[发明专利]基于背景饱和度压缩与差异阈值分割融合的香蕉串识别方法

说明书

本发明提出一种基于背景饱和度压缩与差异阈值分割融合的香蕉串识别方法，先压缩原始香蕉串RGB图像的分辨率，再将图像转换至HSV颜色空间，然后对图像背景饱和度做自适应阈值的伽马变换和半值压缩，接着以大、小差异阈值范围，采用阈值分割、孔洞填充和连通域提取等形态学处理方法对背景压缩的饱和度分量与色调分量的差值图像进行分割、融合，从而识别出准确度高、噪声点少的香蕉串。本法对自然香蕉园环境下采集的图像样本正确识别出香蕉串的占比92.56％；在正确识别的图像样本中，香蕉串识别的准确度高于0.85的占比39.29％，介于0.80到0.85的占比46.43％，低于0.80的占比14.28％。本法能较好地适应不同光照和环境颜色下香蕉串的识别，可为机器人采摘作业提供香蕉串的定位依据。

技术领域

本发明涉及图像识别领域，更具体地，涉及一种基于图像背景饱和度压缩与差异阈值范围分割融合的香蕉串识别方法。

背景技术

香蕉作为岭南的特色水果和经济作物，种植规模大，适收期的香蕉串重量普遍在30kg左右，目前香蕉采收为人工方式，由多人协作完成，劳动强度大、采摘效率低，同时农业劳动力短缺导致人工成本不断攀升，严重制约香蕉的产业发展和经济效益。而采摘机器人可实现香蕉串采摘的机械化和智能化，不仅可以提高采摘效率、降低生产成本，还能解决农业劳动力短缺等问题。然而，如何准确、快速地识别出香蕉串是机器人完成采摘作业的前提和关键。因此，在自然香蕉园环境下，研究准确度高、鲁棒性强、实时性好的香蕉串识别方法具有重要的实用价值和广阔的应用前景。

基于颜色差异和形状拟合的果蔬识别方法应用于自然环境下香蕉串的识别仍存在一些问题，主要体现在三方面：(1)适收期的香蕉颜色(绿色)与环境背景基本一致，相比苹果、柑橘等颜色差异明显的水果识别难度更大；(2)香蕉串外形不规则，难以像苹果、西红柿等采用类圆形进行拟合；(3)香蕉园自然环境的不确定性和光照变化的干扰，如宽大的香蕉叶片容易反光、透光及遮挡香蕉串，从而影响香蕉串的图像采集质量和识别准确度。

目前，随着人工智能、深度学习和计算机技术的发展，基于卷积神经网络的图像识别已成为研究的热点，被广泛应用于农业等多个领域。虽然卷积神经网络等深度学习方法能获得较好的识别效果，但耗时、费力、应用成本较高。此外，卷积神经网络结构复杂，待训练的参数非常多，故需要的图像样本量巨大、训练时间较长；而且训练好的卷积神经网络部署到采摘机器人上难度也很大，因为它对系统的硬件配置和兼容性要求较高。

综上所述，在香蕉串的识别准确度能满足机器人采摘作业的前提下，传统图像识别方法对视觉系统的硬件要求不高，在机器人上部署便捷，应用成本低、移植性强。但容易受光照变化以及茎叶颜色与香蕉串相似度高等环境因素的影响，导致香蕉串识别的准确度下降。因此，提出一种新的香蕉串识别方法是非常有意义的。

发明内容

本发明为克服上述现有技术所述的至少一种缺陷(不足)，提供一种基于背景饱和度压缩与差异阈值分割融合的香蕉串识别方法，该方法具有准确度高、噪声点少的优点。

为解决上述技术问题，本发明的技术方案如下：

一种基于背景饱和度压缩与差异阈值分割迭代融合的香蕉串识别方法，是对自然香蕉园环境中适收期的香蕉串进行识别的方法，包括以下步骤：

(1)压缩原始香蕉串RGB图像的分辨率；

(2)将压缩后的图像转换到HSV颜色空间；

(3)对图像背景饱和度做自适应阈值的伽马变换和半值压缩；

(4)以大、小差异阈值范围，采用阈值分割、孔洞填充和连通域提取等形态学处理方法对由步骤(3)压缩后的饱和度分量与色调分量的差值图像进行分割、融合，从而识别出准确度高、噪声点少的香蕉串。

优选的，所述HSV颜色空间各分量的范围都转换成0-255。