采摘机器人目标检测方法研究

河南科技学院信息工程学院 赵 欣

国网新乡供电公司 王战胜

河南科技大学电气工程学院 王永胜

采摘机器人目标检测方法研究

河南科技学院信息工程学院 赵 欣

国网新乡供电公司 王战胜

河南科技大学电气工程学院 王永胜

随着机器视觉技术的不断发展，机器人技术已经被应用到很多领域。近几年，采摘机器人技术得到了迅速的发展，被用于瓜果、蔬菜采摘、害虫防治等各个方面，极大的提高了劳动效率[1、2、3、5]。但是由于环境的非结构性、作业动作的复杂性等因素都会对采摘的准确性和可靠性产生影响，因此针对不同的采摘环境和采摘目标，需要用不同的目标识别方法[2、3]。本文重点分析几种近年来应用较广的采摘机器人目标检测方法，比较它们的优缺点．

机器视觉；采摘机器人；劳动效率；目标检测

1 目标识别系统

视觉系统采摘机器人的核心部件，通过它可以实现图像的采集、处理和识别等功能。本文所研究的采摘机器人机器视觉系统的硬件和软件主要包括：摄像头、图像采集卡、计算机、暗箱及光源、图像处理模块及判决模块等[1、2、4]。硬件和软件系统示意图如图1所示：

图1 机器视觉系统硬件和软件示意图

通过上图可见，满足一定光照条件下摄像机把目标图像采集到计算机中，在计算机中利用图像处理软件对采集到的目标图像进行预处理，以提高图片质量，然后根据相关算法获取目标特征要素，最后利用智能判决算法进行目标识别。

2 图像预处理

直接从图像采集设备上获得的图像在“质量”上往往不能令人满意，因此，在深入的识别和理解之前需要对图像进行预处理。图像预处理包括的基本方法有：灰度变换、直方图变换、图像滤波、形态学处理等[1、2、3]。

其中，图像滤波的目的是尽量保留图像特征情况下对目标图片进行噪声滤除。图像滤波的方法主要有平滑滤波、均值滤波、卡尔曼滤波和粒子滤波等。卡尔曼滤波和粒子滤波计算方法较前两种复杂，但是却有较高的精确度和较强的稳定性，因此被广泛应用[1、2]。

开启和闭合运算是利用腐蚀和膨胀等基本运算对图像进行深度处理，来去除图像边缘的毛刺（开启）或平滑图像的边界（闭合），其公式分别为：

根据需求对图像预处理之后，处理过的图片能更好的适用于视觉处理。

3 常见采摘系统目标检测方法

在采摘过程中，机器人的采摘准确度以及采摘效率受采摘环境、采摘对象的结构等诸多因素影响，精准的目标识别是提高采摘效率的前提，因此在不同的环境条件下，需要采取不同的目标识别方法。根据不同的采摘环境，常用的目标检测方法有以下几种[1、2、3]：

（1）BP神经网络分割法

所谓的BP(Back Propagation)算法即反向传播算法，它属于层次型神经网络，能够学习输入模式和对应输出之间的关系，在模式识别和控制等方面都有非常广泛应用。

BP算法利用了均方误差和梯度下降法来实现对网络连接权的修正，整体可以分为输入、中间和输出三层，并且同层的神经元之间没有连接，异层的神经元间前向连接。一般来说，网络学习的过程就是对各层间权值的修正过程，只需通过对训练样本的大量学习即可实现网络的记忆功能，只要给出输入图像应用获得的权值即可得到期望的输出图像。此方法的优点是不需要确定阈值，容错性能好。缺点是：在光线较强的反光点或者光线较弱的阴影部分会出现较多的孔洞或者出现信息丢失的现象。

（2）LRCD处理方法

LRCD是Luminance and Red Color Difference的简称，通过图像上各个成熟果实所具有的颜色分量与该点亮度信号的差异来突出其颜色。利用该方法可以起到突出前景的作用，其变换关系如下式所示：

利用上式得到灰度图后进行阈值化处理，即可得到果实的二值图像。LRCD处理方法计算量相对较小，效率较高，但是此方法不能很好的适应实际生产中自然光线下拍摄的图像，并且双阈值来二值化需要人为根据经验来选择阈值，结果不一定具有最优性，该方法不太适合实际生产。

（3）改进的色度图像分割

利用上述公式进行图像二值化，即可得到成熟果实区域。改进后的RGB通道色度分割法处理速度快，减少了内存占用空间，改进后的色度分割法算法性能更好，但是由于在RGB模型下进行，受自然光线影响较大，且方法应用范围太过局限，不适合实际生产。

（4）Lab分割方法

Lab是由RGB模型转换为HSV模型和CMYK模型的桥梁，它是由RGB三基色通过变换转换而来的，具体的变换公式如下式所示。L、a和b分别表示亮度分量和颜色分量，其中亮度分量L取0～100，a和b的取值范围均为-120～120，a分量代表由绿色到红色的光谱变化，b分量代表由蓝色到黄色的光谱变化。

Lab分割方法就是利用a通道的特性将成熟的果实从背景中分割出来。此方法选用Lab模型下的a通道进行研究，不受光线的影响，产生的孔洞较少，采用单通道节省处理时间，方法较简单。它的最大缺点是：将图像从RGB格式转成Lab格式，运算量较大，整体处理实时性差。

（5）基于Lab空间的K均值聚类分割

4 总结

以上是几种目前常用的目标检测方法，前面的分析可以看出，每一种方法都有其特定的应用环境，也都有其优缺点，没有一种方法能够适用于任何环境，因此，根据不同的环境选择不同的方法就变得尤为重要。虽然目前的目标检测方法都有一定的局限性，但是实现目标和背景的分离，可以为后续目标的准确定位提供参数，是保证采摘准确性必不可少的环节。

[1]周天娟．基于机器视觉的草莓采摘机器人技术研究[D]．北京:中国农业大学,2007．

[2]谢忠红．采摘机器人图像处理系统中的关键算法研究[D]．南京:南京农业大学,2007．

[3]李寒．基于机器视觉的目标检测在精细农业中的关键技术研究[D]．北京:中国农业大学,2014．

[4]李占坤．果树采摘机器人控制系统研究与设计[D]．北京:江苏大学,2010．

[5]刁智华,王会丹,魏伟．机器视觉在农业生产中的应用[J]．农机化研究,2014(3):206-211．