论文部分内容阅读
摘要：针对半自动液控变割幅坐骑式割草机在工作时，操作人员不能准确目测前方树木的间距而无法确定当前割草机的割幅的情况，提出了1种基于HALCON软件及HSV[H表示色调（hue），S表示饱和度（saturation），V表示明度（value）]颜色空间的树木检测算法。利用HALCON算子将原RGB[R表示红色（red），G表示绿色（green），B表示蓝色（blue）]图像转换到HSV空间后，分析H和S分量的灰度直方图，对其进行对比度增强处理，并运用动态阈值法分别分割出大体目标区域并求出并集，再依次运用连通域处理、形态学操作、目标区域提取、矩形度过滤等后续处理，提取出树木的完整轮廓。最后运用MER（最小外接矩形）算法生成树木轮廓的最小外接矩形，为后续的树木间距测量等工作奠定基础。
关键词：HALCON;HSV模型;树木检测;动态阈值分割;割草机;机器视觉
随着乳品业的迅猛发展及高尔夫球、网球、足球等运动的兴起，我国的牧草产业及草坪的需求量正在迅速发展。目前较流行的大型割草机械是割草机，包括坐骑式、拖拉机悬挂式等。但是割幅一般是固定不变的，当在长有树木或者有其他障碍物的草坪上进行除草作业时，宽割幅的割草机由于两树间距较小就难以彻底地完成任务。
江苏科技大学的王新彦教授等发明了1种半自动液控变割幅坐骑式割草机，实现了从1.2 m到2.3 m的无极变割幅[1]。但是该机器需要驾驶员通过目测判断前方树木或其他障碍物之间的距离，再决定是否按下控制按钮改变割幅，这样容易出现误判导致割草机撞到树木或者出现漏割的现象。
随着科技的发展及视觉应用的不断推广，越来越多的农林业机械应用了机器视觉系统。机器视觉是一门综合性很强的学科，它包括图像处理、机械工程技术、控制、信号处理、光学、计算机软硬件技术等。机器视觉的概念起始于20世纪50年代，最先的应用来自“机器人”的研制[2]。其主要工作方式是通过工业相机[分为互补金属氧化物半导体（complementary metal oxide semiconductor，简称CMOS）和电荷耦合器件（charge coupled device，简称CCD）相机]采集的图像信号，传送给专用的图像处理系统，得到图像的形态信息，根据饱和度、亮度和颜色等信息，转变成数字化信号，图像系统通过各种算法实现目标特征的提取。利用机器视觉检测树木等障碍物已经有很多人进行了研究，有研究者提出了基于颜色和纹理的算法，可以得到比较理想的结果，但是运行时间过长，不能满足实时检测的目的[3];有研究者提出了利用三目立体视觉场景分割方法，可以在静态或动态的场景进行分割，其缺点是培训时间比较长，实时性较差[4];有研究者提出了1种障碍物检测系统，利用立体匹配生成1个点云在图像中的区域，地面检测用于确定点云中哪些点是障碍物，其缺点是如果障碍物的颜色与地面相近时，就很难检测出障碍物[5];有研究者提出了1种利用光谱分析及纹理提取实时检测静态和动态障碍物的方法，但是其算法复杂且当车辆在运动时识别率比较低[6]。本研究基于HALCON软件与HSV[H表示色调（hue），S表示饱和度（saturation），V表示明度（value）]颜色空间提出了1种实时检测树木的方法，为半自动液控变割幅坐骑式割草机实现全自动变割幅奠定了基础。
5 结论
本研究通过使用HALCON软件强大的功能，将复杂的自然环境通过HSV颜色空间模型消除了因光照和阴影等影响因素，其中主要利用H分量受光照影响较小的优点，并将摄像头进行合理的位置安装，减少了不必要的背景，降低了图像处理的复杂度。再结合动态阈值算法进行处理，然后进行形态学运算处理，包括腐蚀、膨胀，面积、矩形度筛选，最后生成最小外接矩形，完成了树木的提取分割。本研究得到如下结论：（1）采用HSV颜色空间中的H和S分量相结合的方法可以避免因光照或阴影造成的影響;（2）使用动态阈值分割法有效避免了因自然环境不同而造成的分割不准确等弊端;（3）本研究的算法识别速度快，平均速度为0.098 s，满足了实时性的要求;（4）本研究为后续的树木间距测量实现全自动液控变割幅坐骑式割草机奠定了基础。
参考文献：
[1]王新彦，周 浩. 一种液控变割幅坐骑式割草机：201410784597.3[P]. 2014-12-17.
[2]雷文华. 机器视觉及其应用（系列讲座）第一讲 机器视觉发展概述[J]. 应用光学，2006，27（5）：467-470.
[3]白丽丽. 用于机器人定位导航的树木检测算法研究[D]. 南京：南京理工大学，2012.
[4]Reina G，Milella A. Towards autonomous agriculture：automatic ground detection using trinocular stereovision[J]. Sensors，2012，12（9）：12405-12423.
[5]Ross P，English A，Ball D，et al. Novelty-based visual obstacle detection in agriculture[C]//IEEE International Conference on Robotics and Automation，2014.
[6]Campos Y，Sossa H，Pajares G. Spatio-temporal analysis for obstacle detection in agricultural videos[J]. Applied Soft Computing，2016，45：86-97.
[7]阚仁峰，杨龙兴，南玉龙. 基于HALCON图像处理的焊缝识别与提取方法的研究[J]. 物联网技术，2017（5）：29-31.
[8]李锦珑，张维昭，马宏锋，等. 基于HALCON的车牌识别技术研究[J]. 西北师范大学学报（自然科学版），2015（6）：54-57.
[9]兰 红，胡 涵. 结合HSV空间的改进二维Otsu免疫组化图像分割[J]. 计算机应用与软件，2016，33（5）：200-203.
[10]郭翰林，林 建，张 翔. 基于HSV空间再生稻植株与土壤背景图像分割[J]. 农机化研究，2017，39（7）：169-174.
[11]袁奋杰，周 晓，丁 军，等. 基于FPGA的RGB和HSV色空间转换算法实现[J]. 电子器件，2010，33（4）：493-497.
[12]张红旗，刘 宇，王春光. 改进田间杂草识别图像预处理方法的研究[J]. 农机化研究，2015（6）：70-73.
[13]Steger C. 机器视觉算法与应用[M]. 北京：清华大学出版社，2008：144-155.
[14]Weszka J S，Rosenfeld A. Histogram modification for threshold selection[J]. IEEE Transactions on Systems Man and Cybernetics，2007，9（1）：38-52.
[15]Gonzalez R C，Woods R E，Eddins S L. 数字图像处理的MATLAB实现[M]. 阮秋埼，译. 2版. 北京：清华大学出版社，2013：396-398.
[16]杨 琨，曾立波，王殿成. 数学形态学腐蚀膨胀运算的快速算法[J]. 计算机工程与应用，2005，41（34）：54-56.
[17]卢 蓉，范 勇，陈念年，等. 一种提取目标图像最小外接矩形的快速算法[J]. 计算机工程，2010，36（21）：178-180.李 阳，雷一腾，胡 斌. 大豆凸轮排种器的设计与优化[J]. 江苏农业科学，2019，47（6）：193-196.
关键词：HALCON;HSV模型;树木检测;动态阈值分割;割草机;机器视觉
随着乳品业的迅猛发展及高尔夫球、网球、足球等运动的兴起，我国的牧草产业及草坪的需求量正在迅速发展。目前较流行的大型割草机械是割草机，包括坐骑式、拖拉机悬挂式等。但是割幅一般是固定不变的，当在长有树木或者有其他障碍物的草坪上进行除草作业时，宽割幅的割草机由于两树间距较小就难以彻底地完成任务。
江苏科技大学的王新彦教授等发明了1种半自动液控变割幅坐骑式割草机，实现了从1.2 m到2.3 m的无极变割幅[1]。但是该机器需要驾驶员通过目测判断前方树木或其他障碍物之间的距离，再决定是否按下控制按钮改变割幅，这样容易出现误判导致割草机撞到树木或者出现漏割的现象。
随着科技的发展及视觉应用的不断推广，越来越多的农林业机械应用了机器视觉系统。机器视觉是一门综合性很强的学科，它包括图像处理、机械工程技术、控制、信号处理、光学、计算机软硬件技术等。机器视觉的概念起始于20世纪50年代，最先的应用来自“机器人”的研制[2]。其主要工作方式是通过工业相机[分为互补金属氧化物半导体（complementary metal oxide semiconductor，简称CMOS）和电荷耦合器件（charge coupled device，简称CCD）相机]采集的图像信号，传送给专用的图像处理系统，得到图像的形态信息，根据饱和度、亮度和颜色等信息，转变成数字化信号，图像系统通过各种算法实现目标特征的提取。利用机器视觉检测树木等障碍物已经有很多人进行了研究，有研究者提出了基于颜色和纹理的算法，可以得到比较理想的结果，但是运行时间过长，不能满足实时检测的目的[3];有研究者提出了利用三目立体视觉场景分割方法，可以在静态或动态的场景进行分割，其缺点是培训时间比较长，实时性较差[4];有研究者提出了1种障碍物检测系统，利用立体匹配生成1个点云在图像中的区域，地面检测用于确定点云中哪些点是障碍物，其缺点是如果障碍物的颜色与地面相近时，就很难检测出障碍物[5];有研究者提出了1种利用光谱分析及纹理提取实时检测静态和动态障碍物的方法，但是其算法复杂且当车辆在运动时识别率比较低[6]。本研究基于HALCON软件与HSV[H表示色调（hue），S表示饱和度（saturation），V表示明度（value）]颜色空间提出了1种实时检测树木的方法，为半自动液控变割幅坐骑式割草机实现全自动变割幅奠定了基础。
5 结论
本研究通过使用HALCON软件强大的功能，将复杂的自然环境通过HSV颜色空间模型消除了因光照和阴影等影响因素，其中主要利用H分量受光照影响较小的优点，并将摄像头进行合理的位置安装，减少了不必要的背景，降低了图像处理的复杂度。再结合动态阈值算法进行处理，然后进行形态学运算处理，包括腐蚀、膨胀，面积、矩形度筛选，最后生成最小外接矩形，完成了树木的提取分割。本研究得到如下结论：（1）采用HSV颜色空间中的H和S分量相结合的方法可以避免因光照或阴影造成的影響;（2）使用动态阈值分割法有效避免了因自然环境不同而造成的分割不准确等弊端;（3）本研究的算法识别速度快，平均速度为0.098 s，满足了实时性的要求;（4）本研究为后续的树木间距测量实现全自动液控变割幅坐骑式割草机奠定了基础。
参考文献：
[1]王新彦，周 浩. 一种液控变割幅坐骑式割草机：201410784597.3[P]. 2014-12-17.
[2]雷文华. 机器视觉及其应用（系列讲座）第一讲 机器视觉发展概述[J]. 应用光学，2006，27（5）：467-470.
[3]白丽丽. 用于机器人定位导航的树木检测算法研究[D]. 南京：南京理工大学，2012.
[4]Reina G，Milella A. Towards autonomous agriculture：automatic ground detection using trinocular stereovision[J]. Sensors，2012，12（9）：12405-12423.
[5]Ross P，English A，Ball D，et al. Novelty-based visual obstacle detection in agriculture[C]//IEEE International Conference on Robotics and Automation，2014.
[6]Campos Y，Sossa H，Pajares G. Spatio-temporal analysis for obstacle detection in agricultural videos[J]. Applied Soft Computing，2016，45：86-97.
[7]阚仁峰，杨龙兴，南玉龙. 基于HALCON图像处理的焊缝识别与提取方法的研究[J]. 物联网技术，2017（5）：29-31.
[8]李锦珑，张维昭，马宏锋，等. 基于HALCON的车牌识别技术研究[J]. 西北师范大学学报（自然科学版），2015（6）：54-57.
[9]兰 红，胡 涵. 结合HSV空间的改进二维Otsu免疫组化图像分割[J]. 计算机应用与软件，2016，33（5）：200-203.
[10]郭翰林，林 建，张 翔. 基于HSV空间再生稻植株与土壤背景图像分割[J]. 农机化研究，2017，39（7）：169-174.
[11]袁奋杰，周 晓，丁 军，等. 基于FPGA的RGB和HSV色空间转换算法实现[J]. 电子器件，2010，33（4）：493-497.
[12]张红旗，刘 宇，王春光. 改进田间杂草识别图像预处理方法的研究[J]. 农机化研究，2015（6）：70-73.
[13]Steger C. 机器视觉算法与应用[M]. 北京：清华大学出版社，2008：144-155.
[14]Weszka J S，Rosenfeld A. Histogram modification for threshold selection[J]. IEEE Transactions on Systems Man and Cybernetics，2007，9（1）：38-52.
[15]Gonzalez R C，Woods R E，Eddins S L. 数字图像处理的MATLAB实现[M]. 阮秋埼，译. 2版. 北京：清华大学出版社，2013：396-398.
[16]杨 琨，曾立波，王殿成. 数学形态学腐蚀膨胀运算的快速算法[J]. 计算机工程与应用，2005，41（34）：54-56.
[17]卢 蓉，范 勇，陈念年，等. 一种提取目标图像最小外接矩形的快速算法[J]. 计算机工程，2010，36（21）：178-180.李 阳，雷一腾，胡 斌. 大豆凸轮排种器的设计与优化[J]. 江苏农业科学，2019，47（6）：193-196.