二、相关文献综述(1000字左右,与主要参考文献对应)
张境锋在2022年5月完成的硕士论文《基于视觉检测的苹果采摘机器人路径规划方法研究》中提到,YOLO v4 是目前最好的检测算法之一,具有识别速度快、准确率高等优点,适合应用在苹果检测领域。运用YOLO v4 算法,先通过主干网络提取苹果图像的特征,然后将图像划分出 S*S 个单元格(S=7),位于目标中心的单元格负责检测相应苹果;再在每个单元格需要预测目标的类别概率和边界框,同时生成边界框的置信度信息;最后计算每个网格的类别条件概率 Ci,然后将类别条件概率乘以每个边界框的confidence,就可以得到每个边界框的类特定置信度分数 Si。Pr(Classi)是第 i 个目标的类别概率。通过设置阈值并与 Si 进行比较,将分数低于阈值的框过滤掉。然后对剩余的框进行非极大值抑制(NMS)。最后得到目标的检测框,实现苹果的识别和定位。
赵毅在2023年9月的《现代农机》期刊《基于机器视觉的类球状水果采摘机械目标识别方法》一文中提到基于机器视觉设计类球状水果图像分割算法,完成图像采集和预处理后, 引入机器视觉技术原理,设计图像分割算法,分割类球状水果图像。引入机器视觉是因为其可以根据图像信号的动态变化,有效获取类球状水果的颜色信息、形态信息与位置信息。分割过程利用机器视觉技术, 将待分割的水果图像划分为 n*n 个网格状,采用修改细化的方法,不断细化水果图像的超像素边缘,使图像的内部特征达到一致,并利用机器视觉技术, 定义类球状水果图像超像素中更新像素边缘与颜色密度分布的能量函数,表达式为:
R(s)=T(s)+dE(s)
式中:T(s)为图像超像素中颜色密度分布项;d 为图像颜色密度与边缘值的权重;E(s)为图像超像素形状的边界项
李昌璐在2022年6月完成的硕士论文《基于机器视觉的苹果采摘机器人识别与定位研究》中提到多尺度特征提取与融合,因单一图像特征在图像的检测过程中会缺乏对图像完整性和准确性的特征概述。所以可以采用图像特征融合的方式。经过融合操作后的特征可以提 高系统最终结果的鲁棒性、可靠性以及类别分类的准确性。特征融合过程可以利 用同一图像的不同层次特征和不同特征间的相互补充进行信息融合,并将参与融合的特征结果进行组合与匹配,达到加强对目标特征信息的准确提取与能够精确识别的目标。
众多前辈对基于机器视觉的尺寸测量进行了深入的研究,使我的课题有了很多参考的内容,但还没有对柠檬的机器视觉采摘进行研究,因此本文具有研究价值和一定的现实意义。
|