基于背景饱和度压缩与差异阈值分割融合的香蕉串识别方法技术

本发明专利技术提出一种基于背景饱和度压缩与差异阈值分割融合的香蕉串识别方法，先压缩原始香蕉串RGB图像的分辨率，再将图像转换至HSV颜色空间，然后对图像背景饱和度做自适应阈值的伽马变换和半值压缩，接着以大、小差异阈值范围，采用阈值分割、孔洞填充和连通域提取等形态学处理方法对背景压缩的饱和度分量与色调分量的差值图像进行分割、融合，从而识别出准确度高、噪声点少的香蕉串。本法对自然香蕉园环境下采集的图像样本正确识别出香蕉串的占比92.56％；在正确识别的图像样本中，香蕉串识别的准确度高于0.85的占比39.29％，介于0.80到0.85的占比46.43％，低于0.80的占比14.28％。本法能较好地适应不同光照和环境颜色下香蕉串的识别，可为机器人采摘作业提供香蕉串的定位依据。蕉串的定位依据。蕉串的定位依据。

【技术实现步骤摘要】
基于背景饱和度压缩与差异阈值分割融合的香蕉串识别方法


[0001]本专利技术涉及图像识别领域，更具体地，涉及一种基于图像背景饱和度压缩与差异阈值范围分割融合的香蕉串识别方法。

技术介绍

[0002]香蕉作为岭南的特色水果和经济作物，种植规模大，适收期的香蕉串重量普遍在30kg左右，目前香蕉采收为人工方式，由多人协作完成，劳动强度大、采摘效率低，同时农业劳动力短缺导致人工成本不断攀升，严重制约香蕉的产业发展和经济效益。而采摘机器人可实现香蕉串采摘的机械化和智能化，不仅可以提高采摘效率、降低生产成本，还能解决农业劳动力短缺等问题。然而，如何准确、快速地识别出香蕉串是机器人完成采摘作业的前提和关键。因此，在自然香蕉园环境下，研究准确度高、鲁棒性强、实时性好的香蕉串识别方法具有重要的实用价值和广阔的应用前景。
[0003]基于颜色差异和形状拟合的果蔬识别方法应用于自然环境下香蕉串的识别仍存在一些问题，主要体现在三方面：(1)适收期的香蕉颜色(绿色)与环境背景基本一致，相比苹果、柑橘等颜色差异明显的水果识别难度更大；(2)香蕉串外形不规则，难以像苹果、西红柿等采用类圆形进行拟合；(3)香蕉园自然环境的不确定性和光照变化的干扰，如宽大的香蕉叶片容易反光、透光及遮挡香蕉串，从而影响香蕉串的图像采集质量和识别准确度。
[0004]目前，随着人工智能、深度学习和计算机技术的发展，基于卷积神经网络的图像识别已成为研究的热点，被广泛应用于农业等多个领域。虽然卷积神经网络等深度学习方法能获得较好的识别效果，但耗时、费力、应用成本较高。此外，卷积神经网络结构复杂，待训练的参数非常多，故需要的图像样本量巨大、训练时间较长；而且训练好的卷积神经网络部署到采摘机器人上难度也很大，因为它对系统的硬件配置和兼容性要求较高。
[0005]综上所述，在香蕉串的识别准确度能满足机器人采摘作业的前提下，传统图像识别方法对视觉系统的硬件要求不高，在机器人上部署便捷，应用成本低、移植性强。但容易受光照变化以及茎叶颜色与香蕉串相似度高等环境因素的影响，导致香蕉串识别的准确度下降。因此，提出一种新的香蕉串识别方法是非常有意义的。

技术实现思路

[0006]本专利技术为克服上述现有技术所述的至少一种缺陷(不足)，提供一种基于背景饱和度压缩与差异阈值分割融合的香蕉串识别方法，该方法具有准确度高、噪声点少的优点。
[0007]为解决上述技术问题，本专利技术的技术方案如下：
[0008]一种基于背景饱和度压缩与差异阈值分割迭代融合的香蕉串识别方法，是对自然香蕉园环境中适收期的香蕉串进行识别的方法，包括以下步骤：
[0009](1)压缩原始香蕉串RGB图像的分辨率；
[0010](2)将压缩后的图像转换到HSV颜色空间；
[0011](3)对图像背景饱和度做自适应阈值的伽马变换和半值压缩；
[0012](4)以大、小差异阈值范围，采用阈值分割、孔洞填充和连通域提取等形态学处理方法对由步骤(3)压缩后的饱和度分量与色调分量的差值图像进行分割、融合，从而识别出准确度高、噪声点少的香蕉串。
[0013]优选的，所述HSV颜色空间各分量的范围都转换成0
‑
255。
[0014]优选的，步骤(3)对图像背景饱和度做自适应阈值的伽马变换和半值压缩的具体过程为：基于香蕉串的背景饱和度图像，自适应提取香蕉串潜在区域的饱和度阈值，然后对小于饱和度阈值的图像背景做自适应系数的伽马变换；对大于饱和度阈值的图像背景做半值压缩，从而得到背景压缩的香蕉串饱和度图像，增强了香蕉串潜在区域的对比度。
[0015]优选的，自适应提取香蕉串潜在区域的饱和度阈值的过程为：
[0016]基于图像样本自适应提取香蕉串潜在区域的饱和度阈值，即先根据每个图像样本饱和度分量中各灰度等级的像素个数及其所占比率确定香蕉串潜在区域的饱和度参考阈值，然后在此基础上做相应的修正，进而得到香蕉串潜在区域的饱和度阈值；
[0017]假设饱和度图像的分辨率为M
×
N，统计出灰度等级k的像素个数n
k
，则其在图像中所占比率p(k)为：
[0018][0019]式中L——饱和度的最高灰度等级，L＝255；
[0020]由于饱和度图像中香蕉串潜在区域的灰度等级较高，故可剔除灰度等级较低的区域，以缩小统计范围，提高图像处理速度，因此，选取合适的灰度等级c，仅在高于c的灰度等级区域(c，L)内提取香蕉串潜在区域的饱和度参考阈值m。为了增强可靠性，采用区域灰度等级比率总和最大法来确定香蕉串的饱和度参考阈值m。将灰度等级区域(c，L)按顺序以长度r均分成q个子区域，然后分别统计各子区域中r个灰度等级在图像中所占比率的总和P(i)，其表达式为：
[0021][0022]考虑到香蕉串潜在区域的灰度等级在图像中所占比例均较大，由概率统计可知，比率总和最大的子区域即为香蕉串饱和度参考阈值的潜在区域。因此，先由式(3)遍历出q个灰度等级子区域中比率总和最大值P(t)所对应的子区域t，再由式(4)遍历出子区域t内所占图像比率最高的灰度等级，即为香蕉串潜在区域的饱和度参考阈值m：
[0023]P(t)＝max(P(i)),i＝1,2,
…
,q
ꢀꢀꢀ
(3)
[0024][0025]接着按式(5)、(6)分别对饱和度参考阈值m做适当的修正，即得香蕉串潜在区域的低饱和度阈值η、高饱和度阈值μ：
[0026]η＝m
‑
δ
ꢀꢀꢀ
(5)
[0027]μ＝m+δ
ꢀꢀꢀ
(6)
[0028]式中δ——饱和度阈值的修正量；
[0029]即步骤(3)对图像背景饱和度做自适应阈值的伽马变换和半值压缩的具体过程进一步确定为：基于香蕉串的背景饱和度图像，自适应提取香蕉串潜在区域的高饱和度阈值和低饱和度阈值，然后对小于低饱和度阈值的图像背景做自适应系数的伽马变换；对大于
高饱和度阈值的图像背景做半值压缩，从而得到背景压缩的香蕉串饱和度图像。
[0030]优选的，对小于低饱和度阈值的图像背景做自适应系数的伽马变换的过程是：
[0031]已知伽马变换的基本形式为：
[0032]s＝au
γ
ꢀꢀꢀ
(7)
[0033]式中u——伽马变换输入灰度值
[0034]s——伽马变换输出灰度值
[0035]γ——伽马系数
[0036]a——伽马变换常数
[0037]当式(7)中伽马系数γ大于1时，对灰度等级较低的区域压缩效果明显，符合本文对香蕉串低饱和度图像背景区域的压缩要求；
[0038]则为了实现基于图像的自适应伽马变换，故以低饱和度阈值η来确定伽马系数γ。因伽马变换的输入和输出灰度值范围均为0
‑
1，而低饱和度阈值η的范围为0
‑
255，故须先进行归一化处理，即η/2本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于背景饱和度压缩与差异阈值分割融合的香蕉串识别方法，其特征在于，是对自然香蕉园环境中适收期的香蕉串进行识别的方法，包括以下步骤：(1)压缩原始香蕉串RGB图像的分辨率；(2)将压缩后的RGB图像转换至HSV颜色空间；(3)对图像背景饱和度做自适应阈值的伽马变换和半值压缩；(4)以差异阈值范围，采用阈值分割、孔洞填充和连通域提取的形态学处理方法对由步骤(3)压缩后的饱和度分量与色调分量的差值图像进行分割、融合，从而识别出准确度高、噪声点少的香蕉串。2.根据权利要求1所述的基于背景饱和度压缩与差异阈值分割融合的香蕉串识别方法，其特征在于，所述HSV颜色空间各分量的范围都转换成0
‑
255。3.根据权利要求1所述的基于背景饱和度压缩与差异阈值分割融合的香蕉串识别方法，其特征在于，步骤(3)对图像背景饱和度做自适应阈值的伽马变换和半值压缩的具体过程为：基于香蕉串的背景饱和度图像，自适应提取香蕉串潜在区域的饱和度阈值，然后对小于饱和度阈值的图像背景做自适应系数的伽马变换；对大于饱和度阈值的图像背景做半值压缩，从而得到背景压缩的香蕉串饱和度图像，增强了香蕉串潜在区域的对比度。4.根据权利要求3所述的基于背景饱和度压缩与差异阈值分割融合的香蕉串识别方法，其特征在于，自适应提取香蕉串潜在区域的饱和度阈值的过程为：基于图像样本自适应提取香蕉串潜在区域的饱和度阈值，即先根据每个图像样本饱和度分量中各灰度等级的像素个数及其所占比率确定香蕉串潜在区域的饱和度参考阈值，然后在此基础上做相应的修正，进而得到香蕉串潜在区域的饱和度阈值；假设饱和度图像的分辨率为M
×
N，统计出灰度等级k的像素个数n
k
，则其在图像中所占比率p(k)为：式中L——饱和度的最高灰度等级，L＝255；由于饱和度图像中香蕉串潜在区域的灰度等级较高，故剔除灰度等级较低的区域，以缩小统计范围，提高图像处理速度，因此，选取灰度等级c，仅在高于c的灰度等级区域(c，L)内提取香蕉串潜在区域的饱和度参考阈值m；为了增强可靠性，采用区域灰度等级比率总和最大法来确定香蕉串的饱和度参考阈值m；将灰度等级区域(c，L)按顺序以长度r均分成q个子区域，然后分别统计各子区域中r个灰度等级在图像中所占比率的总和P(i)，其表达式为：考虑到香蕉串潜在区域的灰度等级在图像中所占比例均较大，由概率统计可知，比率总和最大的子区域即为香蕉串饱和度参考阈值的潜在区域；因此，先由式(3)遍历出q个灰度等级子区域中比率总和最大值P(t)所对应的子区域t，再由式(4)遍历出子区域t内所占图像比率最高的灰度等级，即为香蕉串潜在区域的饱和度参考阈值m：P(t)＝max(P(i)),i＝1,2,
…
,q
ꢀꢀꢀ
(3)
接着按式(5)、(6)分别对饱和度参考阈值m做适当的修正，即得香蕉串潜在区域的低饱和度阈值η、高饱和度阈值μ：η＝m
‑
δ
ꢀꢀꢀ
(5)μ＝m+δ
ꢀꢀꢀ
(6)式中δ——饱和度阈值的修正量；即步骤(3)对图像背景饱和度做自适应阈值的伽马变换和半值压缩的具体过程进一步确定为：基于香蕉串的背景饱和度图像，自适应提取香蕉串潜在区域的高饱和度阈值和低饱和度阈值，对小于低饱和度阈值的图像背景做自适应系数的伽马变换；对大于高饱和度阈值的图像背景做半值压缩，从而得到背景压缩的香蕉串饱和度图像。...

【专利技术属性】
技术研发人员：付根平，朱立学，张世昂，黄伟锋，陈天赐，杨尘宇，
申请(专利权)人：仲恺农业工程学院，
类型：发明
国别省市：