自然场景下基于混合颜色空间的成熟期苹果识别方法.pdf

《自然场景下基于混合颜色空间的成熟期苹果识别方法.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第28卷第17期农业工程学报2012年9月TransactionsoftheChineseSocietyofAgriculturalEngineeringVbl．28No．17Sep．2012137自然场景下基于混合颜色空间的成熟期苹果识别方法钱建平1’2，杨信廷狱，吴晓明2，陈梅香2，吴保国1(1．北京林业大学信息学院，北京100083；2．北京市农林科学院国家农业信息化工程技术研究中心，北京100097)摘要：在自然场景下，利用果实自身颜色特性进行图像识别对于提高识别效率和实时性具有重要作用。该文采用1．375作为R／B的分割阈值，对

2、80幅成熟期苹果图像进行识别，其识出率、识别成功率、误识率和漏识率分别为98．3％、86．I％、12．4％、13．9％；在此基础上，加入0．45作为v的分割闽值，其识出率、识别成功率、误识率和漏识率分别为90．3％、84．9％、6．0％、15．1％，由此可见，基于R／B值和V值的混合颜色空间识别方法，在小幅降低识别成功率的情况下大幅降低误识率。通过进行顺光弱光照条件、顺光中光照条件、顺光高光照条件、逆光弱光照条件、逆光中光照条件、逆光高光照条件下的识别测试，结果表明顺光中等光照条件下的识出率和识别成功率最高，分别为91．7％和87．7％，

3、漏识率最低为12．3％；不同光照条件下的识别成功率存在差异，但不明显。关键词：图像识别，图像分割，颜色，RGB，HSV，自然场景，苹果doi：10．3969／j．issn．1002-68t9．2012．17．020中图分类号：TP242．62文献标志码：A文章编号：1002—6819(2012)一17—0137—06钱建平，杨信廷，吴晓明，等．自然场景下基于混合颜色空间的成熟期苹果识别方法[J]．农业工程学报，2012，28(17)：137—142．QianJianping，YangXinting，WuXiaoming，eta1．Matu

4、reapplerecognitionbasedonhybridcolorspaceinnaturalscene[J]．TransactionsoftheChineseSocietyofAgriculturalEngineering(TransactionsoftheCSAE)，2012，28(17)：137——142．(inChinesewithEnglishabstract)0引言果实识别是指将果实从枝叶、土壤、天空等背景中分离出来[1]。基于机器视觉识别果实可为2类：一是根据颜色或者灰度特征分割图像、寻找果实；二是在图像采集时使用滤波

5、片或者其他设备获取较为简单的图像，再根据形状特征寻找果列2。引。相关学者对柑橘、苹果、番茄、草莓、菠萝等的果实识别进行了研究卜圳。随着苹果采摘机器人相关研究的深入开展，能否快速准确地识别出苹果直接影响采摘机器人的工作效率【l⋯。对于苹果识别，相关学者从不同角度进行了研究。A．L．Tabb等【ll】采用全局高斯混合算法进行苹果识别，识别率在85．6％～95．6％之间，但需在苹果生长的地方放置幕布作为背景；司永胜掣眩J收稿日期：2012．03．22修订日期：2012．08．15基金项目：公益性行业(农业)科研专项经费(200903044—8)

6、；“十二五”国家863计划课题(2012AAl01706)作者简介：钱建平(1979一)，男，浙江湖州人，助理研究员，中国农业工程学会高级会员(E041200542S)，主要从事果园精准管理与果品溯源技术研究。北京北京农业信息技术研究中心，100097。Emaihqianjp@nercita．org．cn※通信作者：杨信廷(1974一)，男，山东人，研究员。主要研究方向为农产品全程溯源与监管。北京北京农业信息技术研究中心，100097。Email：yangxt@nercita．org．cn采用R-G和色差LL(R-G)／(G．B)相结合的

7、方法，对顺光、逆光等不同情况下的红色苹果进行了识别，结果表明该方法可以一定程度上消除光线、土壤等影响，但在逆光同时光线较暗情况下识别效果较差；张亚静等【l3】通过选择颜色特征(R／B值)和纹理特征(对比度值和相关性值)作为输入节点构建神经网络，进行苹果图像分割，其正确率大于87，6％；王津京等【14j提取苹果彩色图像的颜色特征，并使用支持向量机(supportvectormachine，SVM)方法对苹果果实进行识别，结果表明该方法优于神经网络方法。由上述研究进展可看出，苹果的识别由人工背景下的识别向自然背景下的识别发展，由单一颜色特征向

8、颜色与纹理相结合的特征识别发展，由采用单一的阈值分割向结合人工智能的方向发展[15-171。虽然这些方法的发展对提高识别效率有所帮助，但过多的引入识别参数或结合人工智能，这将影响识别的效率，导