【技术实现步骤摘要】
本专利技术属于机器视觉，尤其涉及一种适用于采摘机器人的水果识别方法和系统。
技术介绍
1、传统的水果采摘主要采用人工采摘的方式，不仅效率低，还存在需要雇佣大量劳动力而带来的高成本问题，同时，高强度的作业也会给劳动工人的身体带来伤害。利用水果采摘机器人实现自动采摘是改善果园生产管理效率的一个有效途径，水果采摘机器人的采摘动作依赖于其对水果的准确检测与定位，因此要求水果采摘机器人能够在果园复杂环境下快速准确地检测树上水果，从而实现准确采摘。
2、传统的基于机器视觉的水果检测方法主要是在二维空间，利用彩色图像进行水果的检测与计数。虽然也取得了不错的效果，但是彩色图像容易受到自然光照的影响，所提供的颜色、纹理等信息有限。随着对水果检测要求的提高，仅通过彩色图像已难以满足人们的需求。在二维空间进行水果检测不能反映水果的真实大小、尺寸及其与周围其他水果之间的相对位置关系，也不能满足水果定位的要求。
3、近年来，通过融入距离信息，即利用彩色图像和深度图像的水果检测方法已逐渐展开研究。获取深度信息的方式主要有立体视觉技术、激光扫描仪和rgb-d相机等。立体视觉技术计算量大，难以满足水果检测的实时性要求。激光扫描仪价格昂贵，且操作复杂。rgb-d相机是一款消费级深度相机，其成本低、操作简单、可同时获取彩色图像和深度图像，近年来已得到广泛应用。然而，现有的利用彩色图像和深度图像的水果检测方法往往只是利用深度信息来进行水果辅助定位，为解决复杂环境下的水果成簇和水果遮挡问题，还是依赖于彩色图像，深度信息并没有得到充分利用，因此还
技术实现思路
1、本专利技术针对现有技术中的不足，提供一种适用于采摘机器人的水果识别方法和系统。
2、第一方面，本专利技术提供一种适用于采摘机器人的水果识别方法，包括：
3、一种适用于采摘机器人的水果识别方法，其特征在于，包括：
4、获取采摘机器人拍摄的目标水果图像；
5、对目标水果图像进行降噪处理；
6、获取降噪后的目标水果图像中目标水果所在区域的图像；
7、将降噪后的目标水果图像中目标水果所在区域的图像与模板库中的图像数据进行模板匹配，将相似度最大值对应的类别作为目标水果的类别。
8、进一步地，所述对目标水果图像进行降噪处理，包括：
9、基于opencv对目标水果图像进行模糊处理；
10、对模糊处理后的目标水果图像进行二值化处理，得到二值图像；
11、对二值图像进行opencv形态学闭运算，以填补二值图像中断裂的轮廓线；
12、将填补后的二值图像进行腐蚀与膨胀运算，以消除二值图像中的干扰噪声。
13、进一步地，所述对模糊处理后的目标水果图像进行二值化处理，得到二值图像，包括：
14、构建自适应阈值表达式：
15、
16、
17、其中，thresh_c为二值化处理的自适应阈值；ci为当前局部领域中第i个像素；n为当前局部领域中像素的总数；wi为当前局部领域中第i个像素的加权权重；n_sum为整个模糊处理后的目标水果图像中像素的个数；dis_ci为像素ci与模糊处理后的目标水果图像中心像素的距离；dis_mean为当前局部区域所有像素与模糊处理后的目标水果图像中心像素的平均距离。
18、进一步地，还包括提取降噪后的目标水果图像的边缘特征；
19、所述提取降噪后的目标水果图像的边缘特征，包括：
20、将canny算法中水平和双对角线上的梯度方向离散为4个方向；
21、将每个方向平分为2个方向，以将梯度方向离散为8个方向；
22、将像素点(x,y)的梯度方向映射到最相近的方向上，如果中心像素梯度方向属于第1方向且满足
23、
24、则像素点(x,y)为局部最大值点；
25、其中，g(x+i,y+i)为梯度图像中第i个像素灰度；d(x,y)为像素点(x,y)的邻域像素区域。
26、进一步地，所述将降噪后的目标水果图像中目标水果所在区域的图像与模板库中的图像数据进行模板匹配，将相似度最大值对应的类别作为目标水果的类别，包括：
27、根据以下公式计算降噪后的目标水果图像中目标水果所在区域的图像与模板库中的图像数据的相似度r(x',y')：
28、
29、
30、其中，x'为像素大小为m'×n'的目标水果所在区域的图像；y'为像素大小为m'×n'的模板图像；p(x',y')为图像x'和图像y'的像素差衡量；ω1为p(x',y')的权重；m为图像x'或图像y'中图像区块的个数；k为图像x'或图像y'中第k个图像区块；l(x',y')为图像x'和图像y'的亮度对比衡量；c(x',y')为图像x'和图像y'的对比度对比衡量；s(x',y')为图像x'和图像y'的结构对比衡量；ω2为分量的权重；ω1+ω2＝1，ω1≥0，ω2≥0；x'(i',j')表示图像x'中第(i',j')维度上的像素值；y'(i',j')表示图像y'中第(i',j')维度上的像素值；μx'为图像x'的平均灰度；x'q为图像x'的第q个灰度值；μy'为图像y'的平均灰度；y'q为图像y'的第q个灰度值；n为图像x'或图像y'中灰度值的总数；l为像素值的范围；δx'为图像x'的灰度协方差；δy'为图像y'的灰度协方差；k1和k2均为不为0的常数。
31、第二方面，本专利技术提供一种适用于采摘机器人的水果识别系统，包括：
32、第一获取模块，用于获取采摘机器人拍摄的目标水果图像；
33、降噪模块，用于对目标水果图像进行降噪处理；
34、第二获取模块，用于获取降噪后的目标水果图像中目标水果所在区域的图像；
35、模板匹配模块，用于将降噪后的目标水果图像中目标水果所在区域的图像与模板库中的图像数据进行模板匹配，将相似度最大值对应的类别作为目标水果的类别。
36、进一步地，所述降噪模块包括：
37、模糊处理单元，用于对目标水果图像进行模糊处理；
38、二值化处理单元，用于对模糊处理后的目标水果图像进行二值化处理，得到二值图像；
39、轮廓线填补单元，用于对二值图像进行opencv形态学闭运算，以填补二值图像中断裂的轮廓线；
40、噪声消除单元，用于将填补后的二值图像进行腐蚀与膨胀运算，以消除二值图像中的干扰噪声。
41、进一步地，所述二值化处理单元包括：
42、阈值构建装置，用于构建自适应阈值表达式：
43、
44、
45、其中，thresh_c为二值化处理的自适应阈值；ci为当前局部领域中第i个像素；n为当前局部领域中像素的总数；wi为当前局部领域中第i个像素的加权权重；n_sum为整个模糊处理后的目标本文档来自技高网...
【技术保护点】
1.一种适用于采摘机器人的水果识别方法，其特征在于，包括：
2.根据权利要求1所述的适用于采摘机器人的水果识别方法，其特征在于，所述对目标水果图像进行降噪处理，包括：
3.根据权利要求2所述的适用于采摘机器人的水果识别方法，其特征在于，所述对模糊处理后的目标水果图像进行二值化处理，得到二值图像，包括：
4.根据权利要求1所述的适用于采摘机器人的水果识别方法，其特征在于，还包括提取降噪后的目标水果图像的边缘特征；
5.根据权利要求1所述的适用于采摘机器人的水果识别方法，其特征在于，所述将降噪后的目标水果图像中目标水果所在区域的图像与模板库中的图像数据进行模板匹配，将相似度最大值对应的类别作为目标水果的类别，包括：
6.一种适用于采摘机器人的水果识别系统，其特征在于，包括：
7.根据权利要求6所述的适用于采摘机器人的水果识别系统，其特征在于，所述降噪模块包括：
8.根据权利要求7所述的适用于采摘机器人的水果识别系统，其特征在于，所述二值化处理单元包括：
9.根据权利要求6所述的适用于采摘机
10.根据权利要求6所述的适用于采摘机器人的水果识别系统，其特征在于，所述模板匹配模块包括：
...【技术特征摘要】
1.一种适用于采摘机器人的水果识别方法，其特征在于，包括：
2.根据权利要求1所述的适用于采摘机器人的水果识别方法，其特征在于，所述对目标水果图像进行降噪处理，包括：
3.根据权利要求2所述的适用于采摘机器人的水果识别方法，其特征在于，所述对模糊处理后的目标水果图像进行二值化处理，得到二值图像，包括：
4.根据权利要求1所述的适用于采摘机器人的水果识别方法，其特征在于，还包括提取降噪后的目标水果图像的边缘特征；
5.根据权利要求1所述的适用于采摘机器人的水果识别方法，其特征在于，所述将降噪后的目标水果图像中目标水果所在区域的图像与模板库中...
【专利技术属性】
技术研发人员：李玉红，刘俊豪，
申请(专利权)人：江苏开放大学江苏城市职业学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。