徐志博, 萬芳新, 黃 元, 岳一杰, 馬國軍

(甘肅農業(yè)大學機電工程學院,甘肅 蘭州 730070)

花椒是中國種植最廣泛的經濟作物之一。傳統(tǒng)花椒采摘主要以人工采摘為主,采收成本高、勞動強度大、效率低、季節(jié)性較強,且枝干帶尖刺易使人受傷,采摘效率低下,嚴重制約了花椒產業(yè)的經濟效益和發(fā)展。此外,花椒多種植在山脊、肥力較低的隆脊,使得采摘作業(yè)相比于其他經濟作物更加艱難、費時。為實現(xiàn)花椒果實的高效自動采摘,減輕林園采摘者的負擔,保證果實采摘的時效,對花椒采摘機器人的關鍵技術進行深入研究至關重要。因此,在自然條件下不受復雜環(huán)境影響地快速進行識別與定位對提升采摘機器人作業(yè)效率有十分重要的應用價值和現(xiàn)實意義。

近年來,隨著深度學習算法的不斷成熟,許多學者利用深度學習、機器學習的方法在林果采摘機器人中進行目標檢測、目標定位、算法定位,并超越了傳統(tǒng)的圖像處理方法[1-3]。齊銳麗[4]等研究了R-G色差法、Its法及k-means法等聚類算法,得出使用outs能很好地分割花椒果實,使用Canny算法提取果實輪廓后使用雙目視覺算法與形心匹配法可得到花椒三維坐標。萬芳新[5]等在RGB顏色空間下對花椒果實串進行一系列圖像形態(tài)學處理并進行圖像識別,使用優(yōu)化腐蝕噪點和隔離帶法去除非目標再求取花椒串的位置。張永梅[6]等對比了花椒果實在HSV和RGB顏色空間分量,結合使用合適的閾值進行分割,將形心偏差法與慣性主軸結合得到果實的采摘點。楊萍[7]等使用k-means算法和Ostu算法結合進行圖像相減得到主枝位置,將小孔成像與凸包理論結合得出花椒的深度信息。利用機器視覺結合深度學習技術對馬鈴薯生產系統(tǒng)中的早期枯萎病進行實時識別[8];Ji[9]等使用SVM分類器對蘋果果實進行分類識別,對套袋果實的識別率達到89%。Wei[10]等在OHTA顏色空間中提取了一種新的顏色特征,利用改進的Otsu算法自動計算水果圖像的分割閾值,識別準確率達到95%以上。Yao Jia[11]等提出了一種基于YOLOv5的缺陷檢測模型,該模型能夠快速準確地檢測出獼猴桃的缺陷,其mAP@0.5達到了94.7%。然而,這些系統(tǒng)模型并不能在復雜的果園環(huán)境中快速高效地為采摘機器人提供準確的定位,目前仍需要一個高魯棒性的基于計算機視覺的目標檢測系統(tǒng)[12-14],一個全自主的UAVs系統(tǒng)自動化檢測模型還遠遠沒有實現(xiàn)。另一方面,縱觀基于深度學習[15,16]的花椒果實目標識別的研究,大多數(shù)花椒檢測模型的識別效率較高,但由于其果園環(huán)境復雜性高、果實尺寸大小不一、成簇果實相互遮擋,許多模型的實時性與準確度不足。因此,開發(fā)一種可以同時識別多簇果實,滿足在枝葉遮擋、果實重疊的復雜林間環(huán)境下的應用需求,又能實時檢測花椒果實的識別模型具有挑戰(zhàn)性。

本文針對花椒園中復雜的采摘環(huán)境,提出了一種基于交廓三角型的林間花椒果實串采摘點識別算法,本文利用慣性主軸與形心點數(shù)形結合的方式得到花椒果實的采摘點,為實現(xiàn)花椒采摘機器人采摘作業(yè)的研究提供理論支持。

20世紀70年代以來，不同學科的學者們在各自不同的方向，對國家作為一個行為主體或一種制度組織(institution)進行了廣泛的研究。雖然這些研究彼此之間并無有意識的協(xié)調，但這些研究都十分重視國家的行為主體身份，關注國家如何通過政策來影響政治和社會過程，這股強大的研究力量，在學術界共同引發(fā)了社會科學研究的“國家轉向”。就此，“國家中心論”或者國家自主性的學派漸趨形成。

1 形心點的提取

對于采摘機器人來說在自然環(huán)境下花椒果實串空間位置采摘點的確定是極其重要的,位置的準確與否直接關系到花椒采摘點的位置精度,即末端執(zhí)行器判定采摘位置選擇的正誤。對于花椒的采摘位置本文使用慣性主軸以及形心點的偏向去判斷采摘點的位置方向,以實現(xiàn)采摘。

調整產業(yè)結構必須樹立以市場經濟為中心的發(fā)展方向。提高農產品的附加值，發(fā)展高質量的農產品。引進優(yōu)良品種，鼓勵規(guī)?；?、專業(yè)化生產，增強農產品的競爭力。

令:

要利用創(chuàng)新驅動發(fā)展，只會模仿，不會創(chuàng)新，最終只是停滯不前甚至倒退。在信息化社會，電子商務產業(yè)的從業(yè)者應當充分利用大數(shù)據(jù)的優(yōu)勢，能夠根據(jù)市場需求甚至是每位客戶的不同要求，對產品進行不斷創(chuàng)新，同時根據(jù)技術的進步和社會發(fā)展不斷創(chuàng)新電子商務的運營模式，從而不斷順應社會和市場的發(fā)展。

(1)

式中計算其中質心時,將灰度圖中x方向的灰度積累和灰度圖中總灰度的積累相比得到了質心點x的位置坐標xc。同理,將灰度圖中y方向的灰度積累和灰度圖中總灰度的積累相比得到了質心點y的位置坐標yc,如圖1所示。

(2)

式中Mjk為灰度圖中關于x方向的j階矩,y方向的k階矩;f(x,y)為灰度圖的像素值。其中,參數(shù)j+k被稱為矩的階,當階的大小不同時可以得到不同的階數(shù)的矩。當j+K=0時稱為零階矩,當j+K=1時稱為一階矩,當j+K=2時稱為二階矩。關于進行灰度處理過后的圖像,因此階矩的值表示灰度沿著x,y方向的分布狀況,用M00代表灰度圖中總灰度的積累,Mxy代表灰度圖中在不同x、y方向的不同灰度積累。

圖1 形心點

2 慣性主軸的確定

中心矩擁有位置無關性,是由于其是以質心位置作為原點進行計算,且中心矩可以反映區(qū)域中的灰度相對灰度中心是如何分布,因此使用中心矩可以很好地表現(xiàn)出區(qū)域的基本位置特征。例如,μ20和μ02表示在選定區(qū)域中灰度相對灰度中心的水平和垂直方向的矩,若μ20<μ02,則這可能表明的是一個垂直方向的軸線,反之則可能為水平方向的軸線。

之后將二階中心矩的μ11、μ20、μ02簡化為:

(3)

本文采用計算灰度圖像的形心,矩的數(shù)值大小表示該圖灰度在X、Y方向的分布狀況,定義如下:

(4)

3.1.4 生理、心理的危害 有文獻報道，皮膚科醫(yī)師對性病患者的歧視明顯受到倫理道德和社會文化背景的影響，表現(xiàn)為其歧視程度因患者招致感染的行為原因不同而存在顯著區(qū)別。從醫(yī)時間短、職稱低、女性、已婚、3級醫(yī)院、專科醫(yī)院的醫(yī)師對性病患者更易產生污名印象與歧視情況［3］。同時，長期處在高風險和傳染性強的環(huán)境中，加上護士人員缺乏、長期高度緊張、輪值班后生活不規(guī)律、睡眠障礙等，都導致了醫(yī)護人員的身心危害，從而造成職業(yè)損害。

θ=arctan(2μ11/μ20+Ψ2),μ20>μ02

θ=arctan(μ20-μ02+Ψ2/2μ11),μ20<μ02

(5)

當-π/4<θ<π/4時,m20

則水果主軸方向與水平方向的夾角θ為:

選取花椒平面圖的形心位置點為待求點,在選取平面圖形心位置時常常使用矩法和質點法來求解位置點,其中矩法是分別計算出圖像關于x、y方向的i階矩和j階矩表示圖向的像素值,接著計算圖像的總灰度,從而計算出圖像的位置點。質點法則是由圖像邊緣的像素值來計算得出位置點,將圖像中的橫縱坐標的邊緣像素取均值后得到形心點。二者的結果大致相同,但矩法從代碼長短以及運算速度來看都較優(yōu)。

當-π/2<θ<-π/4時,m20>m02且m11<0,如圖2為此情況,此時:

隨著我國城市化發(fā)展步伐的逐步加快，人們開始源源不斷地涌入城市，使得出行成為了一大難題，一系列交通運輸問題隨之而來。而城市地鐵具有運輸量大、速度快、節(jié)能、準時等諸多特點，所以近幾年來已經成為了城市生活的一種主要出行工具，隨著城市地鐵線路的設計范圍逐漸擴大，同時也拓寬了城市地鐵網絡系統(tǒng)的搭建范圍，因此使得地鐵換乘站的建筑設計也成為了當前地鐵運輸?shù)闹攸c內容，并且實際建筑效果也會對地鐵服務質量產生重要影響，因此要致力于研究城市地鐵換乘站的建筑設計。為此，本文主要對當前城市地鐵換乘存在的問題進行了分析，并對城市地鐵換乘站的建筑設計進行了初步探究。

圖2 慣性主、副軸

θ=0.5arctan(μ20-μ02+Ψ2/2μ11)-π/2

(6)

我們定義X軸的正方向為水平向右,y軸的正方向垂直向上,建立坐標系,花椒果實串在自然生長條件下,將果實串的慣性主軸傾斜角度θ定義在(-π/2,π/2)之間,即花椒串的慣性主軸大多數(shù)處在(-π/2,π/2)。

θ=0.5arctan(μ20-μ02+Ψ2/2μ11)

(7)

當π/4<θ<π/2時,m20>m02且m11>0,如圖為此情況,此時:

Y=14586.095 - "KT1" * 103.614 + "Slope" * 155.987 + "B123457 " * 167387.358+ "KT3" * 55.487 + "B2" * 166.069 - "B1" * 90.897+ "B5" * 12.046 - "RVI" * 71.560

θ=0.5arctan(μ20-μ02+Ψ2/2μ11)+π/2

(8)

使用慣性主軸的方法求出花椒果實串主軸的方向示意圖,其果實串軸的角度分別為117°、26.3°、13.7°如圖2所示。

3 采摘點位置確定

通過確定的果實串的形心點和慣性主軸,可以將形心點的偏向方位以及慣性主副軸位置相結合得出采摘點的位置。具體過程如下圖3,圖4,圖5所示:

圖3 交廓三角形算法流程

圖4 交廓三角形

圖5 采摘點確定

選取遮擋與無遮擋各100幅圖片做像素定位,表1為不同光照條件下花椒串采摘點的像素誤差統(tǒng)計。分析1 000幅不同光照條件下花椒串采摘點的像素誤差,其中無遮擋花椒串采摘點準確率為79%,帶遮擋花椒串采摘點準確率為62%。由于自然生長的花椒串生長方向不確定,采用該方法對采摘點進行定位時,有時圖像采集方位的物體或遮擋大部分果實,這會產生誤差。由表1可知采用該定位方式,可以有效地提升定位精度,即使存在果實串被遮擋的情況也可以判斷出采摘點的位置,對實際花椒園采摘作業(yè)有積極影響。

表1 不同光照下采摘點誤差分析

4 結論

本文提出融合多種算法的識別定位方法,基于形心偏差法與慣性主軸算法提出了一種交廓等腰三角形算法模型。實驗結果表明,針對所選取的不同光照條件下無遮擋與遮擋的花椒圖像,計算采摘點準確率達到79 %和62 %,平均定位時間為0.265 5 s和0.312 6 s, 研究可為進一步應用于花椒園間多花椒串識別,為花椒采摘機器人采摘作業(yè)的研究提供理論依據(jù)。