机器人采摘苹果果实K-means和GA-RBF-LMS神经网络识别

分类：论文范文 发表时间：2021-04-09 09:46

　　摘要：为进一步提升苹果果实的识别精度和速度，从而提高苹果采摘机器人的采摘效率。提出一种基于K-means聚类分割和基于遗传算法（geneticalgorithm,GA）、最小均方差算法（leastmeansquare,LMS）优化的径向基（radialbasisfunction,RBF）神经网络相结合的苹果识别方法。首先将采集到的苹果图像在Lab颜色空间下利用K-means聚类算法对其进行分割，分别提取分割图像的RGB、HSI颜色特征分量和圆方差、致密度、周长平方面积比、Hu不变矩形状特征分量。将提取的16个特征作为神经网络的输入，对RBF神经网络进行训练，以得到苹果果实的识别模型。针对RBF神经网络学习率低、过拟合等不足，引入遗传算法对RBF隐层神经元个数和连接权值进行优化，采取二者混合编码同时进化的优化方式，最后再利用LMS对连接权值进一步学习，建立新的神经网络优化模型（GA-RBF-LMS），以提高神经网络的运行效率和识别精度。为了获得更精确的网络模型，在训练过程中，苹果果实连同树枝、树叶一块训练；得到的模型在识别过程中，可一定程度上避免枝叶遮挡对果实识别的影响。为了更好地验证新方法，分别与传统的BP（backpropagation）和RBF神经网络、GA-RBF优化模型比较，结果表明，该文算法对于遮挡、重叠果实的识别率达95.38%、96.17%，总体识别率达96.95%；从训练时间看，该文算法虽耗时较长，用150个样本进行训练平均耗时4.412s，但训练成功率可达100%，且节省了人工尝试构造网络结构造成的时间浪费；从识别时间看，该文算法识别179个苹果的时间为1.75s。可见GA-RBF-LMS网络模型在运行效率和识别精度较优。研究结果为苹果采摘机器人快速、精准识别果实提供参考。

　　关键词：图像处理；算法；识别；苹果采摘机器人；K-means分割；特征提取；GA-RBF神经网络

　　0引言

　　伴随着科技的进步，以及工业技术的发展，农业机器人技术的发展在科技的驱动下也日趋成熟，使得采摘机器人的发展也达到一个前所未有的高度[1-2]。视觉系统作为采摘机器人的“眼睛”，用来进行环境感知以及实现果实目标物的识别和定位，能否准确、快速地识别出采摘目标物，直接影响着采摘机器人的可靠性和实时性，即影响着采摘机器人的采摘效率。因此，目标物的识别是采摘机器人的关键环节之一，也吸引着众多的学者关注，并取得了可喜的研究成果[3-4]。

　　1苹果果实识别方法

　　1.1图像获取

　　苹果图像的采集地点在江苏省丰县大沙河镇苹果示范基地（江苏大学苹果采摘机器人实验基地），所有图像均在自然光下采集。苹果品种为红富士，图像采集镜头为AFT-0814MP（维视电子有限公司），试验共采集150幅苹果图像，共计果实229个。为更好地获取苹果图像的特征信息，为目标果实的识别提供基础，这里需要对图像做一系列的处理，如图像分割、特征提取等，它们直接关系到目标物的识别精度。

　　1.2图像分割

　　1.2.1颜色空间选取

　　颜色空间的选取往往是决定图像分割的好坏，常见的颜色空间有RGB、XYZ、Lab等。其中RGB颜色空间可表示大部分颜色，但就其各个分量间关联性过强，不宜直接用于图像分割。而XYZ颜色空间的主要缺点是非均匀性，在不同的色度和亮度区域，人对颜色的分辨力是不一致的，也不宜直接用于图像分割。Lab颜色空间是基于XYZ颜色空间转换而来，从RGB空间到Lab空间的转换需要XYZ颜色空间作为桥梁，即必须先将图像由RGB颜色空间转换到XYZ颜色空间，才能进一步转到Lab空间。

　　1.2.2K-means聚类算法分割

　　K-Means聚类算法以K为参数，它是把m个样本分成K个不同的类，使类内的样本具有较高的相似度，而不同类间的样本则相似度较低。设聚类的中心为uk，则聚类的平均差Ek表示为：2()mkikkiExu=?∑（4）式中：xik为第K个聚类中的第i个样本。通过迭代，使所聚的K个类的总误差平方和最小，即每个类内距离尽可能小，而类间距离尽可能大。

　　2试验设计与结果分析

　　2.1试验设计

　　将所采集到的图像划分为训练样本和测试样本，为了训练得到更精确的神经网络模型，训练样本在图像预处理时，需要分别提取出苹果果实、树叶、树枝三者的特征。因此在所采集到的150幅图像中，筛选出50幅图像作为训练样本，训练样本的每幅图像中仅含有1个苹果果实。剩余的100幅图像作为测试样本，只需提取苹果果实特征即可进行识别。

　　2.2试验设置本研究的试验运行平台如下，主机配置：CPUIntelCore2DuoE73002.66GHz，RAM1.99GB，显卡Intel?G33/G31ECF；运行环境：32bitWindowsXP，MatlabR2012b。

　　本研究试验参数设置：LMS算法的最大迭代次数为1000次，LMS的学习率为0.1，RBF神经网络的最大规模数为100，遗传算法的最大迭代次数为300次，其种群大小设为50，交叉率为0.9，变异率为0.01。BP神经网络的隐层神经元个数采用高大启经验公式设定[28]，最大迭代次数为2000次。

　　3结论

　　1）为提高苹果采摘机器人的采摘效率，本文对采集到的苹果图像进行了相关研究。首先将苹果图像转换到Lab颜色空间下，利用K-Means聚类的方法对图像进行分割，对分割的图像进行相关形态学运算后，进行特征提取。然后提出一种新的遗传算法（geneticalgorithm，GA）优化的径向基（radialbasisfunction，RBF）神经网络算法进行训练和识别，即采用连接权值与网络结构二者混合编码同时进化的优化方式，并对连接权值利用最小均方差（leastmeansquare，LMS）算法进一步优化，最后得到更为精准的GA-RBF-LMS优化模型。

　　2）苹果图像在Lab颜色空间下，K-means聚类分割可以有效分割出苹果果实、树叶、树枝图像，分割效果良好。并进一步对分割的图像进行特征提取，共提取RGB、HIS6个颜色特征分量和圆方差、致密度、周长平方面积比、Hu不变矩10个形状特征向量。

　　3）利用所提取的16个特征构造神经网络模型，用训练样本对其进行训练。从训练得到的几种模型对比看，GA-RBF-LMS模型训练时间最长，达4.412s，该模型精度较高，训练成功率达100%，训练误差为0.0837。

　　4）对训练得到的模型进行识别测试，从对比试验结果看，几种模型对无遮挡的果实识别效率都比较高，然而对于枝叶遮挡和重叠果实，GA-RBF-LMS模型的识别率要高于其他模型，分别达到率达到95.38%、96.17%。从整体对比结果看，GA-RBF-LMS模型识别所有苹果的运行时间为1.75s，识别率达96.95%，高于其他模型，且误差最小。表明新建立的GA-RBF-LMS的运行效率和识别精度最高，适用于采摘机器人的苹果目标物识别。

　　[参考文献]

　　[1]BacCW,vanHentenEJ,HemmingJ,etal.Harvestingrobotsforhigh-valuecrops:state-of-the-artreviewandchallengesahead[J].JournalofFieldRobotics,2014,31(6):888－911.

　　[2]方建军.移动式采摘机器人研究现状与进展[J].农业工程学报，2004，20(2)：273－278.FangJianjun.Presentsituationanddevelopmentofmobileharvestingrobot[J].TransactionsoftheChineseSocietyofAgriculturalEngineering(TransactionsoftheCSAE),2004,20(2):273－278.(inChinesewithEnglishabstract)

　　[3]项荣，应义斌，蒋焕煜.田间环境下果蔬采摘快速识别与定位方法研究进展[J].农业机械学报，2013，44(11)：208－233.XiangRong,YingYibin,JiangHuanyu.Developmentofreal-timerecognitionandlocalizationmethodsforfruitsandvegetablesinfield[J].TransactionsoftheChineseSocietyforAgriculturalMachinery,2013,44(11):208－223.(inChinesewithEnglishabstract)

　　贾伟宽1,2，赵德安※1,2，刘晓洋1，唐书萍1，阮承治1,3，姬伟1,2

上一篇：基于视觉伺服的草莓采摘机器人果实定位方法 下一篇：荔枝采摘机器人双目视觉的动态定位误差分析