【技术实现步骤摘要】
本专利技术涉及脐橙识别，具体为一种基于轮廓分析和网格化的脐橙识别方法。
技术介绍
1、针对脐橙识别，研究者们已经开发出一系列方法，这些方法旨在提高脐橙识别的准确性和效率，为相关领域的应用提供强有力的技术支持。目前，脐橙的识别或检测方法主要有以下几类：
2、1)基于单特征的方法
3、早期的采摘机器人主要依赖黑白传感器或低动态范围彩色相机，传感器提供的信息有限。基于单特征的识别方法主要利用颜色、纹理、尺寸、形状等浅层特征间的差异来识别和检测果实。如郝勇等人应用可见/近红外光谱分析方法结合软独立模式分类和偏最小二乘判别分析模式识别方法对赣南脐橙的品种进行识别。雷翔茗等人针对自然环境下柑橘粘连重叠、难以识别的问题，提出一种基于分水岭方法的柑橘快速识别方法。李源等人为准确识别柑橘果实病虫害，提高柑橘生产信息化水平，提出了最优rgb线性组合颜色模型来进行目标识别。
4、2)基于多特征融合的方法
5、近年来随着硬件技术的发展，部分彩色相机分辨率得到提高，且已经具有抗眩光、亮度自动补偿、高动态范围等功能，能够获得具有丰富信息的高质量彩色图像。因此多特征的检测方法已逐渐替代单一特征的检测方法。相对于单特征方法，多特征融合的方法的核心思想是对像素或像素的局部特征进行编码，形成特征描述子。这种方法利用相似性度量以及超像素和区域融合方法来筛选潜在脐橙区域并提取区域特征，作为分类器的输入，从而完成区域的分类。余长庚等人提出基于小波变换与otsu阈值去噪的脐橙识别方法，通过建立有利于图像分割的ycbcr颜色模
6、3)基于深度学习的方法
7、目前，基于卷积神经网络的识别与检测方法已经逐渐应用于果实的识别与检测任务。与传统检测方法相比，卷积神经网络前向传播过程产生的特征信息以特征图的形式存在，保留了特征的位置信息。基于深度学习的方法可以基于不同分辨率的特征图，灵活地构建分割与检测框架，并融合这两者来针对更加复杂的任务。例如，ji等人设计了多种模式辅助yolov5模型，解决了室外阳光下光照影响水果识别精度的问题。熊俊涛等人基于yolov3方法对检测网络做出改进，对夜间环境下的柑橘进行识别，在测试集上的识别平均精度为90.75％，识别速度为53fps。熊正午等人建立了一种结合快速引导滤波和深度学习的脐橙果实识别模型，该模型对自然环境下的脐橙果实识别具有较高的鲁棒性和实时性。
8、现有的脐橙识别方法主要分为基于单特征、多特征以及深度学习三类。尽管这些方法能够有效地利用图像信息和高级特征提高脐橙识别的准确性和效率，但它们仍难以完全克服光照条件变化、果实堆叠以及叶片遮挡等外部干扰因素带来的识别难题。
9、基于单特征的识别方法受限于特征信息的有限性，其精度和鲁棒性有待提高；融合多特征的识别方法虽然提高了识别准确性，但特征提取过程复杂且可能缺乏代表性；基于深度学习的识别方法虽然对复杂环境具有较强的适应性，但训练时间长、计算资源消耗大等问题仍待解决。
10、因此需要对以上问题提出一种新的解决方案。
技术实现思路
1、本专利技术的目的在于提供一种基于轮廓分析和网格化的脐橙识别方法，以解决
技术介绍
中提出的技术问题。
2、为实现上述目的，本专利技术提供如下技术方案：一种基于轮廓分析和网格化的脐橙识别方法，至少包括以下步骤：
3、s1：对于采摘机器人获取到的脐橙图像，利用橙色rgb范围保留橙色像素点；
4、s2：根据保留的橙色像素点，在原始图像上绘制轮廓；
5、s3：通过去除噪声轮廓得到轮廓点；
6、s4：将图像划分为若干个网格，记录每个网格中初始轮廓点的数量；
7、s5：利用轮廓点逐个绘制圆，并计算它们的score；
8、s6：去除不准确的圆：低橙色覆盖率圆、噪声圆和较小的重叠圆；
9、s7：在原始图像上绘制出准确的圆，得到包含一个或多个圆的图像，通过图像进行脐橙的位置和大小的识别。
10、优选的，所述s3中计算每个轮廓的面积，根据轮廓比例因子去除噪声轮廓；
11、对噪声轮廓的定义如下：
12、
13、式中s为噪声轮廓，scountour_max为轮廓数量的上限值，为假设轮廓比例因子即为噪声比例因子。
14、优选的，所述步骤5至少包括以下步骤：
15、步骤51：从不同网格中随机选择3个轮廓点绘制新的圆，计算其score，所述score是圆的准确度，所述新的圆为两个蓝色圆和一个红色圆，所述红色圆位于蓝色圆之间；
16、步骤52：删除新圆上的轮廓点；
17、步骤53：删除网格中初始轮廓点少于20％的网格；
18、步骤54：遍历网格，重复步骤51－步骤53，直到网格数量小于3时结束，网格数量小于3时不足以支持画圆，循环结束后，得到一组圆及其score。
19、优选的，所述步骤6至少包括以下步骤：
20、步骤61：去除低橙色覆盖率圆，通过去除低橙色覆盖率圆，确保留下的圆与橙色区域紧密相关；
21、步骤62：去除噪声圆，通过对比当前圆的半径与所有圆的平均半径，可以有效地过滤掉小尺寸圆；
22、步骤63：去除score值较小的重叠圆，根据score值保留最贴合脐橙的重叠圆。
23、优选的，所述score的定义如下式：
24、score＝(m-n)/r
25、m表示两个蓝色圆之间的轮廓点数量，df为轮廓点距离阈值，其中每个蓝色圆和红色圆之间的距离为df＝10；
26、n表示蓝色圆中的轮廓点数量，r表示红色圆的半径。
27、优选的，所述步骤52为每绘制一个圆，便删除新圆上的点，对圆上的点定义如下：两个蓝色圆之间的所有点均视为红色圆上的点。
28、与现有技术相比，本专利技术的有益效果是：
29、本专利技术的方法结合了轮廓分析与网格化处理策略，有效解决了现有技术在脐橙识别中面临的光照变化、果实堆叠及树叶遮挡的难题，同时提升了识别速度和精度。实验数据在标准脐橙图像数据集上的表现显示，该方法不仅在识别准确率上表现优异，还展现了对不同大小、形态脐橙的良好适应性，为自动化采摘、分级等农业智能化应用开辟了新的路径，预示着未来通过持续优化方法，可进一步提升对脐橙及其他果蔬的识别效率与精度。
本文档来自技高网...【技术保护点】
1.一种基于轮廓分析和网格化的脐橙识别方法，其特征在于：至少包括以下步骤：
2.根据权利要求1所述的一种基于轮廓分析和网格化的脐橙识别方法，其特征在于：所述S3中计算每个轮廓的面积，根据轮廓比例因子去除噪声轮廓；
3.根据权利要求1所述的一种基于轮廓分析和网格化的脐橙识别方法，其特征在于：所述步骤5至少包括以下步骤：
4.根据权利要求3所述的一种基于轮廓分析和网格化的脐橙识别方法，其特征在于：所述步骤6至少包括以下步骤：
5.根据权利要求3所述的一种基于轮廓分析和网格化的脐橙识别方法，其特征在于：所述score的定义如下：
6.根据权利要求3所述的一种基于轮廓分析和网格化的脐橙识别方法，其特征在于：所述步骤52为每绘制一个圆，便删除新圆上的点，对圆上的点定义如下：两个蓝色圆之间的所有点均视为红色圆上的点。
【技术特征摘要】
1.一种基于轮廓分析和网格化的脐橙识别方法，其特征在于：至少包括以下步骤：
2.根据权利要求1所述的一种基于轮廓分析和网格化的脐橙识别方法，其特征在于：所述s3中计算每个轮廓的面积，根据轮廓比例因子去除噪声轮廓；
3.根据权利要求1所述的一种基于轮廓分析和网格化的脐橙识别方法，其特征在于：所述步骤5至少包括以下步骤：
4.根据权利要求3所述的一种基于...
【专利技术属性】
技术研发人员：胡新，廖梅，段江丽，罗军，龚攀，
申请(专利权)人：长江师范学院，
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。