采摘機器人目標標識別及定位研究.pdf

1、在自然環(huán)境下橘子目標所處的背景十分復(fù)雜，被枝葉遮擋或者果實之間疊加的現(xiàn)象非常普遍，這種環(huán)境的復(fù)雜性無疑給機器視覺系統(tǒng)的識別帶來困難，導(dǎo)致采摘機器人不能有效、準確地識別目標。針對這一問題，本文對復(fù)雜環(huán)境中橘子目標圖像的識別與定位問題進行了仿真與實驗研究。主要工作內(nèi)容如下：
　　對復(fù)雜環(huán)境中橘子目標輪廓的識別方法進行了研究。介紹了傳統(tǒng)的邊緣檢測算法，并對橘子圖像進行了測試，測試效果顯示該方法不能有效提取復(fù)雜環(huán)境中的橘子目標輪廊。將 K

2、-means聚類算法與Canny算法融合，采用K-means聚類算法從目標圖像中分割目標物區(qū)域，結(jié)合Canny檢測算法檢測出目標物區(qū)域的輪廓，進而完成目標的識別，橘子圖像測試結(jié)果驗證了該方法的有效性。
　　對重疊橘子目標輪廓分離方法進行了研究。在對腐蝕剝離法及分水嶺分割法等方法分離重疊（鄰接）目標的原理和特點比較基礎(chǔ)上，研究了基于K-means聚類算法分離重疊橘子目標輪廓的方法，該方法對雙果鄰接、重疊的橘子目標圖像進行了測試，測試

3、結(jié)果苕出重疊目標輪廓分離完整，體現(xiàn)了該方法的有效性。
　　對橘子目標輪廓匹配進行了研究。為描述目標輪廓特征，引入幾何不變矩參數(shù)作為輪廓的描述子，采用作差法的結(jié)果作為兩幅圖像中輪廓匹配測度值，實驗數(shù)據(jù)表明，幾何不變矩參數(shù)在橘子目標輪廓特征描述方面具有較好的效果，匹配能力良好。同時引入基于梯度法的Hough變換圓檢測方法對類圓形橘子目標輪廊擬合重建，測試效果圖顯示該方法能夠?qū)崿F(xiàn)果實的有效定位。
　　對基于單目視覺的目標深度進行了