文献类型：期刊文章

作　　者：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]

机构地区：[1]江苏大学电气信息工程学院,镇江212013 [2]机械工业设施农业测控技术与装备重点实验室,镇江212013 [3]武夷学院机电工程学院,武夷山354300

出　　处：《农业工程学报》

基　　金：国家自然科学基金资助项目(61379101;31571571);江苏省高校优势学科建设项目(PAPD);高等学校博士学科点专项科研基金(20133227110024);江苏省普通高校研究生科研创新计划项目(KYLX14-1062)

年　　份：2015

卷　　号：31

期　　号：18

起止页码：175-183

语　　种：中文

收录情况：AJ、BDHX、BDHX2014、CAB、CAS、CSA、CSA-PROQEUST、CSCD、CSCD2015_2016、EI(收录号：20154301434069)、FSTA、IC、JST、PROQUEST、RCCSE、SCOPUS、ZGKJHX、核心刊

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(genetic algorithm,GA)、最小均方差算法(least mean square,LMS)优化的径向基(radial basis function,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(back propagation)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4.412 s,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1.75 s。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  

分 类 号：TP24] TP391]