基于机器视觉的幼苗自动嫁接参数提取_贺磊盈_蔡丽苑_武传宇
- 格式：pdf
- 大小：897.55 KB
- 文档页数：6
下载文档原格式
合集下载
蔬菜嫁接机器人嫁接苗特征参数的视觉测量方法
摘 要：嫁接用苗的直径、生长点坐标、苗长等特征信息，是判断能否嫁接匹配的有效参数特征，也是迅速获取机器人
嫁接位置参数的重要依据。为了提取相关蔬菜嫁接机器人的嫁接用苗特征信息（嫁接苗生长点坐标、砧木苗子叶茎截面
的长短轴直径、穗木苗子叶茎截面长短轴直径、砧木苗长度及穗木苗长度等），该文提出了一种图像处理综合算法。该算
已有学者的研究集中在目标图像边缘检测，图像融
第9期
张 雷等：蔬菜嫁接机器人嫁接苗特征参数的视觉测量方法
33
合及图像分割上，为各种农作物位置判断、病虫害跟踪和 农作物采摘提供了大量技术依据。为实现蔬菜嫁接过程的 自动上下苗，需要克服图像获取背景复杂，叶片表面叶脉 与叶片的色彩差异大，叶子边缘有些地方梯度变化不明显， 枝条重叠，甚至有叶片光照不均或者反光现象等困难。本 文结合自制机器人系统的实际工况，以葫芦嫁接砧木苗为 研究对象，提出了一种能够处理自然条件下所采集彩色图 像的算法，能快速实现尺寸信息获取，并将所提出图像处 理方法用于嫁接苗的信息获取，实现砧木苗和穗木苗生长 点空间位置的自动检测，以便于后续切削机构对待切削位 置进行准确定位。同时获取砧木苗、穗木苗相应截面直径 尺寸，用以判断是否能用于嫁接匹配。
无损检测；宋怀波等[3]在 Contourlet 变换（contourlet transform, CT）的基础上，采用适合农作物图像的融合规 则进行融合处理，采用了一种改进的线性加权融合方法 选择低频子带系数，经过 Contourlet 逆变换得到融合图 像，有效提高了图像融合的效果；吴露露等[4]根据病斑的 形态特点，提出一种基于边缘检测与改进 Hough 变换的 病斑目标检测方法，采用边缘提取、修复、过滤等方法 获取了病斑轮廓，并对 Hough 变换的应用策略进行改进， 对病斑进行类圆目标检测，检测圆拟合精度为 87.01%， 圆心定位误差为 4.44%；吴见等[5]通过跟踪对象运动矢量 方向和速度的连贯性及最小化函数，从临近位置内存在 的多个兴趣点中筛选出目标兴趣点，采用最小化接近一 致性代价幻影点函数的方法，该算法产生一个帧间幻影 点代替因叶片相互遮挡可能丢失的兴趣点，得到了单目 视觉的移栽钵苗叶片朝向的调整策略；张亚静等[6]、周天 娟等[7]、赵博等[8]、关海鸥等[9-15]分别将亮度和颜色的信 息融合 BP 神经网络、遗传模糊神经网络、聚类快速分割 和分水岭区域分割、基于微粒群与 K-均值算法的图像分 割等方法运用到农业玉米、谷粒、枣叶以及西红柿的图 像分割中，都达到了期望的目标；孙俊等[16-18]针对农作 物植株病虫害防治，将机器视觉用于害虫多姿态特征提 取和害虫运动轨迹研究；王传宇等[19-23]将激光定位和图 像分析方法用在机器人的自动采摘和植株特征分析与识 别中，也得到了较好的工程效果。
基于labview的作物关键生长参数提取
割，表示为
C1, 0 ≤ f ( x, y) ≤ T1 C2 , T1 ≤ f ( x, y) ≤ T2
.
g
(
x,
y
)
=
.
.
( ) Cn−1, Tn−2 ≤ f x, y ≤ Tn−1
Cn
,
Tn−1
≤
f
( x, y) ≤
Max
图 3 成长期缺
（2）素诊断流程
മۿ
பைடு நூலகம்
其 中，T（i i=0，1，2， … ..，n-1）为 阈 值，Max 为 图 像 中 像 素 的 最 大 灰 度 . C（i=1， 䰸٬࠶ࢢ
2，…，n）为常数，用来标记不同类别的像素 . 由此可见，多阈值分割法用一对灰度值 （TLower，THigher）划定的灰度区间划定像素类，用灰度值常量标定各类 ［2］ .
Ҽ٬ॆമۿ 䖜ᦒѪROI
2.2 生长参数提取的实现 2.2.1 图像预处理
䚞㖙䘀㇇
由于拍摄的图片为彩色图像，包含了大量的颜色信息，而这些颜色信息几乎用不到， 因此选择了抽取 HSL-Luminance Plane 的方法，通过 NI Vision 中的 Color Plane Extraction
间，常以图像的灰度直方图作为参考，选取某一阈值将图像中的目标和背景分割开来 . 若原
始图像为（f x，y），选取的灰度阈值为 T，则最简单的阈值分割方法可表示为：
g ( x, y)
=
1, 0,
f f
( x, y) ≥ T ( x, y) < T
（1）
其中，g（x，y）为分割后的图像 . 但在实际工作中，为了提高精准度，常会采用多阈值分
王苏昕，等：基于 LabVIEW 的作物关键生长参数提取
机器视觉选苗检测系统的嫁接苗木测量技术研究
机器视觉选苗检测系统的嫁接苗木测量技术研究
张卫国;李时舫;马玲;羿宏雷
【期刊名称】《农机化研究》
【年(卷),期】2024(46)9
【摘要】自动化苗木的嫁接,需要对苗木进行挑选。
为此,设计一种苗木检测系统,通过传送带单株传送苗木,利用工业相机拍摄苗木的图像,并通过专门的开发识别软件,利用图像识别技术中依赖的OpenCV和用于数值计算的NumPy这两个外部库,对图片中的苗木轮廓提取,进行二值图像处理,利用格林公式计算出最小面积和长度及苗木的直径和弯曲度。
测试结果表明:该方法有效,精度较高,可分析苗木的直径及弯曲度,剔除那些不适合自动化嫁接的苗木。
【总页数】5页(P148-152)
【作者】张卫国;李时舫;马玲;羿宏雷
【作者单位】哈尔滨林业机械研究所;国家林业和草原局林业机电工程实验室【正文语种】中文
【中图分类】S237;S24
【相关文献】
1.甘薯脱毒苗病毒嫁接检测技术研究
2.线激光--机器视觉测量系统中的多传感器融合技术研究
3.基于机器视觉的嫁接用苗外观特征自动检测
4.基于机器视觉的蔬菜嫁接机自动上苗控制系统设计
5.基于嵌入式机器视觉的玉米苗分级检测系统设计
因版权原因，仅展示原文概要，查看原文内容请购买。
基于机器视觉的瓜科砧木苗参数提取
2021年8月Aug.2021第45卷第4期Vol.45,No.4热带农业工程TROPICAL AGRICULTURAL ENCINEERING基于机器视觉的瓜科砧木苗参数提取①周磊②龚征绛费焕强陈武查杨喻擎苍③（浙江理工大学浙江杭州310018）摘要为解决半自动嫁接机嫁接过程中需人工取苗问题，通过机器视觉方法对目标进行HSV 多值化操作，分析光照强度对轮廓提取的影响，最后提取目标轮廓，对轮廓使用优化后的最小外接圆方法计算出砧木苗张开角度参数，并以此为基础计算砧木苗的最长截线宽度。
结果显示，优化后最小外接圆方法处理速度是传统方法7倍，准确率为99.2%，砧木苗张开角度准确率为99.58%，采用“垂直法”求解的最长截线宽度平均误差为3.6个像素。
因此，基于机器视觉可以准确地确定砧木苗的张开角度，保证了砧木苗抬升后均可保持相同姿态，为后续嫁接操作提供广阔空间。
关键词机器视觉；最小外接圆；嫁接；参数提取中图分类号S224Extraction of Parameters of Cucurbitaceae Rootstock SeedlingsBased on Machine VisionZHOU LeiGONG ZhengjiangFEI HuanqiangCHEN WuZHA Yang YU Qingcang(Zhejiang Sci-tech University,Hangzhou,Zhejiang 310018)Abstract In order to solve the problem that the semi-automatic grafting machine still requires manual seed ‐ling during the grafting process,the degree of automation of the automatic grafting machine is improved.Perform HSV multi-value operation on the target by machine vision method,analyzed the influence of light intensity on contour extraction,finally extracted the target contour,used the optimized minimum circum ‐scribed circle method to calculate the opening angle parameter of the rootstock seedling,and use this Calcu ‐late the longest line width of the rootstock seedlings based on it.The results showed that the optimized mini ‐mum circumscribed circle method is 7times faster than the traditional method,with an accuracy rate of 99.2%.The accuracy of the opening angle of the rootstock seedling obtained by the solution is 99.58%.The average error of the line width is 3.6pixels.Therefore,the opening angle of the rootstock seedling can be ac ‐curately determined based on the machine vision,which ensures that the rootstock seedling can maintain the same posture after being raised and provides a broad space for subsequent grafting operations.Keywords machine vision ;minimum circumscribed circle ;grafting ;parameter extraction嫁接机种类主要有全自动嫁接机、半自动嫁接机及手动嫁接机。
基于机器视觉的农作物病虫害自动检测技术
基于机器视觉的农作物病虫害自动检测技术随着农业的发展和人口的增长，保障粮食安全成为各国关注的重点。
然而，全球范围内病虫害对农作物产量和质量造成了严重的影响。
传统的病虫害检测方法依赖于专业人员的经验和目视观察，后期往往以繁琐的实验室检测为主。
为了提高农作物病虫害的检测效率和准确性，基于机器视觉的农作物病虫害自动检测技术应运而生。
机器视觉是一种模拟人眼观察和理解视觉信息的技术，通过图像采集、处理和分析等步骤，可以对农作物的病虫害进行自动检测。
该技术主要包括图像采集、图像预处理、特征提取和分类识别等步骤。
首先，图像采集是基于机器视觉检测的重要步骤之一。
通过使用高分辨率的数字相机或其他图像采集设备，对农作物进行拍摄。
拍摄时可以使用手持设备、无人机或自动化平台等，以获取不同高度和视角的图像。
这些图像将作为数据输入进行后续的处理和分析。
其次，图像预处理是为了提取和增强农作物图像中的有用信息。
这一步骤包括图像去噪、图像增强和图像分割。
去噪可以通过滤波算法来减少图像中的噪声，并提高图像的质量。
图像增强可以通过对比度增强、亮度调整和直方图均衡化等方法来增强图像的细节。
图像分割是将图像分为不同的区域，以便更好地提取农作物的特征。
接下来，特征提取是为了从农作物图像中提取有用的信息，用于区分正常作物和受损作物。
特征提取方法可以分为基于颜色特征、纹理特征和形状特征等多种方法。
颜色特征是通过提取图像中不同颜色区域的像素值进行的。
而纹理特征是通过提取图像中的纹理细节信息来进行的。
形状特征则是通过计算图像中物体的轮廓、面积和周长等特性来进行的。
最后，分类识别是将提取到的特征与预先训练的分类模型进行比对，以判断农作物是否受到病虫害的侵害。
在分类识别阶段，可以使用机器学习算法，如支持向量机、神经网络和深度学习等方法。
这些算法能够学习和识别不同病虫害对应的特征模式，并进行自动的分类识别。
基于机器视觉的农作物病虫害自动检测技术具有许多优势。
《2024年基于机器视觉的服务机器人智能抓取研究》范文
《基于机器视觉的服务机器人智能抓取研究》篇一一、引言随着科技的飞速发展，服务机器人已逐渐成为人们日常生活和工作中不可或缺的一部分。
在众多服务机器人功能中，智能抓取技术尤为关键，它能够使机器人自主完成各种复杂任务。
本文将针对基于机器视觉的服务机器人智能抓取技术进行深入研究，探讨其原理、应用及挑战。
二、机器视觉与智能抓取技术概述机器视觉是一种模拟人类视觉的技术，通过图像处理和模式识别等方法，使机器能够获取并理解周围环境的信息。
智能抓取技术则是基于机器视觉的技术，通过分析目标物体的形状、大小、位置等信息，使机器人能够自主完成抓取任务。
三、基于机器视觉的智能抓取技术原理基于机器视觉的智能抓取技术主要依赖于图像处理和模式识别技术。
首先，机器人通过摄像头等设备获取目标物体的图像信息。
然后，通过图像处理技术对图像进行预处理，如去噪、二值化等。
接着，利用模式识别技术对目标物体进行特征提取和识别，如边缘检测、特征匹配等。
最后，根据识别结果，机器人自主规划抓取路径和动作，完成抓取任务。
四、智能抓取技术的应用智能抓取技术在服务机器人领域具有广泛的应用。
例如，在物流领域，智能抓取技术可用于自动化分拣、搬运等任务；在医疗领域，智能抓取技术可用于辅助医生进行手术操作、药品分发等任务；在家庭服务领域，智能抓取技术可用于协助老人、儿童等完成日常生活中的各种任务。
五、挑战与解决方案尽管基于机器视觉的智能抓取技术在许多领域取得了显著的成果，但仍面临诸多挑战。
首先，在复杂的自然环境下，如何提高图像处理的准确性和实时性是一个重要的问题。
针对这个问题，可以采用深度学习等先进的算法模型来提高图像识别的准确性。
其次，机器人对目标物体的定位和抓取也需要更加精确和灵活。
为了解决这个问题，可以通过优化机械臂的结构和控制算法来提高抓取的准确性和效率。
此外，对于未知或动态环境下的抓取任务，可以借助传感器等设备进行实时监测和调整。
六、实验与分析为了验证基于机器视觉的智能抓取技术的效果和性能，我们进行了多组实验。
基于Halcon的瓜科全自动嫁接机视觉系统设计
基于Halcon的瓜科全自动嫁接机视觉系统设计在国内外,嫁接技术已经被广泛的应用于农业种植领域,在农业逐渐实现机械化和智能化的今天,嫁接机器人的研制也逐步得以发展。
将机器视觉技术应用于嫁接机器人中,是未来发展的一个重要方向。
就目前的嫁接机器人来说,大多数还都处于半自动状态,需要人工辅助。
要将半自动机器人改善成为全自动嫁接机器人,需要引入机器视觉技术。
本论文考虑到影响嫁接成活率和效率等因素,设计了视觉分级系统和接缝识别检测系统,完成了对嫁接的砧木和接穗幼苗的分级,以及对接缝质量的检测。
论文中的主要研究成果如下：(1)设计了瓜科全自动嫁接机视觉系统的硬件结构,包括计算机、光源、镜头、滤光片等,完成了各元件的选型。
确定了以蓝色背景光为照明方式的分级硬件结构系统和以白色环形前景光为照明方式的接缝识别硬件结构系统。
(2)在利用搭建好的硬件设备对图像采集的过程中,进行了摄像机的标定,将图像的世界坐标系转换到测量坐标系,得到图像的校正参数,并对图像加以校正。
(3)应用Halcon软件对苗木进行视觉分级和接缝识别算法的研究及设计。
确定了以灰度转换、阈值分割、噪声平滑、形态学操作为基本算法的图像预处理方法,完成了对茎秆直径信息的提取和对接缝模板的训练和匹配。
(4)对预处理后的图像采用水平方向像素点统计的方法得到最大频次的像素点个数,由此获得苗木茎秆直径信息,将其转化成具体尺寸并进行分级。
接缝识别采用模板匹配的方法,对单张图像做模板训练,将训练好的特征作为模板在其他图像中进行匹配,得出匹配结果与相似度评分,依据此结果作为接缝质量的评判标准。
(5)分别对100株南瓜苗,100株甜瓜苗,100株黄瓜苗以及100株嫁接苗进行试验,得出分级成功率可达97%-100%。
接缝识别系统得出的嫁接成功率为94%，识别正确率为98%,因此,嫁接苗实际的嫁接成功率为92%。
利用无人机可见光遥感影像提取棉花苗情信息
0 引 言
在现代农业生产过程中，精准的苗情信息是实现农作 物因苗管理的关键。传统苗情获取主要依靠植保员田间抽 样调查、手动估算，这种方式主观性强、精确度低且费时 费力，难以满足当前农业发展要求。尤其随着精准农业的 快速发展，大面积农作物信息的快速准确获取已成为农田 精细管理的重要前提，在现代农业研究领域受到极大关注。
时基于冠层覆盖度、变异系数分析了棉花长势均匀情况。该文提出的方法实现了大面积棉田苗情的快速监测，研究成果
可为因苗管理的精细农业提供技术支持。
关键词：无人机；遥感；棉田；出苗率；覆盖度；可见光
doi：10.11975/j.issn.1002-6819.2020.04.008
中图分类号：TP751；S562
随着无人机（unmanned aerial vehicles，UAV）和传 感器技术的不断提高，田间影像数据的获取方式也更加 多样化。对比固定式和行走式田间影像获取平台，可搭 载多传感器的无人机平台具有效率高、成本低、操作灵 活、更适合复杂农田环境等特点[9-10]，不仅克服了人工获 取影像数据的困难，还可减少人体接触对农作物的损害，
Engineering (Transactions of the CSAE), 2020, 36(4): 63 － 71. (in Chinese with English abstract)
doi ：
10.11975/j.issn.1002-6819.2020.04.008
自 20 世纪 90 年代起，基于机器视觉技术的苗情监 测在农业领域逐步得到广泛研究。经过多年发展，国内 外学者在作物生长监测、病虫草害监测及产量估测等方 面的研究[1-4]取得了丰硕的成果。但早期图像主要通过固 定式（手持、三脚架）或行走式（农用机械、农用车、 手推车）设备获取，在获取范围、获取速度等方面受到 了一定限制，难以实现大面积的农情监测[5-8]。
基于视觉的采摘机器人采摘定位与导航方法
基于视觉的采摘机器人采摘定位与导航方法随着农业科技的发展，采摘机器人已逐渐走入农田，为农民朋友们提供高效的农作业解决方案。
其中，基于视觉的采摘机器人被广泛认可为一种较为有效的采摘技术。
本文将介绍基于视觉的采摘机器人的采摘定位与导航方法，带您了解这一先进技术的原理与应用。
一、视觉感知技术在采摘机器人中的应用随着计算机视觉技术的飞速发展，视觉感知技术在采摘机器人中得到了广泛的应用。
采摘机器人通过视觉传感器获取作物的外形、颜色、纹理等特征信息，并通过图像处理与分析算法进行处理。
基于视觉感知技术，机器人能够准确地辨别和定位目标作物，为后续的采摘操作提供基础。
二、基于视觉的采摘机器人的采摘定位方法1. 特征提取与识别基于视觉的采摘机器人首先需要对目标作物进行特征提取与识别。
通过图像处理与分析算法，从目标作物的图像中提取出与种类、体积、成熟度等因素相关的特征信息。
这些特征信息可以是形状、颜色、纹理等，通过模式识别算法与数据库匹配，实现对目标作物的准确识别。
2. 目标位置定位定位是采摘机器人的核心任务之一。
基于视觉的采摘机器人通过分析目标作物的图像，结合机载传感器的数据，通过三维重建算法确定目标位置的具体坐标。
同时，机器人还可以通过计算机视觉技术实现目标位置的实时跟踪，保持对目标的准确定位。
三、基于视觉的采摘机器人的导航方法1. 地图构建与更新基于视觉的采摘机器人可以通过视觉传感器获得周围环境的图像信息，通过图像处理与分析算法进行处理，并实现地图的构建与更新。
机器人可以基于地图信息规划最优路径，实现自主导航，避免障碍物和不可通行区域。
2. 导航控制基于视觉的采摘机器人的导航控制主要包括路径规划、避障和自主定位等。
通过图像处理与分析方法，机器人可以实现对周围环境的感知，并根据环境信息进行路径规划和避障决策。
此外，机器人还可以通过视觉定位方法实现自主定位，保证采摘操作的准确性和效率。
四、基于视觉的采摘机器人的应用前景基于视觉的采摘机器人在农业生产中具有广阔的应用前景。
基于机器视觉和人工智能的花圃裁剪机器人
基于机器视觉和人工智能的花圃裁剪机器人花圃裁剪机器人是一种基于机器视觉和人工智能技术的智能设备，用于自动识别和裁剪花圃中的植物。
该机器人可以帮助人们更高效、准确地对花圃进行维护，并且减少人工劳动成本，提高工作效率。
花圃裁剪机器人利用机器视觉技术来识别花圃中的植物。
它配备了高清摄像头和图像识别算法，可以对花圃中的植物进行快速、准确的识别。
机器人通过摄像头获取植物的图像，然后将图像传输到云端服务器进行图像识别处理。
云端服务器利用深度学习算法分析图像特征，判断出花圃中的植物种类和位置。
通过这种方式，机器人可以实时了解花圃中的植物情况，为后续的裁剪工作提供准确的定位和指导。
除了机器视觉技术，花圃裁剪机器人还应用了人工智能技术来进行自主决策和路径规划。
机器人内置了先进的智能算法，可以根据花圃中植物的不同特征和需求，选择最合适的裁剪方式进行操作。
对于高大的植物，机器人可以识别其枝干的位置和角度，然后调节剪刀的高度和角度，实现精确的裁剪操作。
机器人还可以通过学习和实践，不断提升裁剪技术和效果，逐渐达到专业园艺师的水平。
花圃裁剪机器人的使用非常方便。
用户只需在机器人的操作界面上设定裁剪参数和工作区域，然后启动机器人即可进行自动裁剪。
机器人会根据预设的参数和工作区域，自主决策和规划裁剪路径，完成工作后自动返回原位。
机器人还可以与智能手机或电脑相连，通过手机或电脑端的应用程序远程监控和控制机器人的工作状态。
花圃裁剪机器人的问世将大大提高花圃维护的效率和质量。
传统的花圃维护方式需要大量的人工劳动和时间，而且操作不够准确和精细。
使用花圃裁剪机器人可以避免人工劳动中的反复劳作和错误，同时也能够节省大量的人力资源和时间成本。
花圃裁剪机器人还可以通过云端技术，将每一次裁剪的数据存储和分析，为后续的维护工作提供参考和改进。
基于机器视觉和人工智能的花圃裁剪机器人将会成为花圃维护领域的重要工具。
它不仅可以提高工作效率和质量，同时也能够减少人工成本和资源浪费。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
收稿日期：2013-04-02 修订日期：2013-11-12
法和解析几何方法从图像中提取南瓜幼苗的生长 点。张铁中等[8]还研究了基于图像处理测量砧木子 叶展开方向和生长点高度的蔬菜嫁接机砧木自动 定位系统。吕谷来等[9]提出了利用侧视拍摄的幼苗 图像提取砧木的抓取点，用俯视拍摄图像分离子叶 和真叶，并计算旋转角度的方法。刘凯等[10]通过找 子叶两边的关系识别茎节结点，并测量出幼苗的茎 粗、茎高和子叶与水平方向的偏转角。孙国祥等[11] 首先提出一种基于图像处理的穴盘苗叶面积测量 方法，后来又针对叶面的粘连问题提出了一种基于 重叠叶面边缘链码信息逐层分割番茄幼苗叶面的 蒋焕煜等[13]使用基于形态学的分水岭算法 算法[12]。 完成叶面边缘分割，提取每个穴孔中幼苗的叶面面 积和叶面周长来确定适合进行移钵的单元。 以上方法在提取相应参数时均表现出良好的 性能，但很少考虑叶面粘连的情况，且没有一种有 效的方法能恢复粘连的叶面。本文研究了一套适用 于果蔬嫁接机器人的自动恢复幼苗叶面形状并提 取叶面参数的机器视觉系统。提取的参数包括幼苗 的生长点、生长方向和叶面面积。生长点和生长方 向辅助机械手取苗时的准确定位，叶面面积可以给 砧木/接穗的配对提供参考。
190
第 29 卷 2013 年
第 24 期 12 月
农 业 工 程 学 报 Transactions of the Chinese Society of Agricultural Engineering
Vol.29 No.24 Dec. 2013
基于机器视觉的幼苗自动嫁接参数提取
贺磊盈，蔡丽苑，武传宇
摄像机，图像传感器为 1/3 英寸 CMOS，图像分辨 率 64 mm 处，有效视场面积约 480 mm×360 mm。 单次采集的图像不能覆盖穴盘上的所有幼苗，因此 分 2 次采集，每次采集的图像只处理半盘（5×5 棵） 幼苗。 机器视觉系统在 Visual Studio 2008 环境下用 C++ 语 言 开 发 ， 部 分 算 法 和 数 据 结 构 应 用 了 OpenCV 开源软件包。 试验测量发现瓠瓜幼苗的叶面形状基本符合 椭圆形。因此用参数化的椭圆表示叶面轮廓不仅能 恢复被遮挡的叶面形状还方便参数的提取。算法的 主要步骤分为：1）图像的采集及预处理；2）轮廓 及拐点提取；3）弧段组合；4）轮廓的椭圆拟合； 5）参数提取；6）幼苗在穴盘中的定位。 1.2 图像采集与预处理 图 1 显示采集的穴盘幼苗的俯视图。从中可以 发现幼苗叶面的亮度明显比穴盘和基质的亮度要 高， 根据这个特性利用自适应阈值算法 Otsu[14]分割 出图像中幼苗的叶面区域。由于穴盘中的基质类似 于椒盐噪声，在阈值化之前先对图像进行快速中值 阈值化后进行形态学的开运算操作[16]去除 滤波[15]， 毛刺和孤立的小区域。
0
引
言
由于果蔬嫁接的季节性比较强，传统的人工嫁 接生产效率低，嫁接质量难以保证，已经很难满足 现代规模化的果蔬种植生产。现有的果蔬嫁接机大 多数都是半自动的，很多工序须人工配合[1]。由于 嫁接幼苗个体的差异及不确定性，实现自动嫁接的 关键技术在于如何获取幼苗的特征参数。 利用机器视觉提取幼苗的几何参数是一种行 之有效的方法。国内外已有不少文献报道相关方面 的研究。Ashraf 等[2]提出了一种从图像中提取幼苗 苗茎的弯曲度、叶子结点和苗茎直径的方法，根据 这些参数对幼苗进行分级，便于后续的嫁接。Chiu 等 [3] 开发了一套测量已嫁接幼苗的特征参数的系 统， 通过测量砧木和接穗的宽高， 嫁接套管的宽高， 苗的高度和子叶覆盖面积，可以更好地了解和掌控 [4] Ryu 等 利用机器视觉识别移栽过 幼苗的生长条件。 程中的空穴从而提高效率。刘成良等[5]研究通过提 取幼苗的几何形状特征，用神经网络方法判别幼苗 品质和幼苗生长方向。 张铁中等[6-7]分别用图形学方
Fig.4
图 4 弧段组合流程图 Flow chart of arcs combination 图 6 幼苗生长点和方向定义 Definition of growth point and direction
注：P0 为曲线起点；Pc 为拐点 Note: P0 is Start point of curve; Pc is Corners a. 原始曲线 a. Initial curve
b. 曲率计算及拐点提取 b. Calculation of curvature and extraction of corners
d ( ) ( x0 x( )) 2 ( y0 y ( )) 2
（3）
最小化 d(β)得到点到椭圆的最小距离。
图 3 轮廓拐点对示意图 Fig.3 Illustration of corner pairs
连续拐点对对应的弧段为完整的叶面轮廓，不 需要组合。粘连叶面的轮廓被分割成多段，需要通 过搜索策略进行组合，具体流程如图 4 所示。一般 情况下规定 j>i，特殊情况下当 j=n 时，j+1=1；当 i=1 时，i-1=n。
1.4
192
农业工程学报
2013 年
2）d(i, j) < d(i, k), k = 1, 2, …, n 且 k≠j，k≠i, arc(i, k) > lth, 其中 n 为总拐点数。
的弧段再次拟合椭圆，验证后抛弃不可信的椭圆。 一般可取拟合误差的上限值为 2.0。 标准椭圆的参数方程 x( ) A cos cos B sin sin xc （2） y ( ) A sin cos B cos sin yc 式中，(xc, yc)表示椭圆的中心坐标，A、B 分别表示 椭圆长、短轴的半长，θ 表示椭圆的长轴与 X 轴正 方向的夹角，β 的几何意义如图 5 所示。那么任意 点（x0, y0）到椭圆上的点 P(x(β), y(β))的距离
基金项目：国家自然科学基金（51375460） ，浙江省自然科学基金杰青 项目（R1110502） ，浙江理工大学 521 人才计划资助 作者简介：贺磊盈（1983－） ，男，浙江舟山，博士研究生，主要从事 机器视觉在农业工程的应用与研究。 杭州 浙江理工大学机械与自动控 制学院，310018。Email: heleiying@ ※通信作者：武传宇（1976－） ，男，山东临沂，教授，博士，主要从 事智能农业装备研究。杭州 浙江理工大学机械与自动控制学院， 310018。Email: cywu@
Fig.5
图 5 椭圆参数的定义 Definition of ellipse’s parameters
1.6
参数提取 首先根据叶面的伸展方向和位置确定属于同 一棵幼苗的 2 个叶面，然后提取 3 个参数，即幼苗 的生长点、生长方向和叶面面积，其定义如图 6 所 示。生长点 G 为 2 个椭圆交点 Q1 和 Q2 的中点。特 殊情况下，当两椭圆无交点时 Q1、Q2 用 2 个椭圆 之间的最近点代替。定义生长方向 V 为点 P1 到 P2 的连线方向， 其中 P1、 P2 为 2 个椭圆之间的最远点。 叶面面积可以用椭圆面积表示。
1
1.1
材料与方法
系统与方法概述 本文试验的对象为培育 8 d 的瓠瓜苗，穴盘规 格 50 孔（5×10），尺寸 540 mm×280 mm×50 mm。 采用 Point Grey 公司 Firefly MV 系列 USB2.0 灰度
第 24 期
贺磊盈等：基于机器视觉的幼苗自动嫁接参数提取
191
※
（浙江理工大学机械与自动控制学院，杭州 310018） 摘 要：为提高果蔬嫁接机器人的自动化水平，该文提出一种基于机器视觉用椭圆拟合的方法恢复幼苗叶面并提 取用于机器人自动嫁接的参数的方法。俯视采集幼苗图像，提取叶面轮廓并根据轮廓上的拐点对组合相同叶面上 的轮廓弧段。应用椭圆拟合的方法参数化叶面形状，提取幼苗的叶面参数，包括生长方向、生长点和叶面面积。 再由生长点准确定位培育幼苗的穴孔位置，从而为砧穗配对和取苗定位提供依据。试验结果表明提出的算法能够 克服叶面相互遮挡的问题，幼苗识别且定位的成功率达到 97.5%，能满足嫁接机器人自动作业的要求。 关键词：机器视觉，参数提取，嫁接，椭圆拟合，叶面恢复，拐点提取 doi：10.3969/j.issn.1002-6819.2013.24.025 中图分类号：TP391.41 文献标志码：A 文章编号：1002-6819(2013)-24-0190-06 贺磊盈，蔡丽苑，武传宇. 基于机器视觉的幼苗自动嫁接参数提取[J]. 农业工程学报，2013，29(24)：190－195. He Leiying, Cai Liyuan, Wu Chuanyu. Vision-based parameters extraction of seedlings for grafting robot[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(24): 190－195. (in Chinese with English abstract)
图 1 穴盘幼苗俯视图 Fig.1 Overlooking image of plug seedling
Fig.2
图 2 拐点提取实例 A example of corner detection
轮廓及其拐点提取 利用轮廓跟踪算法提取所有连通区域的 8- 邻 接轮廓[17]。单棵幼苗有 2 个叶面，在图像上为一个 独立连通区域。但相邻幼苗的叶面在空间上可能存 在遮挡或相交，表现在图像上就是叶面的粘连，导 致提取的轮廓线可能包含多棵幼苗的叶面轮廓。因 此有效解决叶面的粘连是提取幼苗参数的关键。 不同叶面的粘连会导致轮廓线上产生内凹的 拐点。曲线上的拐点指切线方向急剧变化的点，因 此可以利用曲线的曲率特性提取[18]。轮廓线可以看 作数字化的离散曲线 C(Pi(xi, yi), i = 1,2,…,n)，其中 的一个点 Pi, i∈[2, n-1]，对应的曲率可以表示为向 量 v i 1 Pi 1 Pi 到向量 v i 1 Pi Pi 1 的夹角[19]
法和解析几何方法从图像中提取南瓜幼苗的生长 点。张铁中等[8]还研究了基于图像处理测量砧木子 叶展开方向和生长点高度的蔬菜嫁接机砧木自动 定位系统。吕谷来等[9]提出了利用侧视拍摄的幼苗 图像提取砧木的抓取点，用俯视拍摄图像分离子叶 和真叶，并计算旋转角度的方法。刘凯等[10]通过找 子叶两边的关系识别茎节结点，并测量出幼苗的茎 粗、茎高和子叶与水平方向的偏转角。孙国祥等[11] 首先提出一种基于图像处理的穴盘苗叶面积测量 方法，后来又针对叶面的粘连问题提出了一种基于 重叠叶面边缘链码信息逐层分割番茄幼苗叶面的 蒋焕煜等[13]使用基于形态学的分水岭算法 算法[12]。 完成叶面边缘分割，提取每个穴孔中幼苗的叶面面 积和叶面周长来确定适合进行移钵的单元。 以上方法在提取相应参数时均表现出良好的 性能，但很少考虑叶面粘连的情况，且没有一种有 效的方法能恢复粘连的叶面。本文研究了一套适用 于果蔬嫁接机器人的自动恢复幼苗叶面形状并提 取叶面参数的机器视觉系统。提取的参数包括幼苗 的生长点、生长方向和叶面面积。生长点和生长方 向辅助机械手取苗时的准确定位，叶面面积可以给 砧木/接穗的配对提供参考。
190
第 29 卷 2013 年
第 24 期 12 月
农 业 工 程 学 报 Transactions of the Chinese Society of Agricultural Engineering
Vol.29 No.24 Dec. 2013
基于机器视觉的幼苗自动嫁接参数提取
贺磊盈，蔡丽苑，武传宇
摄像机，图像传感器为 1/3 英寸 CMOS，图像分辨 率 64 mm 处，有效视场面积约 480 mm×360 mm。 单次采集的图像不能覆盖穴盘上的所有幼苗，因此 分 2 次采集，每次采集的图像只处理半盘（5×5 棵） 幼苗。 机器视觉系统在 Visual Studio 2008 环境下用 C++ 语 言 开 发 ， 部 分 算 法 和 数 据 结 构 应 用 了 OpenCV 开源软件包。 试验测量发现瓠瓜幼苗的叶面形状基本符合 椭圆形。因此用参数化的椭圆表示叶面轮廓不仅能 恢复被遮挡的叶面形状还方便参数的提取。算法的 主要步骤分为：1）图像的采集及预处理；2）轮廓 及拐点提取；3）弧段组合；4）轮廓的椭圆拟合； 5）参数提取；6）幼苗在穴盘中的定位。 1.2 图像采集与预处理 图 1 显示采集的穴盘幼苗的俯视图。从中可以 发现幼苗叶面的亮度明显比穴盘和基质的亮度要 高， 根据这个特性利用自适应阈值算法 Otsu[14]分割 出图像中幼苗的叶面区域。由于穴盘中的基质类似 于椒盐噪声，在阈值化之前先对图像进行快速中值 阈值化后进行形态学的开运算操作[16]去除 滤波[15]， 毛刺和孤立的小区域。
0
引
言
由于果蔬嫁接的季节性比较强，传统的人工嫁 接生产效率低，嫁接质量难以保证，已经很难满足 现代规模化的果蔬种植生产。现有的果蔬嫁接机大 多数都是半自动的，很多工序须人工配合[1]。由于 嫁接幼苗个体的差异及不确定性，实现自动嫁接的 关键技术在于如何获取幼苗的特征参数。 利用机器视觉提取幼苗的几何参数是一种行 之有效的方法。国内外已有不少文献报道相关方面 的研究。Ashraf 等[2]提出了一种从图像中提取幼苗 苗茎的弯曲度、叶子结点和苗茎直径的方法，根据 这些参数对幼苗进行分级，便于后续的嫁接。Chiu 等 [3] 开发了一套测量已嫁接幼苗的特征参数的系 统， 通过测量砧木和接穗的宽高， 嫁接套管的宽高， 苗的高度和子叶覆盖面积，可以更好地了解和掌控 [4] Ryu 等 利用机器视觉识别移栽过 幼苗的生长条件。 程中的空穴从而提高效率。刘成良等[5]研究通过提 取幼苗的几何形状特征，用神经网络方法判别幼苗 品质和幼苗生长方向。 张铁中等[6-7]分别用图形学方
Fig.4
图 4 弧段组合流程图 Flow chart of arcs combination 图 6 幼苗生长点和方向定义 Definition of growth point and direction
注：P0 为曲线起点；Pc 为拐点 Note: P0 is Start point of curve; Pc is Corners a. 原始曲线 a. Initial curve
b. 曲率计算及拐点提取 b. Calculation of curvature and extraction of corners
d ( ) ( x0 x( )) 2 ( y0 y ( )) 2
（3）
最小化 d(β)得到点到椭圆的最小距离。
图 3 轮廓拐点对示意图 Fig.3 Illustration of corner pairs
连续拐点对对应的弧段为完整的叶面轮廓，不 需要组合。粘连叶面的轮廓被分割成多段，需要通 过搜索策略进行组合，具体流程如图 4 所示。一般 情况下规定 j>i，特殊情况下当 j=n 时，j+1=1；当 i=1 时，i-1=n。
1.4
192
农业工程学报
2013 年
2）d(i, j) < d(i, k), k = 1, 2, …, n 且 k≠j，k≠i, arc(i, k) > lth, 其中 n 为总拐点数。
的弧段再次拟合椭圆，验证后抛弃不可信的椭圆。 一般可取拟合误差的上限值为 2.0。 标准椭圆的参数方程 x( ) A cos cos B sin sin xc （2） y ( ) A sin cos B cos sin yc 式中，(xc, yc)表示椭圆的中心坐标，A、B 分别表示 椭圆长、短轴的半长，θ 表示椭圆的长轴与 X 轴正 方向的夹角，β 的几何意义如图 5 所示。那么任意 点（x0, y0）到椭圆上的点 P(x(β), y(β))的距离
基金项目：国家自然科学基金（51375460） ，浙江省自然科学基金杰青 项目（R1110502） ，浙江理工大学 521 人才计划资助 作者简介：贺磊盈（1983－） ，男，浙江舟山，博士研究生，主要从事 机器视觉在农业工程的应用与研究。 杭州 浙江理工大学机械与自动控 制学院，310018。Email: heleiying@ ※通信作者：武传宇（1976－） ，男，山东临沂，教授，博士，主要从 事智能农业装备研究。杭州 浙江理工大学机械与自动控制学院， 310018。Email: cywu@
Fig.5
图 5 椭圆参数的定义 Definition of ellipse’s parameters
1.6
参数提取 首先根据叶面的伸展方向和位置确定属于同 一棵幼苗的 2 个叶面，然后提取 3 个参数，即幼苗 的生长点、生长方向和叶面面积，其定义如图 6 所 示。生长点 G 为 2 个椭圆交点 Q1 和 Q2 的中点。特 殊情况下，当两椭圆无交点时 Q1、Q2 用 2 个椭圆 之间的最近点代替。定义生长方向 V 为点 P1 到 P2 的连线方向， 其中 P1、 P2 为 2 个椭圆之间的最远点。 叶面面积可以用椭圆面积表示。
1
1.1
材料与方法
系统与方法概述 本文试验的对象为培育 8 d 的瓠瓜苗，穴盘规 格 50 孔（5×10），尺寸 540 mm×280 mm×50 mm。 采用 Point Grey 公司 Firefly MV 系列 USB2.0 灰度
第 24 期
贺磊盈等：基于机器视觉的幼苗自动嫁接参数提取
191
※
（浙江理工大学机械与自动控制学院，杭州 310018） 摘 要：为提高果蔬嫁接机器人的自动化水平，该文提出一种基于机器视觉用椭圆拟合的方法恢复幼苗叶面并提 取用于机器人自动嫁接的参数的方法。俯视采集幼苗图像，提取叶面轮廓并根据轮廓上的拐点对组合相同叶面上 的轮廓弧段。应用椭圆拟合的方法参数化叶面形状，提取幼苗的叶面参数，包括生长方向、生长点和叶面面积。 再由生长点准确定位培育幼苗的穴孔位置，从而为砧穗配对和取苗定位提供依据。试验结果表明提出的算法能够 克服叶面相互遮挡的问题，幼苗识别且定位的成功率达到 97.5%，能满足嫁接机器人自动作业的要求。 关键词：机器视觉，参数提取，嫁接，椭圆拟合，叶面恢复，拐点提取 doi：10.3969/j.issn.1002-6819.2013.24.025 中图分类号：TP391.41 文献标志码：A 文章编号：1002-6819(2013)-24-0190-06 贺磊盈，蔡丽苑，武传宇. 基于机器视觉的幼苗自动嫁接参数提取[J]. 农业工程学报，2013，29(24)：190－195. He Leiying, Cai Liyuan, Wu Chuanyu. Vision-based parameters extraction of seedlings for grafting robot[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(24): 190－195. (in Chinese with English abstract)
图 1 穴盘幼苗俯视图 Fig.1 Overlooking image of plug seedling
Fig.2
图 2 拐点提取实例 A example of corner detection
轮廓及其拐点提取 利用轮廓跟踪算法提取所有连通区域的 8- 邻 接轮廓[17]。单棵幼苗有 2 个叶面，在图像上为一个 独立连通区域。但相邻幼苗的叶面在空间上可能存 在遮挡或相交，表现在图像上就是叶面的粘连，导 致提取的轮廓线可能包含多棵幼苗的叶面轮廓。因 此有效解决叶面的粘连是提取幼苗参数的关键。 不同叶面的粘连会导致轮廓线上产生内凹的 拐点。曲线上的拐点指切线方向急剧变化的点，因 此可以利用曲线的曲率特性提取[18]。轮廓线可以看 作数字化的离散曲线 C(Pi(xi, yi), i = 1,2,…,n)，其中 的一个点 Pi, i∈[2, n-1]，对应的曲率可以表示为向 量 v i 1 Pi 1 Pi 到向量 v i 1 Pi Pi 1 的夹角[19]