东 淄博 255000)摘要: 【目的】针对复杂农业环境中不同成熟阶段苹果目标识别困难的问题，研究一种基于图像融合的苹果识别算法。
【方法】采用保边性能较好的均值漂移滤波对图像进行预处理，滤除少量背景噪声。
分别从RGB颜色空间和YIQ颜色空间提取R−G分量和I分量特征图像，采用像素级图像融合算法融合2幅特征图像信息，突出显示果实目标区域。
利用Otsu自适应阈值算法获得最佳阈值，将目标苹果从背景中分割出来。
为识别苹果目标，提出一种基于改进梯度场的Hough变换圆检测算法，通过引入形态学重建算法清理背景中残留的小面积区域，提高检测效率；同时以分割的苹果二值图像为判断标准构造剔除虚假圆算法，避免检测出现虚假目标。
苹果品种鉴定技术规程 ssr分子标记法全文苹果品种鉴定技术规程一、引言：苹果（Malus domestica Borkh）是世界上种植面积最广泛、产量最大的水果之一，所以苹果品种的鉴定十分重要。
随着分子生物学和遗传学的发展，利用分子标记法进行苹果品种鉴定成为一种快速、可靠的方法。
二、SSR分子标记法概述：SSR（Simple Sequence Repeats）分子标记法是利用高度保守的微卫星序列进行分子标记的方法。
微卫星序列是基因组中重复出现的短串联重复序列，由重复单元和不同重复单元之间的连续序列组成。
SSR标记法基于PCR扩增微卫星序列，通过测定微卫星序列长度的差异来进行苹果品种的鉴定。
三、实验步骤：1. DNA提取：从苹果叶片或果实中提取总DNA。
采用常规的CTAB法或商用DNA提取试剂盒进行提取。
2. SSR引物设计：选择合适的SSR引物进行扩增。
根据已知的苹果品种的基因组序列，设计特异性的引物。
选择的引物应具有多态性和重复性。
3. PCR扩增：设置PCR反应体系，包括模板DNA、引物、dNTPs和酶。
进行PCR扩增，得到PCR产物。
4. PCR产物分离：将PCR产物经过电泳分离，根据产物的大小来进行分离。
通常采用琼脂糖凝胶电泳或聚丙烯酰胺凝胶电泳进行分离。
5. DNA可视化和分析：通过染色剂染色或直接使用荧光标记的引物进行染色。
分析PCR产物的大小和条带图案，根据特定的品种特征进行品种鉴定。
四、结果解释：根据PCR产物的大小和条带图案，可以进行品种鉴定。
如果PCR产物的大小和已知品种相符，则可以判定为该品种。
如果PCR产物的大小和已知品种不符，则可以判定为新品种或可能存在突变。
五、优点和应用：1.快速：SSR分子标记法可以在短时间内得到结果，相对于传统的品种鉴定方法更快捷。
2.可靠：SSR分子标记法具有高度的可重复性和稳定性，结果准确可靠。
3.特异性：SSR引物的设计可以根据不同品种的基因组序列进行选择，具有品种特异性。
苹果品种鉴定技术规程 ssr分子标记法全文苹果品种鉴定技术规程—— SSR分子标记法一、技术原理SSR（Simple Sequence Repeats）分子标记法是一种常用的遗传标记技术，也称为微卫星标记法。
该技术基于植物DNA中包含的重复序列，通过PCR扩增特定的SSR位点，进而对DNA序列进行分析，从而实现对苹果品种的鉴定。
二、实验步骤1. DNA提取：从苹果叶片或幼芽中提取基因组DNA。
2. SSR扩增反应：选择特定的SSR引物对DNA进行PCR扩增反应，得到扩增产物。
3. PCR产物分析：将PCR产品通过电泳方法分离在聚丙烯酰胺凝胶上，通过比较DNA片段迁移距离，鉴定不同苹果品种之间的差异。
三、实验材料1.离心管和PCR试管：用于提取DNA和进行PCR反应。
2. DNA提取试剂盒：用于提取DNA样品。
3. SSR引物组合：根据需要选择适宜的SSR引物。
4. PCR试剂盒：用于PCR反应。
5. DNA电泳试剂盒：用于DNA样品分离。
四、实验操作细节1. DNA提取：按照DNA提取试剂盒的说明进行操作，提取苹果叶片或幼芽中的基因组DNA。
2. SSR扩增反应：准备PCR反应体系，包括DNA模板、引物、酶和缓冲液等。
根据引物选择，设置合适数量的PCR反应管。
3. PCR条件设置：根据引物的特性，设置适当的扩增温度和周期。
4. PCR产物分析：将PCR反应产物通过电泳方法分离在聚丙烯酰胺凝胶上，根据DNA片段大小进行鉴定。
5.结果解读：根据电泳图像，比较不同苹果品种之间的DNA条带差异，判断品种间的差异和相似性。
五、结果分析1. SSR分离电泳图像：根据电泳分离的结果，分析苹果品种之间的遗传关系和差异。
2. SSR结构鉴定：通过比对已知品种的SSR位点，来反推未知品种的SSR结构和遗传关系。
3. SSR图谱构建：通过整理分析的SSR位点数据，构建苹果品种的SSR图谱，进一步研究苹果品种的遗传表达规律。
一种新型苹果果实特征提取算法
陈乾辉;吴德刚
【期刊名称】《食品与机械》
【年(卷),期】2018(034)002
【摘要】针对当前苹果特征提取常用的 Hough 算法存在运算复杂、实时性差等缺陷,提出了一种新型苹果果实特征提取算法.该算法利用一个滑动的高斯模板和苹果图像进行卷积运算提取苹果的圆形.试验及仿真结果表明,该方法可以实现单一、相邻和重叠3种情况下,苹果果实检测的高准确率,且在相邻并重叠的复杂情况下,其识别准确率也能达到94.1%,而在单个苹果的情况下,苹果果实的检测准确率可达96.6%,完全满足苹果实时、高效分级的需要.
【总页数】5页(P124-128)
【作者】陈乾辉;吴德刚
【作者单位】商丘工学院,河南商丘 476000;商丘工学院,河南商丘 476000
【正文语种】中文
【相关文献】
1.一种新型鱼眼图像轮廓提取算法 [J], 江凤婷;郭子兴
2.一种图像边沿特征提取算法与路径识别系统 [J], 赖武刚; 耿帅; 魏利颖; 吴芯洋; 唐川田; 张博
3.一种基于结构化环境的线性距离特征提取算法 [J], 匡兵; 田春月; 陈凤冉; 孙毛毛
4.一种V型坡口焊缝图像处理方法及特征提取算法研究 [J], 梁立鹏;陆永华;谭杰
5.一种新型的视频图像道路目标提取算法 [J], 蒋定定;王尚强;张国栋
因版权原因，仅展示原文概要，查看原文内容请购买。
基于极值的重叠苹果识别方法研究胡婵莉;赵德安;赵宇艳;陈玉;贾伟宽;姬伟【摘要】In natufral scenes , the apple picking robot can not recognize overlapped apples .To solve this problem , an o-verlapped apple recognizing and locating algorithm was proposed in this paper .First, an image is segmented by chromatic difference method .Then OTSU segmentation and holes filling was used to get the outline of the apples .In the end , the center point and radius was determined by a fast calculating method , in which the minimum distance of the points in the circle to the edge of the circle was calculated and the local maximal value wasfound .The experiment results showed that this method worked very well when the outline of the apples is complete , and the real-time performance and practicability was very good .%针对采摘机器人对重叠果实无法识别采摘问题，提出了一种基于极值的重叠苹果识别定位方法。
自然环境下重叠果实图像识别算法与试验苗中华;沈一筹;王小华;周小凤;刘成良【摘要】针对非结构化自然环境中光照变化和对象重叠特征等外界因素给图像处理带来的难题,提出了一种自然环境下重叠果实的图像识别与边界分割的组合优化算法.该组合优化算法首先对原始图像进行噪声滤波处理,然后利用Sobel算子以及改进算子的最大类方差法(OTSU)来辨识重叠果实目标;接着采用K-means算法对重叠目标的像素进行聚类得到单个目标位置,再结合边缘检测结果的连通域分析及区域生长获得单个目标边界的大致区域;最后利用基于限制区域的分水岭算法,得到目标的精确边界.为了验证所提算法的有效性和适应性,进行了试验研究.试验结果表明:所提出的组合优化算法不仅可以在自然环境下从重叠物体图像背景中识别出重叠目标,而且还可以从重叠目标中分割出单个目标的精确边界.【期刊名称】《农业机械学报》【年(卷),期】2016(047)006【总页数】6页(P21-26)【关键词】机器视觉;重叠目标分割;分水岭算法;组合优化算法【作者】苗中华;沈一筹;王小华;周小凤;刘成良【作者单位】上海大学机电工程与自动化学院,上海200072;上海大学机电工程与自动化学院,上海200072;上海大学机电工程与自动化学院,上海200072;现代农装科技股份有限公司,北京100083;上海交通大学机械与动力工程学院,上海200240【正文语种】中文【中图分类】TB137农业领域中场景固有的非结构化特点给图像识别处理带来了巨大挑战[1-3]。
首先，自然环境是开放的不可控环境，光源强度、色温、照射方向等参数的动态变化会引起目标对象外观特征的不确定性[4-5]；再者，农业生产目标的特征重叠给图像分割处理带来了诸多困难。
因此，自然环境下的重叠物体图像识别技术及分割算法是机器视觉在农业领域应用的研究热点和技术难点。
非结构化自然环境中光照变化和对象重叠等外界因素对图像质量及图像处理技术带来了诸多不利。
江苏农业学报(ＪｉａｎｇｓｕＪ.ｏｆＡｇｒ.Ｓｃｉ.)ꎬ２０１９ꎬ３５(２):４６９~４７５ｈｔｔｐ://ｗｗｗ.ｊｓｎｙｘｂ.ｃｏｍ车金庆ꎬ王㊀帆ꎬ吕继东ꎬ等.重叠苹果果实的分离识别方法[Ｊ].江苏农业学报ꎬ２０１９ꎬ３５(２):４６９￣４７５.ｄｏｉ:１０.３９６９/ｊ.ｉｓｓｎ.１０００￣４４４０.２０１９.０２.０３０重叠苹果果实的分离识别方法车金庆１ꎬ㊀王㊀帆２ꎬ㊀吕继东２ꎬ㊀马正华２(１.常州工程职业技术学院智能装备与信息工程学院ꎬ江苏常州２１３０００ꎻ２.常州大学信息科学与工程学院ꎬ江苏常州２１３１６４)收稿日期:２０１８￣０８￣０１基金项目:江苏省自然科学青年基金项目(ＢＫ２０１４０２６６)ꎻ江苏省高等学校自然科学研究项目(１７ＫＪＢ４１６００２)ꎻ常州市科技计划资助项目(ＣＪ２０１７９０５７㊁ＣＪ２０１８００２１)ꎻ常州工程职业技术学院科研基金项目(１１１３０３００１１８０１９)ꎻ常州大学海外研修计划项目作者简介:车金庆(１９７９￣)ꎬ男ꎬ江苏南京人ꎬ硕士ꎬ讲师ꎬ主要研究方向为图像处理㊁软件开发ꎮ(Ｅ￣ｍａｉｌ)ｊｑｃｈｅ＠ｃｚｉｅ.ｅｄｕ.ｃｎ通讯作者:吕继东ꎬ(Ｅ￣ｍａｉｌ)ｖｖｅａｇｌｅｖｖ＠１６３.ｃｏｍ㊀㊀摘要:㊀针对苹果采摘机器人重叠果实识别误差较大的问题ꎬ设计了一种分离识别方法ꎮ首先在苹果图像分割获取其二值果实区域的基础上ꎬ基于横㊁纵投影图实现重叠形态果实的判别ꎬ而后基于边缘曲线通过ＳＵＳＡＮ算法检测果实轮廓上的角点ꎬ再通过迭代腐蚀和瓶颈准则挑选重叠果实的分离点ꎬ并采用Ｂｒｅｓｅｎｈａｍ算法连接分离点实现重叠果实的分离ꎮ提取分离果实边缘曲线的有效轮廓后ꎬ通过改进的随机Ｈｏｕｇｈ算法拟合果实圆心及半径ꎮ最后选择１５幅重叠果实区域二值图像ꎬ通过不同角点检测计算结果的比较ꎬ验证了ＳＵＳＡＮ算法相比于其他角点检测方法更为有效ꎻ通过改进的随机Ｈｏｕｇｈ算法识别１１幅图像中的２１个果实ꎬ其圆心相对误差平均值㊁半径相对误差平均值和相对偏差平均值分别为６ ９０％㊁４ １２％和６ ０７％ꎬ比传统Ｈｏｕｇｈ算法分别低４ ０３㊁２ ７５㊁１ １４个百分点ꎬ说明改进的随机Ｈｏｕｇｈ算法得到的拟合圆更接近实际苹果果实区域ꎮ关键词:㊀苹果ꎻ重叠果实ꎻ目标识别ꎻ图像处理中图分类号:㊀ＴＰ３９１.４㊀㊀㊀文献标识码:㊀Ａ㊀㊀㊀文章编号:㊀１０００￣４４４０(２０１９)０２￣０４６９￣０７ＳｅｐａｒａｔｉｏｎａｎｄｒｅｃｏｇｎｉｔｉｏｎｍｅｔｈｏｄｆｏｒｏｖｅｒｌａｐｐｅｄａｐｐｌｅｆｒｕｉｔｓＣＨＥＪｉｎ￣ｑｉｎｇ１ꎬ㊀ＷＡＮＧＦａｎ２ꎬ㊀ＬＹＵＪｉ￣ｄｏｎｇ２ꎬ㊀ＭＡＺｈｅｎｇ￣ｈｕａ２(１.ＳｃｈｏｏｌｏｆＩｎｔｅｌｌｉｇｅｎｔＥｑｕｉｐｍｅｎｔａｎｄＩｎｆｏｒｍａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇꎬＣｈａｎｇｚｈｏｕＶｏｃａｔｉｏｎａｌＩｎｓｔｉｔｕｔｅｏｆＥｎｇｉｎｅｅｒｉｎｇꎬＣｈａｎｇｚｈｏｕ２１３０００ꎬＣｈｉｎａꎻ２.ＳｃｈｏｏｌｏｆＩｎｆｏｒｍａｔｉｏｎＳｃｉｅｎｃｅａｎｄＥｎｇｉｎｅｅｒｉｎｇꎬＣｈａｎｇｚｈｏｕＵｎｉｖｅｒｓｉｔｙꎬＣｈａｎｇｚｈｏｕ２１３１６４ꎬＣｈｉｎａ)㊀㊀Ａｂｓｔｒａｃｔ:㊀Ｉｎｏｒｄｅｒｔｏｒｅｃｏｇｎｉｚｅｔｈｅｏｖｅｒｌａｐｐｅｄａｐｐｌｅｆｒｕｉｔｓａｃｃｕｒａｔｅｌｙꎬａｍｅｔｈｏｄｏｆｓｅｐａｒａｔｉｏｎａｎｄｒｅｃｏｇｎｉｔｉｏｎｏｆｏ￣ｖｅｒｌａｐｐｉｎｇｆｒｕｉｔｓｆｏｒａｐｐｌｅｐｉｃｋｉｎｇｒｏｂｏｔｗａｓｄｅｓｉｇｎｅｄ.ＦｉｒｓｔｌｙꎬｏｎｔｈｅｂａｓｉｓｏｆｏｂｔａｉｎｉｎｇｔｈｅｂｉｎａｒｙｉｍａｇｅｏｆａｐｐｌｅｆｒｕｉｔａｒｅａꎬｔｈｅｆｒｕｉｔｏｆｔｈｅｏｖｅｒｌａｐｐｉｎｇｆｏｒｍｗａｓｄｉｓｔｉｎｇｕｉｓｈｅｄｂｙｕｓｉｎｇｔｈｅｔｒａｎｓｖｅｒｓｅａｎｄｌｏｎｇｉｔｕｄｉｎａｌｐｒｏｊｅｃｔｉｏｎꎬａｎｄｔｈｅｎｔｈｅｃｏｒｎｅｒｐｏｉｎｔｓｗｅｒｅｄｅｔｅｃｔｅｄｂｙｔｈｅＳＵＳＡＮａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎｔｈｅｆｒｕｉｔｅｄｇｅｃｕｒｖｅꎬａｎｄｔｈｅｎｔｈｅｓｅｐａｒａｔｉｏｎｐｏｉｎｔｓｏｆｔｈｅｏｖｅｒ￣ｌａｐｐｅｄｆｒｕｉｔｓｗｅｒｅｓｅｌｅｃｔｅｄｂｙｔｈｅｉｔｅｒａｔｉｖｅｃｏｒｒｏｓｉｏｎａｎｄｂｏｔｔｌｅｎｅｃｋｃｒｉｔｅｒｉａꎬａｎｄＢｒｅｓｅｎｈａｍａｌｇｏｒｉｔｈｍｗａｓｕｓｅｄｔｏｃｏｎｎｅｃｔｓｅｐａｒａｔｉｏｎｐｏｉｎｔｓｔｏａｃｈｉｅｖｅｔｈｅｓｅｐａｒａｔｉｏｎｏｆｏｖｅｒｌａｐｐｉｎｇｆｒｕｉｔ.ＡｆｔｅｒｅｘｔｒａｃｔｉｎｇｔｈｅｅｆｆｅｃｔｉｖｅｃｏｎｔｏｕｒｏｆｓｅｐａｒａｔｉｎｇｆｒｕｉｔｅｄｇｅｃｕｒｖｅꎬｔｈｅｃｅｎｔｅｒａｎｄｒａｄｉｕｓｏｆｆｒｕｉｔｗｅｒｅｆｉｔｔｅｄｂｙｔｈｅｉｍｐｒｏｖｅｄｒａｎｄｏｍＨｏｕｇｈａｌｇｏｒｉｔｈｍ.Ｆｉｎａｌｌｙꎬ１５ｂｉｎａｒｙｉｍａｇｅｓｏｆｏ￣ｖｅｒｌａｐｐｉｎｇｆｒｕｉｔａｒｅａｓｗｅｒｅｓｅｌｅｃｔｅｄｔｏｖｅｒｉｆｙｔｈａｔＳＵＳＡＮａｌｇｏｒｉｔｈｍｗａｓｍｏｒｅｅｆｆｅｃｔｉｖｅｔｈａｎｏｔｈｅｒｃｏｒｎｅｒｄｅｔｅｃｔｉｏｎｍｅｔｈｏｄｓｂｙｃｏｍｐａｒｉｎｇｔｈｅｒｅｓｕｌｔｓｏｆｄｉｆｆｅｒｅｎｔｃｏｒｎｅｒｄｅｔｅｃｔｉｏｎ.ＴｈｅｉｍｐｒｏｖｅｄｒａｎｄｏｍＨｏｕｇｈａｌｇｏｒｉｔｈｍｗａｓｕｓｅｄｔｏｉｄｅｎｔｉｆｙ２１ｆｒｕｉｔｓｉｎ１１ｉｍａｇｅｓ.Ｔｈｅａｖｅｒａｇｅｖａｌｕｅｓｏｆｒｅｌａｔｉｖｅｅｒｒｏｒｏｆｔｈｅｃｅｎｔｅｒꎬｔｈｅｒｅｌａｔｉｖｅｄｅｖｉａｔｉｏｎｏｆｔｈｅｒａｄｉｕｓａｎｄｒｅｌａｔｉｖｅｄｅｖｉａｔｉｏｎｓｗｅｒｅ６.９０％ꎬ４.１２％ａｎｄ６.０７％ｒｅｓｐｅｃｔｉｖｅｌｙꎬｗｈｉｃｈｗｅｒｅ４.０３％ꎬ２.７５％ａｎｄ１.１４％ｌｏｗｅｒｔｈａｎｔｈｏｓｅａｃｑｕｉｒｅｄｂｙｔｈｅｔｒａｄｉｔｉｏｎａｌＨｏｕｇｈａｌｇｏｒｉｔｈｍ.ＴｈｉｓｉｎｄｉｃａｔｅｄｔｈａｔｔｈｅｆｉｔｔｉｎｇｃｉｒｃｌｅｏｂｔａｉｎｅｄｂｙｔｈｅｉｍｐｒｏｖｅｄｒａｎｄｏｍＨｏｕｇｈａｌｇｏｒｉｔｈｍｗａｓｃｌｏｓｅｒｔｏｔｈｅａｃｔｕａｌａｐｐｌｅｆｒｕｉｔａｒｅａ.９６４Ｋｅｙｗｏｒｄｓ:㊀ａｐｐｌｅꎻｏｖｅｒｌａｐｐｅｄｆｒｕｉｔｓꎻｏｂｊｅｃｔｒｅｃｏｇｎｉｔｉｏｎꎻｉｍａｇｅｐｒｏｃｅｓｓｉｎｇ㊀㊀自然生长条件下果实通常会存在重叠遮挡现象ꎬ此类果实的识别是采摘机器人实用化的关键问题[１]ꎮ重叠遮挡生长形态的果实识别方法不同于无遮挡形态果实以及其他生长形态的果实ꎬ在识别之前应对其形态进行判别确认ꎬ而后进行识别ꎮ尹建军等[２]提出了基于形态重建的受控标记分水岭算法搜索靠拢或重叠生长状态的番茄分界线的方法ꎬ实现了不同生长状态下多目标番茄图像的自动分割ꎮ但由于环境的非结构性ꎬ分水岭算法会出现标记失效ꎬ且没有相关量化试验数据验证其分割效果ꎮ谢忠红等[３]以重叠形态的桃果实为研究对象ꎬ提出了一种基于凹点搜索的快速定位和检测重叠果实目标的方法ꎬ在剔除误识别和识别丢失后其定位误差低于７％ꎮ徐越等[４]㊁王丹丹等[５]在去除遮挡苹果果实的非真实轮廓段以及非光滑轮廓段后ꎬ利用保留下来的真实果实轮廓进行目标参数的估计及其定位ꎬ而后综合利用Ｋ￣ｍｅａｎｓ算法㊁数学形态学和Ｓｐｌｉｎｅ样条插值技术ꎬ将重叠苹果果实区域的凹点检测转换为凹区域的凸点检测问题ꎬ简化了凹点检测的复杂度ꎬ平均定位误差１４.１５％ꎻ同时他们还通过融合Ｋ￣ｍｅａｎｓ与Ｎｃｕｔ算法研究了遮挡双重叠苹果目标的分割与重建ꎬ提高了分割目标与真实目标的重合度ꎬ但计算较为复杂ꎮ李立君等[６]则提出了一种基于改进凸壳理论的遮挡油茶果定位检测算法ꎬ对于枝叶遮挡重叠油茶果的分割误差为８.７１％ꎮ罗陆锋等[７]提出了一种双串叠贴葡萄目标识别方法ꎬ识别精准度为８７.６３％~９６ １２％ꎮ本研究在以往相关研究的基础上ꎬ针对红㊁黄㊁绿３种颜色重叠苹果果实ꎬ首先对其重叠形态进行判定ꎬ而后通过角点检测㊁分离点匹配连接实现重叠果实的分离ꎬ再基于分离后果实的有效轮廓通过改进的随机Ｈｏｕｇｈ变换实现重叠苹果果实的识别ꎮ１㊀材料与方法１.１㊀图像采集与试验试验图像从江苏省徐州市丰县苹果种植示范区自然环境下拍摄ꎬ数码相机型号为ＣａｎｏｎＤＩＧＩＴＡＬＩＸＵＳ２００ＩＳꎬ苹果品种为红富士㊁金元帅㊁王林ꎮ采集的图像包括不同光线下果实图像ꎬ图像原分辨率为４０００ˑ３０００像素ꎮ从中抽选１５幅图像进行角点检测算法性能对比ꎬ基于１１幅图像中２１个果实的定位误差指标评判识别效果ꎮ图像试验在ＭａｔｌａｂＲ２０１３ａ软件平台上进行ꎮ平台计算机硬件配置为:处理器Ｉｎｔｅｌ(Ｒ)Ｃｏｒｅ(ＴＭ)２ＤｕｏＣＰＵ＠２.４０ＧＨｚꎬ内存２Ｇꎮ１.２㊀图像分割从所采集的图像中基于分割算法获取果实区域ꎮ由于红色苹果果实以及枝叶与其背景之间具有较大的颜色差别ꎬ为此选择基于颜色特征的果实区域获取方法ꎮ通过研究比较发现采用基于Ｒ￣Ｇ色差因子的ＯＴＳＵ动态阈值分割方法[８]可获得较好的分割效果ꎮ而对于黄色㊁绿色苹果图像ꎬ采用多区域提取而后合并的图像分割方法[９]获取果实区域ꎮ分割后的图像中常有孤立的小点㊁毛刺和小孔洞ꎮ为了减少这些噪声对后续工作的影响ꎬ以邻域标记法对图像中的连通区域进行标记并统计总数ꎬ将小于最大连通区域１/１２的小区域去除ꎬ通过漫水填充算法填补分割区域中的孔洞ꎮ最后将图像划分为果实和背景２个部分ꎮ图１为经过上述操作获取的苹果果实区域二值图像ꎮ图１㊀重叠苹果果实区域获取效果图Ｆｉｇ.１㊀Ｅｘｔｒａｃｔｉｏｎｉｍａｇｅｓｏｆｏｖｅｒｌａｐｐｅｄａｐｐｌｅｆｒｕｉｔａｒｅａ１.３㊀重叠果实形态判定果实形态的判定主要是对重叠形态果实区域的判定ꎬ以便后续针对此生长形态的果实进行进一步处理ꎮ首先对上述分割获得的果实区域以水平最小外接矩形框定ꎬ然后计算各个框定区域内果实图像的欧式距离图(图２)ꎻ基于对图像连通果实区域生０７４江苏农业学报㊀２０１９年第３５卷第２期成的距离图进行横向和纵向投影ꎬ获取横㊁纵向投影图(图３)ꎻ最后基于横㊁纵向投影图中的峰点数量判别是否为重叠形态果实ꎮ只要任一投影图中的最大峰点数量多于２ꎬ即可认为该区域果实为重叠形态果实ꎮ从图３中可以看出ꎬ投影图最大峰点数为２ꎬ由此可以判定图像中的果实为重叠形态的果实ꎮ图２㊀重叠苹果果实欧式距离图Ｆｉｇ.２㊀Ｅｕｃｌｉｄｅａｎｄｉｓｔａｎｃｅｉｍａｇｅｏｆｏｖｅｒｌａｐｐｅｄａｐｐｌｅｆｒｕｉｔｓａ:横向投影图ꎻｂ:纵向投影图ꎮ图３㊀基于重叠苹果果实欧式距离图像的投影图Ｆｉｇ.３㊀Ｐｒｏｊｅｃｔｉｏｎｉｍａｇｅｓｂａｓｅｄｏｎｅｕｃｌｉｄｅａｎｄｉｓｔａｎｃｅｉｍａｇｅｏｆｏｖｅｒｌａｐｐｅｄａｐｐｌｅｆｒｕｉｔｓ１.４㊀重叠区域角点检测由于生长状态㊁光照度不同ꎬ分割出的果实区域形状不规则ꎮ这时如果直接对边缘曲线上的点进行两两匹配寻找分离点ꎬ计算量大且不稳定ꎮ为此首先根据重叠果实区域的边界曲线寻找角点作为后续分离点匹配的预选点组ꎮ通过Ｃａｎｎｙ算子获取边界曲线ꎮＣａｎｎｙ算子相对于其他算子ꎬ例如Ｒｏｂｅｒｔｓ算子㊁Ｓｏｂｅｌ算子和Ｐｒｅｗｉｔｔ算子等ꎬ检测出来的边缘线较细ꎬ边缘连接程度较佳ꎬ且目标细节表现明晰㊁完整ꎬ更容易检测出真正的弱边缘[１０]ꎮ采用ＳＵＳＡＮ角点检测算法在获得的边缘轮廓上寻找角点ꎮＳＵＳＡＮ算法根据像素灰度ꎬ运用一个圆形模型检测与像素点相关的局部区域ꎬ该局部区域被定义为ＵＳＡＮ区域ꎬ是指圆形模板中与中心像素亮度相同或相似的像素所组成的区域ꎮＳＵＳＡＮ角点检测就是根据不同位置时ＵＳＡＮ区域面积判断当前像素点是否为区域角点ꎮ具体过程如下:用５ˑ５圆形模板扫描检测区域ꎮ为了避免检测结果受亮度影响ꎬ采用式(１)计算模板内像素点响应的相似度值ꎮｃ(ｘꎬｙꎬｘ０ꎬｙ０)＝ｅ[ｆ(ｘꎬｙ)－ｆ(ｘ０ꎬｙ０)]６(１)式中ꎬｃ是相似度函数ꎬ(ｘꎬｙ)为模板内任意像素点的坐标ꎬｆ(ｘꎬｙ)为相应的灰度值ꎬ(ｘ０ꎬｙ０)为模板中心像素点的坐标ꎬｆ(ｘ０ꎬｙ０)为中心像素点的灰度值ꎮ计算相应ＵＳＡＮ区域的面积ꎮＵＳＡＮ区域的面积ꎬ就是模板内所有像素点对应的相似度值的总和ꎬ可以表示为:ｎ(ｘ０ꎬｙ０)＝ð(ｘꎬｙ)ｃ(ｘꎬｙꎬｘ０ꎬｙ０)(２)设置固定阈值ｇꎬ采用ＵＳＡＮ区域面积与固定阈值比较ꎬ根据式(３)获得初始角点Ｒꎮ式(３)中ꎬｇ为３/４模板的像元数量ꎮＲ(ｘ０ꎬｙ０)＝ｇ－ｎ(ｘ０ꎬｙ０)ꎬｎ(ｘ０ꎬｙ０)<ｇ０ꎬｎｘ０ꎬｙ０ȡｇ{(３)去除伪角点ꎮ计算ＵＳＡＮ区域重心与模板中心之间的距离ꎬ如果距离较小则该模板中心是伪角点ꎮ若模板中心与ＵＳＡＮ区域重心之间的连线所经过的像素点全部属于该ＵＳＡＮ区域ꎬ则该模板中心即为符合要求的角点(图４)ꎮ方块为检测出来的角点ꎮ图４㊀重叠苹果果实角点检测Ｆｉｇ.４㊀Ｃｏｒｎｅｒｄｅｔｅｃｔｉｏｎｆｏｒｏｖｅｒｌａｐｐｅｄａｐｐｌｅｆｒｕｉｔｓ１７４车金庆等:重叠苹果果实的分离识别方法１.５㊀分离点匹配分离点匹配即找出能够作为分离重叠果实的角点ꎬ而能够作为分离点的角点必须在果实区域中轴线两端ꎬ且所在局部曲线的曲率变化较大ꎮ通过迭代腐蚀的方法ꎬ获取重叠果实区域里每个果实的中心ꎬ连接之后构成中轴线ꎬ然后将检测的角点基于瓶颈准则进行两两匹配ꎮ迭代腐蚀法是将迭代算法与腐蚀算法结合对图像进行形态学处理的组合方法ꎮ具体是指每次操作都将二值图像腐蚀１层ꎬ每次迭代用１次４邻域结构元和１次８邻域结构元腐蚀上一次迭代腐蚀操作后得到的连通区域ꎬ直到再经过一次迭代腐蚀操作连通区域个数为０ꎬ也就是只保留最中间的区域ꎮ在上述过程中考虑到迭代腐蚀算法可能会造成连通区域的减少ꎬ需要每次迭代腐蚀结束后恢复消失的连通区域并且重新标记连通区域ꎮ采用ＳＵＳＡＮ算法保留了局部曲率变化较大的点作为预选角点ꎬ使瓶颈点定位效率提高ꎬ准确性更高ꎬ减少了计算量ꎮ用Ａ和Ｂ表示重叠区域边缘曲线上的角点ꎬ瓶颈准则可用式(４)表示:Ｅ(ＡꎬＢ)＝ｄｉｓｔ(ＡꎬＢ)ｍｉｎ[ｌｅｎｇｔｈ(ＡꎬＢ)ꎬｌｅｎｇｔｈ(ＢꎬＡ)](４)式(４)中ꎬｄｉｓｔ(ＡꎬＢ)表示Ａ㊁Ｂ两点间欧式距离ꎬｌｅｎｇｔｈ表示边缘曲线的距离ꎮ由于边缘曲线闭合ꎬ根据顺㊁逆时针方向计算ꎬ会有２个不同的值ꎬ即ｌｅｎｇｔｈ(ＡꎬＢ)和ｌｅｎｇｔｈ(ＢꎬＡ)ꎬ瓶颈准则公式中选取较小的曲线距离ꎮ选择Ｅ(ＡꎬＢ)值最小时的Ａ∗㊁Ｂ∗点作为瓶颈点ꎮ图５ａ中Ｏ１㊁Ｏ２㊁Ｏ３分别表示迭代腐蚀得到的３个白色区域的质心ꎬＯ１Ｏ２㊁Ｏ２Ｏ３即为所作中轴线ꎬＡ１㊁Ａ２㊁Ｂ１㊁Ｂ２㊁Ｂ３㊁Ｃ是ＳＵＳＡＮ算法检测出的角点ꎮ基于瓶颈准则选定的分离点见图５ｂꎬ去除了一些无效角点ꎮ１.６㊀分离点连接分离点匹配后ꎬ要将重叠果实分离ꎬ还需要作出分离线ꎮ采用Ｂｒｅｓｅｎｈａｍ算法[１１]连接所匹配的分离点ꎮＢｒｅｓｅｎｈａｍ算法是计算机图形学领域使用最广泛的直线生成方法ꎬ不仅速度快㊁效果好ꎬ而且理论上证明它是目前同类各种算法中最优的ꎮ通过该算法作出分离线后ꎬ将分离线像素取反ꎬ与果实区域的二值图像进行与运算ꎬ即可将重叠果实区域分离(图６)ꎮ１.７㊀果实识别由于果实目标区域的特殊性ꎬ分割得到的果实图５㊀重叠苹果果实分离点匹配效果图Ｆｉｇ.５㊀Ｓｅｐａｒａｔｉｏｎｐｏｉｎｔｍａｔｃｈｉｎｇｅｆｆｅｃｔｉｍａｇｅｓｆｏｒｏｖｅｒｌａｐｐｅｄａｐｐｌｅｆｒｕｉｔｓ图６㊀重叠苹果果实分离效果图Ｆｉｇ.６㊀Ｓｅｐａｒａｔｉｏｎｅｆｆｅｃｔｉｍａｇｅｓｆｏｒｏｖｅｒｌａｐｐｅｄａｐｐｌｅｆｒｕｉｔｓ区域不是完整规则的圆形ꎬ采用传统拟合方法则会导致拟合圆的区域相对于实际果实目标区域过大或过小ꎬ为果实的识别定位带来较大的误差ꎬ不利于机器人采摘ꎮ为此先提取各个分离果实区域的有效圆弧轮廓ꎬ然后基于所提取的有效圆弧轮廓ꎬ采用改进的随机Ｈｏｕｇｈ变换方法重建圆形轮廓和圆心ꎮ有效轮廓是指果实区域边缘上曲率相同的圆弧曲线ꎮ由于分割的果实区域边缘曲线较复杂ꎬ直接从边缘曲线上提取有效轮廓的计算量较大ꎮ为了减少计算量ꎬ通过果实的凸壳图像来提取有效轮廓ꎮ有效圆弧轮廓的相邻凸壳顶点形成的直线斜率变化较小ꎬ接近拟合圆的圆弧ꎻ无效轮廓上相邻凸壳顶点形成的直线斜率存在突变或者有较大间距[１２]ꎮ提取果实区域有效轮廓的方法如下:(１)以逆时针方向跟踪凸壳顶点ꎬ按照检测顺序排序并确定各个顶点的位置ꎮ(２)根据序号大小计算相邻顶点间距(Ｄ)和所有顶点间距的平均值(ＴＤ)ꎮ若ＴＤ<Ｄꎬ则认为两顶点间线段为无效轮廓并去除ꎻ反之则该线段作为预选有效轮廓ꎮ(３)计算预选有效轮廓的线段斜率(ｋ)ꎬ并计算相邻预选有效轮廓线段斜率的绝对差值(Ｓ)和所有斜率绝对差值的均值(ＴＳ)ꎮ(４)若相邻预选有效轮廓线段的绝对差值(Ｓ)符合０<Ｓ<ＴＳꎬ则该相邻的两段线段为有效轮廓ꎬ否则为无效轮廓ꎬ并去除ꎮ图７ｂ即为在图７ａ凸壳图基础２７４江苏农业学报㊀２０１９年第３５卷第２期上获取的有效轮廓图ꎮ图７㊀重叠苹果果实有效轮廓提取效果图Ｆｉｇ.７㊀Ｅｆｆｅｃｔｉｖｅｃｏｎｔｏｕｒｅｘｔｒａｃｔｉｏｎｅｆｆｅｃｔｉｍａｇｅｓｏｆｏｖｅｒｌａｐｐｅｄａｐｐｌｅｆｒｕｉｔｓ㊀㊀Ｈｏｕｇｈ变换是图像特征检测和识别中常用的一种方法ꎬ其主要优点是对图像中的噪声点不敏感ꎬ可有效地滤除噪声以提高检测结果的可信度ꎮ主要缺点是存储空间大ꎬ运算时间长[１３￣１４]ꎮ随机Ｈｏｕｇｈ方法在图像空间随机选取不共线的３个特征点映射成参数空间的１个点ꎬ是多到１的映射ꎬ从而避免了传统Ｈｏｕｇｈ变换１到多映射的庞大计算量ꎮ本研究基于上述提取的有效轮廓ꎬ采用改进的随机Ｈｏｕｇｈ变换拟合果实区域ꎮ具体方法如下:将单个果实的有效轮廓等分成Ｅ份ꎬ按逆时针方向从各等份有效轮廓中任选一点作为特征点ꎬ确定特征点的位置ꎬ并按逆时针方向排序ꎮ按照序号以步长Ｓ提取相应的特征点ꎬ每３个点作为一组ꎬ设为Ｐ１(ｘ１ꎬｙ１)㊁Ｐ２(ｘ２ꎬｙ２)㊁Ｐ３(ｘ３ꎬｙ３)ꎮ利用式(５)计算出每组特征点相应的圆心坐标Ｏ(ｘꎬｙ)ꎬ同时该圆心坐标对应的累加器Ａ(ｘꎬｙ)加１ꎮ㊀㊀㊀㊀㊀㊀㊀㊀㊀ｘ＝(ｙ２＋ｙ１)ｋ１ｋ２＋(ｘ２＋ｘ１)ｋ２－(ｙ３＋ｙ１)ｋ１ｋ２＋(ｘ３＋ｘ１)ｋ１２ｋ１ｋ２(ｋ２－ｋ１)ｙ＝(ｙ３＋ｙ１)ｋ２１ｋ２＋(ｘ３＋ｘ１)ｋ２１－(ｙ２＋ｙ１)ｋ１ｋ２２＋(ｘ２＋ｘ１)ｋ２２２ｋ１ｋ２(ｋ１－ｋ２)ìîíïïïïï(５)㊀㊀式中ꎬｋ１㊁ｋ２分别是弦Ｐ１Ｐ２㊁Ｐ２Ｐ３的斜率ꎮ若Ｓ<Ｅ/３ꎬ则步长Ｓ加１ꎬ并重复步骤(２)ꎬ否则继续步骤(４)ꎮ当Ａ(ｘꎬｙ)值大于设定阈值Ｔｎ时ꎬ求出Ａ(ｘꎬｙ)对应的所有圆心坐标的平均值Ｏａ(ｘａꎬｙａ)ꎬ即为拟合圆圆心坐标ꎮ利用拟合圆圆心坐标和相应的特征点组ꎬ用式(６)计算各个特征点组相应的半径ｒꎬ同时将ｒ对应的累加器Ｂ(ｒ)加１ꎮｒ＝(ｘｉ－ｘ)２＋(ｙｉ－ｙ)(６)式中ꎬｘｉ㊁ｙｉ分别是有效轮廓上的第ｉ个点的横纵坐标ꎮ当Ｂ(ｒ)的值大于设定阈值Ｔｎ时ꎬ求出Ｂ(ｒ)对应的所有预选半径的平均值[Ｂａ(ｒａ)]ꎬ即为拟合圆的半径ꎮ图８ａ为提取的有效轮廓以及在此基础上的拟合圆ꎬ图８ｂ则是拟合圆在果实图像中实际区域的效果图ꎮ２㊀结果与分析为了说明ＳＵＳＡＮ角点检测算法的有效性ꎬ选择１５幅图像中的重叠果实区域二值图像ꎬ分别使用ＣＳＳ曲率尺度空间角点检测㊁Ｈａｒｒｉｓ角点检测㊁ＳＵＳＡＮ角点检测算法进行计算ꎮ从表１中可知ꎬ相比于ＣＳＳ算法和Ｈａｒｒｉｓ算法ꎬＳＵＳＡＮ算法检测得到的正确角点数较多ꎬ丢失角点个数和伪角点个数较少ꎮ图８㊀重叠苹果果实识别效果图Ｆｉｇ.８㊀Ｒｅｃｏｇｎｉｔｉｏｎｅｆｆｅｃｔｉｍａｇｅｓｆｏｒｏｖｅｒｌａｐｐｅｄａｐｐｌｅｆｒｕｉｔｓ表１㊀重叠苹果果实角点检测结果Ｔａｂｌｅ１㊀Ｃｏｒｎｅｒｄｅｔｅｃｔｉｏｎｒｅｓｕｌｔｓｆｏｒｏｖｅｒｌａｐｐｅｄａｐｐｌｅｆｒｕｉｔｓ算法正确角点数丢失角点数伪角点数ＣＳＳ４０１２６０Ｈａｒｒｉｓ２８２４４１ＳＵＳＡＮ４９３１９㊀㊀机器人采摘果实时ꎬ其采摘质量不仅与果实形状有关ꎬ也与果实形状的中心和果实的大小有关ꎮ为了验证所设计方法的有效性ꎬ用相对偏差(ｖ)[１３]㊁圆心相对误差(ＣＲＥｒｒｏｒ)和半径相对误差(ＲＲＥｒｒｏｒ)[６]作为评价识别效果的指标ꎮｖ＝Ｌ/ＳＹ(７)式中ꎬＬ是果实形状的中心与拟合圆圆心的距３７４车金庆等:重叠苹果果实的分离识别方法离ꎬＳＹ是果实实际区域的面积ꎮＣＲＥｒｒｏｒ＝Ｌ/｜ＲｅａｌＲ｜(８)ＲＲＥｒｒｏｒ＝｜ＣａｌＲ－ＲｅａｌＲ｜/｜ＲｅａｌＲ｜(９)式(８)㊁(９)中ꎬＬ是果实形状的中心与拟合圆圆心的距离ꎬＲｅａｌＲ是果实图像的半径ꎬＣａｌＲ是拟合圆的半径ꎮ３个误差值越小ꎬ表示拟合圆越接近果实实际区域ꎮ表２中列出了图像中２１个果实的实际面积㊁形状的中心坐标及半径㊁改进的随机Ｈｏｕｇｈ算法计算的拟合圆心和半径㊁常规Ｈｏｕｇｈ算法计算的拟合圆心和半径ꎮ表３是采用改进的随机Ｈｏｕｇｈ算法与传统Ｈｏｕｇｈ算法以表２中的数据计算得出的圆心误差和圆心距离ꎬ以及利用式(７)㊁(８)㊁(９)计算得出的圆心相对误差㊁半径相对误差和相对偏差ꎮ试验中圆心距离是指坐标差值对应的直线距离ꎬ圆心误差是指拟合圆圆心与果实形状的中心的坐标差值ꎮ表２㊀重叠苹果果实实际参数与拟合参数计算结果Ｔａｂｌｅ２㊀Ｃａｌｃｕｌａｔｉｏｎｒｅｓｕｌｔｓｏｆａｃｔｕａｌｐａｒａｍｅｔｅｒｓａｎｄｆｉｔｔｉｎｇｐａｒａｍｅｔｅｒｓｏｆｏｖｅｒｌａｐｐｅｄａｐｐｌｅｆｒｕｉｔｓ图序号果实形状中心(像素)果实半径(像素)果实面积(像素ˑ像素)改进随机Ｈｏｕｇｈ算法拟合圆心(像素)拟合圆半径(像素)常规Ｈｏｕｇｈ算法拟合圆心(像素)拟合圆半径(像素)１(８１ꎬ１４８)６４１２４１２(８０ꎬ１５４)６１(８１ꎬ１４４)６９(１４１ꎬ２１５)７６１６７７５(１４６ꎬ２１０)７４(２１２ꎬ１４３)７６(２４８ꎬ１８０)５１２３８５(２４８ꎬ１８０)４９(２４９ꎬ１８１)４９２(２２６ꎬ１２９)６８１３２９６(２２６ꎬ１３０)６８(２２５ꎬ１３１)７１３(１３８ꎬ９５)７８９７１４(１３９ꎬ９４)５５(１３７ꎬ９４)５６４(５２ꎬ１２２)４９３４８２(５２ꎬ１２０)４７(４９ꎬ１１９)４９(１４０ꎬ１２９)８４２００２４(１４１ꎬ１２９)８０(１４０ꎬ１２４)８５５(１４６ꎬ１４６)７９１８０９３(１４３ꎬ１４７)７７(１４３ꎬ１４７)７８６(１１８ꎬ７３)３４２１０４(１２０ꎬ７４)２９(１１３ꎬ８１)２５(１５８ꎬ１４３)６３１１１００(１６２ꎬ１４４)５９(１５９ꎬ１４１)６３(２０９ꎬ１１２)５１４１２９(２１７ꎬ１１２)４４(２１９ꎬ１１０)４２７(１５０ꎬ１０６)７６１５８５８(１４６ꎬ１０７)７３(１４７ꎬ１００)８０８(１７９ꎬ１２９)９０２１３１１(１７４ꎬ１３１)８７(１６１ꎬ１３４)８８９(１１９ꎬ５３)１９８５６(１１９ꎬ５５)１７(１１５ꎬ６１)２６(１３８ꎬ１２３)６７１２６３４(１４０ꎬ１２２)６５(１３９ꎬ１２１)６７１０(７８ꎬ１２１)６２１０２７６(８９ꎬ１２８)６２(８６ꎬ１２９)６２(１９２ꎬ１０８)６３１０９８４(１９２ꎬ１１１)６３(１９５ꎬ１１０)６３１１(５８ꎬ１５３)３３２９０５(６１ꎬ１５４)３１(６１ꎬ１５４)３２(１４３ꎬ１００)４２５２８８(１４２ꎬ１０２)４２(１４５ꎬ１０１)４２(１４２ꎬ１９４)２８２１６２８(１４３ꎬ１９８)２５(１４５ꎬ１９８)２６(２４６ꎬ１８８)３４３４９６(２４５ꎬ１８９)３３(２４７ꎬ１８７)３５㊀㊀从表２㊁表３可以看出ꎬ改进的随机Ｈｏｕｇｈ算法得到的圆心与实际圆心的距离较小ꎬ因而圆心相对误差较小ꎻ改进的随机Ｈｏｕｇｈ算法得到的拟合圆半径更接近果实实际半径ꎬ因而半径相对误差也较小ꎮ改进的随机Ｈｏｕｇｈ算法得到的圆心相对误差㊁半径相对误差和相对偏差平均值分别为６ ９０％㊁４ １２％和６ ０７％ꎬ常规Ｈｏｕｇｈ算法得到的这３个指标的平均值分别为１０ ９３％㊁６ ８７％和７ ２１％ꎮ与改进的随机Ｈｏｕｇｈ算法误差平均值相比ꎬ常规Ｈｏｕｇｈ算法的圆心相对误差平均值高４ ０３个百分点ꎬ半径相对误差平均值高２ ７５个百分点ꎬ相对偏差平均值高１ １４个百分点ꎬ说明改进的随机Ｈｏｕｇｈ算法得到的拟合圆更接近果实区域ꎮ３㊀结论为了苹果采摘机器人能够准确识别重叠状态下的果实目标ꎬ本研究设计了重叠苹果果实的分离识别方法ꎮ首先研究了重叠形态果实的判别方法ꎻ而后通过角点检测㊁分离点匹配连接ꎬ分离重叠形态果实ꎬ在提取分离果实的有效圆弧轮廓后ꎬ通过改进的随机Ｈｏｕｇｈ变换方法识别分离后的果实ꎮ最后通过试验验证了本方法的有效性ꎮ本方法对于其他重叠果蔬图像的识别也有一定的借鉴意义ꎮ４７４江苏农业学报㊀２０１９年第３５卷第２期表３㊀重叠苹果果实识别误差计算结果Ｔａｂｌｅ３㊀Ｒｅｃｏｇｎｉｔｉｏｎｅｒｒｏｒｃａｌｃｕｌａｔｉｏｎｒｅｓｕｌｔｓｆｏｒｏｖｅｒｌａｐｐｅｄａｐｐｌｅｆｒｕｉｔｓ图序号改进随机Ｈｏｕｇｈ算法圆心误差(像素)圆心距离(像素)圆心相对误差(％)半径相对误差(％)相对偏差(％)常规Ｈｏｕｇｈ算法圆心误差(像素)圆心距离(像素)圆心相对误差(％)半径相对误差(％)相对偏差(％)１(１ꎬ－６)６.０８９.４５４.６８５.４６(０ꎬ４)４.００６.２５７.８１３.５９(－５ꎬ５)７.０７９.３０２.６３５.４６(－２ꎬ３)３.６０４.７４０２.７８(０ꎬ０)００.００３.９２０(－１ꎬ－１)１.４１２.７６３.９２２.８９２(０ꎬ－１)１.００１.４７０.０００.８７(１ꎬ－２)２.２３３.２８４.４１１.９３３(－１ꎬ１)１.４１１.８１２９.４９１.４３(１ꎬ１)１.４１１.８１２８.２１１.４３４(０ꎬ２)２.００４.０８４.０８３.３９(３ꎬ３)４.２４８.６５０７.１９(－１ꎬ０)１.００１.１９４.７６０.７１(０ꎬ５)５.００５.９５１.１９３.５３５(３ꎬ－１)３.１６４.００２.５３２.３５(３ꎬ－１)３.１６４.００１.２７２.３５６(－２ꎬ－１)２.２３６.５６１４.７１４.８６(５ꎬ－８)９.４３２７.７４２６.４７２０.５６(－４ꎬ－１)４.１２６.５４６.３５３.９１(－１ꎬ２)２.２３３.５４０２.１２(－８ꎬ０)８.００１５.６９１３.７３１２.４５(－１０ꎬ２)１０.１９１９.９８１７.６５１５.８６７(４ꎬ－１)４.１２５.４２３.９５３.２７(３ꎬ６)６.７０８.８２５.２６５.３２８(５ꎬ－２)５.３８５.９８３.３３３.６９(１８ꎬ－５)１８.６８２０.７６２.２２１２.７９９(０ꎬ－２)２.００１０.５３１０.５３６.８４(４ꎬ－８)８.９４４７.０５３６.８４３０.５６(－２ꎬ１)２.２３３.３３２.９９１.９８(－１ꎬ２)２.２３３.３３２.９９１.９８１０(－１１ꎬ－７)１３.０３２１.０１０.００１２.８５(－８ꎬ－８)１１.３１１８.２４０１１.１６(０ꎬ－３)３.００４.７６０.００２.８６(－３ꎬ－２)３.６０５.７１０３.４３１１(－３ꎬ－１)３.１６９.５８６.０６５.８６(－３ꎬ－１)３.１６９.５８０５.８６(１ꎬ－２)２.２３５.３１０.００３.０７(－２ꎬ－１)２.２３５.３１３.０３３.０７(－１ꎬ－４)４.１２１４.７１１０.７１２.８０(－３ꎬ－４)５.００１７.８６７.１４３.４０(１ꎬ－１)１.４１４.１５２.９４２.３８(－１ꎬ１)１.４１４.１５２.９４２.３８平均值－－６.９０４.１２６.０７－－１０.９３６.８７７.２１参考文献:[１]㊀宋怀波ꎬ张传栋ꎬ潘景朋ꎬ等.基于凸壳的重叠苹果目标分割与重建算法[Ｊ].农业工程学报ꎬ２０１３ꎬ２９(３):１６３￣１６８. [２]㊀尹建军ꎬ毛罕平ꎬ王新忠ꎬ等.不同生长状态下多目标番茄图像的自动分割方法[Ｊ].农业工程学报ꎬ２００６ꎬ２２(１０):１４９￣１５３. [３]㊀谢忠红ꎬ姬长英ꎬ郭小清ꎬ等.基于凹点搜索的重叠果实定位检测算法研究[Ｊ].农业机械学报ꎬ２０１１ꎬ４２(１２):１９１￣１９６. [４]㊀徐㊀越ꎬ李盈慧ꎬ宋怀波ꎬ等.基于Ｓｎａｋｅ模型与角点检测的双果重叠苹果目标分割方法[Ｊ].农业工程学报ꎬ２０１５ꎬ３１(１):１９６￣２０３.[５]㊀王丹丹ꎬ徐㊀越ꎬ宋怀波ꎬ等.融合Ｋ￣ｍｅａｎｓ与Ｎｃｕｔ算法的无遮挡双重叠苹果目标分割与重建[Ｊ].农业工程学报ꎬ２０１５ꎬ３１(１０):２２７￣２３４.[６]㊀李立君ꎬ阳涵疆.基于改进凸壳理论的遮挡油茶果定位检测算法[Ｊ].农业机械学报ꎬ２０１６ꎬ４７(１２):２８５￣２９２. [７]㊀罗陆锋ꎬ邹湘军ꎬ王成琳ꎬ等.基于轮廓分析的双串叠贴葡萄目标识别方法[Ｊ].农业机械学报ꎬ２０１７ꎬ４８(６):１５￣２２. [８]㊀马正华ꎬ申根荣ꎬ吕继东.基于极限腐蚀的重叠苹果果实分割方法[Ｊ].江苏农业学报ꎬ２０１７ꎬ３３(６):１３７２￣１３７８. [９]㊀王㊀帆ꎬ吕继东ꎬ申根荣ꎬ等.基于ＣＬＡＨＥ和开闭运算的绿色苹果图像分割[Ｊ].计算机测量与控制ꎬ２０１７ꎬ２５(２):１４１￣１４５.[１０]田光兆ꎬ姬长英ꎬ王海青ꎬ等.基于ＭＡＴＬＡＢ的若干苹果边缘检测方法及其特性的对比研究[Ｊ].科学技术与工程ꎬ２０１０ꎬ１０(１６):３８７３￣３８７７.[１１]刘㊀坤ꎬ吕晓琪ꎬ谷㊀宇ꎬ等.快速数字影像重建的２维/３维医学图像配准[Ｊ].中国图象图形学报ꎬ２０１６ꎬ２１(１):６９￣７７. [１２]王㊀鑫ꎬ胡洋洋ꎬ杨慧中.基于迭代腐蚀的粘连细胞图像分割研究[Ｊ].南京理工大学学报ꎬ２０１６ꎬ４０(３):２８６￣２８９. [１３]丁幼春ꎬ王书茂.基于ＲＨＴ的多圆检测改进算法[Ｊ].中国农业大学学报ꎬ２００８ꎬ１３(４):１２１￣１２５.[１４]冯养杰ꎬ林小竹.基于改进Ｈｏｕｇｈ变换的指针式仪表自动识别方法研究[Ｊ].北京印刷学院学报ꎬ２０１５ꎬ２３(４):６２￣６６.(责任编辑:张震林)５７４车金庆等:重叠苹果果实的分离识别方法。
