【摘要】：鮮食葡萄多采用水平棚架栽培,棚面與地面平行,通風(fēng)透光好,作物品質(zhì)佳、病蟲害輕,便于包括機械在內(nèi)的地面作業(yè)。針對水平棚架栽培模式下的葡萄機械化采收,本文為實現(xiàn)葡萄果梗的近景識別,提出了一種基于深度視覺的眼在指下的手眼配置方案并完成了手眼系統(tǒng)的開發(fā),進而提出了一種基于葡萄空間幾何特征與穗-梗連接處深度值跳動的果梗近景識別方法并進行試驗驗證。同時為實現(xiàn)棚架未知環(huán)境下的目標葡萄的自主鎖定提出了一種遠近景結(jié)合手眼伺服策略,并對其進行了初步驗證。本文的主要研究內(nèi)容如下:(1)在對水平棚架栽培葡萄的生長特性及物理特性的調(diào)研的基礎(chǔ)上,對采摘機器人的末端執(zhí)行器進行了結(jié)構(gòu)設(shè)計,末端手眼系統(tǒng)形成了“眼在指下”的配置方式。由末端執(zhí)行器和末端手眼系統(tǒng)組成的末端結(jié)構(gòu)較為簡單,體積小,可滿足用于水平棚架栽培葡萄的采摘機器人末端的要求。(2)以葡萄的深度圖像為研究對象,根據(jù)深度信息特征,確定適用于水平棚架葡萄識別定位的近景探測范圍。利用深度信息進行干擾信息的剔除,根據(jù)葡萄穗-梗連接處的深度值特征,確定穗-梗分割點,進一步確定葡萄果梗上采摘點位置。該方法僅依賴單一深度信息對采摘點進行識別定位,有效發(fā)揮深度視覺對光照敏感度較低的優(yōu)勢。(3)為驗證果梗近景識別定位的有效性和通用性,以不同顏色的四種葡萄作為試驗對象,進行了近景識別。試驗表明,該識別方法對“白露沙”,“秋紅”,“紅意大利”,“紅地球”的采摘點識別定位成功率分別為88%,80%,80%,100%,用時分別為0.3秒,0.28秒,0.29秒,0.28秒。因此該算法對采摘點的識別定位成功率為87.5%,平均用時約為0.29秒。(4)根據(jù)葡萄采摘機器人需要在未知環(huán)境下對目標葡萄進行檢索及自主鎖定的要求,基于水平棚架栽培模式下的葡萄生長特性,提出一種基于葡萄果穗最低點的遠近景結(jié)合識別定位的協(xié)調(diào)策略,并對遠近景結(jié)合識別定位中的關(guān)鍵點位置進行了確定。對遠近景結(jié)合識別定位進行視覺部分進行了室內(nèi)試驗,驗證了該方法的合理性。本文針對棚架葡萄近景果梗識別及采摘的需要,進行了基于深度視覺的“眼在指下”手眼配置方案設(shè)計,提出了基于葡萄空間幾何特征與穗-梗連接處深度值跳動的果梗近景識別方法,進行了不同葡萄品種的果梗識別效果試驗,進而提出了棚架未知環(huán)境下遠近景結(jié)合的手眼協(xié)調(diào)控制策略,并完成了室內(nèi)試驗驗證。
【學(xué)位授予單位】：江蘇大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：TP391.41;TP242;S225
【圖文】：

c.算法三圖 1.1 三種識別算法Fig.1.1 Three recognition algorithm年，Reis[16]等人提出了一種用于在自然環(huán)境中檢測和定位彩色圖像中系統(tǒng)能夠區(qū)分白葡萄和紅葡萄，同時計算葡萄果串在圖像中的位置和白葡萄實現(xiàn)了 97％和 91％的正確分類。年，劉燦[17]提出一種適用于葡萄套袋的識別方法。該方法利用葡萄外圓檢測對果粒進行圓心的判斷和半徑的提取，從而對整串葡萄進行一果粒的集中區(qū)域進行葡萄區(qū)域的二次判斷，由此定位葡萄。而后引進行套袋處理。年，Stephen Nuske 等人[18]提出一種基于計算機視覺的葡萄園葡萄果以估算每株葡萄的產(chǎn)量。首先，通過使小車與葡萄藤間保持相對恒

萄的 HIS 色彩空間中的 H 分量來分割紫色葡萄與綠色背景，在提取葡萄果穗的圖像后，其進行形態(tài)學(xué)處理，以質(zhì)心為基礎(chǔ)確定果梗上的采摘點。該方法的定位準確率較高88.33%，平均定位時間為 0.3467s。2016 年，宋西平等人[25]開發(fā)了一套葡萄采摘點的空間定位系統(tǒng)。該方法在識別出葡的情況下，對葡萄果梗進行直線夾角閾值、可信區(qū)域、點到直線最小距離與深度間距閾4 個約束條件來改進采摘點的定位方法，使得采摘點較理想得定位于果梗中部。同時結(jié)雙目視覺求出葡萄采摘點的空間位置。2018 年，Xiong 等人[26]提出一種在夜間對綠色葡萄進行檢測和采摘點定位的方法。用顏色模型以實現(xiàn)綠色葡萄的檢測。采用改進的 Chan-Vese（C-V）水平集模型和形態(tài)學(xué)理方法去除圖像背景，留下葡萄果實。根據(jù)葡萄的生長特性，以最小外接矩形和霍夫直檢測對果梗進行直線擬合，從而確定采摘點位置。該方法的葡萄果實檢測準確率為 91.67％平均運行時間為 0.46 s。采摘點計算的最高精度為 92.5％，最低為 80％。

d.識別流程圖 1.6 蘋果識別視覺系統(tǒng)及識別流程 Apple recognition vision system and identificatio子嘯等人[38]提出一種基于 Kinect 的獼猴桃和 RGB 圖像進行獲取，并將兩者進行對對獼猴桃果實進行空間定位，其誤差小[39,40]搭建了一個甜椒的自動收獲系統(tǒng)。和深度數(shù)據(jù)。為將甜椒從背景中區(qū)分出標甜椒的紅色。接著將 3D 模型擬合到分方法對單果的識別時間達到 15s，并不

【參考文獻】

相關(guān)期刊論文 前10條

1 馮青春;趙春江;王曉楠;王秀;貢亮;劉成良;;基于視覺伺服的櫻桃番茄果串對靶測量方法[J];農(nóng)業(yè)工程學(xué)報;2015年16期

2 羅陸鋒;鄒湘軍;熊俊濤;張宇;彭紅星;林桂潮;;自然環(huán)境下葡萄采摘機器人采摘點的自動定位[J];農(nóng)業(yè)工程學(xué)報;2015年02期

3 劉照亭;郭建;任俊鵬;毛妮妮;劉吉祥;魯群;;葡萄棚架“飛鳥型”樹形的整形修剪技術(shù)[J];浙江農(nóng)業(yè)科學(xué);2014年09期

4 芮東明;劉亞柏;王敬根;張銳方;劉吉祥;郭建;魯群;;夏黑葡萄標準化栽培技術(shù)[J];江蘇農(nóng)業(yè)科學(xué);2014年08期

5 單傳倫;張晉盼;單濤;邵和益;李世誠;;南方地區(qū)葡萄促早栽培主要技術(shù)[J];中外葡萄與葡萄酒;2014年02期

6 楊慶華;劉燦;荀一;鮑官軍;王志恒;黃鵬程;;葡萄套袋機器人目標識別方法[J];農(nóng)業(yè)機械學(xué)報;2013年08期

7 任俊鵬;陶建敏;;葡萄栽培中主要架式、樹形及南方地區(qū)發(fā)展趨勢[J];中國果業(yè)信息;2013年07期

8 張江鑫;沈小蘭;王輝;裘加林;張標標;;快速隨機Hough變換多直線檢測算法[J];浙江工業(yè)大學(xué)學(xué)報;2013年03期

9 馮娟;劉剛;司永勝;王圣偉;周薇;;蘋果采摘機器人激光視覺系統(tǒng)的構(gòu)建[J];農(nóng)業(yè)工程學(xué)報;2013年S1期

10 馮娟;劉剛;司永勝;王圣偉;任雯;周薇;;基于激光掃描三維圖像的樹上蘋果識別算法[J];農(nóng)業(yè)機械學(xué)報;2013年04期

相關(guān)碩士學(xué)位論文 前3條

1 朱新新;基于RealSense深度信息的枝上柑橘果實近景識別研究[D];江蘇大學(xué);2017年

2 唐善奇;葡萄采摘的果穗振動耦合仿真和末端執(zhí)行器設(shè)計及試驗[D];江蘇大學(xué);2016年

3 劉燦;葡萄套袋機器人目標識別方法研究[D];浙江工業(yè)大學(xué);2012年

本文編號：2744819