南京农业大学SRT计划项目申请书

南京黑差**SRT计划项目申请书项目名称：XXXXXXXXXXXX申请者：XXX院系：工学院农机系专业：XXX专业指导教师：XX取称：XX2022年04月08日

南京农业大学教务处制

agriculture.42(3):161-180,2004.[13]Cho.S.I,KiNH.,Lee.JHChoiCH.Autononmousspeedsprayerusingfuzzylogic.Proc.InternationalConferenceonAgriculturalMachineryEngineering,November,Seoul,1996:648-657[14]Cho.S.I.,Ki.N.H.Autonomousspeedsprayerguidanceusingmachinevisionandfuzzylogic.ASAE,1999,42(4):1137-1143[15]B.S.S.H.Kim.AutonomousGuidanceSystemforAgriculturalMachinebyMachineVision.ProceedingofASAEAnnualInternationalMeeting,Sacramento,California,USA.2001.PaperNumber:01-1194[16]ToruTorii.ResearchinautonomousagriculturevehiclesinJapan.ComputersandElectronicsinAgriculture.2000.(25):133-153[17]相阿荣.识别杂草和土壤背景物的图象处理方法研究.硕士论文.中国农业大学,2001[18]毛文华,王一鸣,张小超,王月青.基于机器视觉的苗期杂草实时分割算法.农业机械学报.36(1):83-86,2005[19]H.T.Sogaard,H.J.Olsen.Determinationofcroprowsbyimageanalysiswithoutsegmentation,ComputersandElectronicsinAgriculture.2003(38):141-158DandyRC.Developmentsinelectronics[J].AgriculturalEngineer,1994,49(1):2-4[20]S.Yonekawa,N.Sakai,0.Kitani.Identificationofidealizedleaftypesusingsimpledimensionlessshapefactorsbyimageanalysis.TransactionsoftheASAE.39(4):1525-1533,1996[21]W.S.Lee,D.C.Slaughter,D.K.Giles.Roboticweedcontrolsystemfortomatoes.PrecisionAgriculture.1(1),95-113(1999)J.Blasco,N.Aleixos,J.M.Roger,G.Rabatel,E.Molto.Robotic.Weedcontrolusingmachinevision.Biosystemsengineering.83(2),149-157,2002[23]S0gaard.H.T.Weedclassificationbyactiveshapemodels.Biosystemsengineering,91(3):271~281,2005[24]纪寿文,王荣本,陈佳娟,赵学笃.应用计算机图象处理技术识别玉米苗期田间杂草的研究.农业工程学报.17(2):154-156,2001[25]龙满生.玉米苗期杂草识别的机器视觉研究.硕士论文.西北农林科技大,2002AstrandB.,BaerveldtA.J.Anagriculturalmobilerobotwithvision-basedperceptionformechanicalweedcontrol.Autonomousrobots,2002(13):21-35[27]YutakaKaizu.Prototypericetransplantermastersthepaddywithmachinevision.(AutomationTechnology).2005,[28]沈明霞，姬长英.农作物边缘提取方法研究.农业机械学报，2000,31(6):45-47[29]沈明霞，姬长英.基于纹理频谱的农田景物区域检测.农机化研究，2000,8(3):43-47[30]沈明霞,李秀智，姬长英.基于形态学的农田景物区域检测技术.农业机械学报,2003,34(1):92-94三、研究方案.项目研究的目标、内容和拟解决的关键问题研究目标☆在VC++平台下，编写制作一款软件，以实现果树主干及其支干的图象信息提取，为机器人采摘果实的实时避障提供大量果树枝干信息储备。内容☆利用数码摄像机采集果树图象信息，通过开辟相应的软件同时利用相关技术对图象中果树主干及其枝干的图象信息进行提取，并重新绘制出果树枝干的二维平面图象，为机器人能够正确辨认出强硬枝干提供大量信息，从而自动避开枝干等障碍，实现机械手不受损伤。☆开辟能够提取果树枝干信息的软件系统是我们的主要任务。初步确定需要经过颜色分割、灰度阈值分割、树枝区域提取、树枝骨架提取、骨架修剪、遮挡树枝恢复等步骤，其中会运用到形态学方法、距离变换法、细线化法,最后集成调试，得到所需软件。拟解决的关键问题☆消除树叶、果实等对枝干的影响。由于春夏之际树叶茂密，此时不利于枝干的信息提取，因此选择在秋天对果树进行拍照处理，从而避开了树叶对枝干的影响，使研究更加方便；☆利用对RGB颜色系统的色差分量2R-G-B进行迭代自适应阈值分割法去除图象天空、棕色土地等区域，并利用对2G-R-B进行迭代分割法去除图象嫩树枝等区域，再采用灰度阈值分割法去除图象较亮和较暗区域，能快速有效地分割出图象的树枝区域。☆在识别树枝区域的过程中，树枝区域形状较复杂，利用此区域来恢复树枝的二维信息显然非常艰难，如何简单有效的恢复树枝二维信息是我们课题研究的一个难点。☆通过细线化处理得到的树枝骨架，虽然很好的保持了连接性，但当树枝区域边缘不平滑时会产生“假分支”。这些“假分支”将影响本研究后续处理,需将其去除。如何去除假分支则是我们研究中又一个难点。☆如何恢复被遮挡的树枝。2.拟采取的研究方法、技术路线、实验方案及可行性分析2.1研究方法☆首先选择在秋天利用数码相机拍摄果树图象，再在VC++平台下运用所编写程序，对采集到的图象信息分别实现果树主干及其支干的二维重构功能，并使其满足在机器人实际摘果过程中顺利地避开障碍物（果树树干及其支干）的匹配条件。本研究以针对柑橘果树为例，但也可以通过适当调整应用到其他自然场景下的果树主干及其支杆（以下简称树枝）的二维重绘工作中。2.2技术路线及实验方案2.2.1颜色分割☆从采集的图象分析可知，由于秋天的季节性因素，排除了果树树叶和果实的影响，柑橘图象主要包含树枝、天空、土地等区域。由于树枝区域颜色特征不明显，要想直接从图象中提取出树枝区域比较艰难，但图象中天空的颜色特征却非常明显，为白色或者蓝色等。利用这一特点，本研究使用去除背景留下目标的方法提取树枝区域。由于迭代法能自动快速准确地找到图象分割阈值，因此考虑使用迭代阈值分割法去除背景。2.2.2灰度阈值分割☆将真彩色图象转化为灰度图象，利用像素的颜色分量间的差异，对所得到的灰色图象进行灰度阈值分割。(2.1)(2.2)f(x,y)=0.299R+(2.1)(2.2)背景f(x5y)>1.6fa背景f(x,y)<0.4fa9其中R,G,B为图象（x,y）像素点的颜色分量，为图象平均灰度（即图象各像素点的均值）。☆经过以上分割处理后，可以提取大部份树枝区域，但由于自然场景下拍摄的图象受外界干扰较大，图象中阴影区域、随机噪声等仍无法彻底去除。可亲用形态学处理和区域标记法将其除去。2.3提取树枝区域☆分割后的图象，经过二值化、形态学运算、区域标记及小区域去除、区域塌充处理提取出图象树枝区域。最终的树枝区域提取结果中，背景区域被彻底去除，绝大部份障碍物（树枝）区域被提取出来。如下图所示：2.2.4树枝特征提取☆我们可以从识别出的树枝区域看出，树枝区域形状较复杂，利用此区域来恢复树枝的二维信息显然非常艰难，为了准确快速地获取障碍物二维信息、，需要提取树枝区域特征，由于正常树枝形状投影在平面内为细长的方形，因此本研究使用相应的方形长条代表树枝，由几何知识可知，要想得到长方形在二维平面内的具体图象必须先提取出其长、宽及对称线的倾斜角度。根据这一思想，本研究首先提取树枝区域骨架（即平面上长方形沿长方向的对称线），并检测骨架上的特征点（端点、分支点等），然后利用特征点将骨架分段，将每段树枝看成一段长方形，恢复出每段长方形的二维信息,也就恢复出了每段树枝的二维信息。2.2.5树枝骨架提取☆为了对二值图象中各个图形分量（对象物）的形状进行分析，需要有各种能表示图形的特征，骨架就是其中之一。骨架是对象物的核心部份，不同形状的对象物就有不同的骨架。普通来说，骨架具有三个主要特征：连续性、最小宽度为1和中心对称性。从1967年Blum等首先用中轴表示连续平面上图形以来，有许多骨架求解算法产生，可归纳为骨架子化算法和细化算法两种类型。目前区域骨架的提取方法主要有形态学方法、距离变换法、细线化法等。2.2.6形态学方法☆形态学法是利用一个正方形的结构元素腐蚀待处理区域，将各个腐蚀到空集之前的最后一次腐蚀的结果相加，即得骨架。例如：S（A）代表A的骨架,数字骨架可以从形态学的角度给定义，对于n0,1,2, 定义骨架子集S(A)为图象A内所有最大内切圆盘nB的圆心构成的集合，从骨架定义可n知，骨架是所有骨架子集的并。它可以表示为:s(A)=Ks(A)

n

n=0式中的S(A)称为骨架子集，可写成：nS(A)=(A8nB)-[(A®nB).B]n其中B为正方形结构元素，(1)式中的K代表将A腐蚀成空集前的最后一次迭代次数，即K=MAX{n|(A®nB)工⑴}☆形态学骨架提取实例图如图a所示，由图可知，形态学提取法实际上是将各个部份的骨架相加，这种方法不能保证骨架的连接性，当骨架区域宽度发生突变或者区域边缘的光滑时会造成对连续区域识别出的骨架不连纣。2.2.7 距离变换法☆距离变换法提取区域骨骼通过距离变换和骨骼化两步实现，该方法首先通过距离变换得到距离图象，然后比较图象中区域像素的距离值，将所有距离值大于或者等于邻域中最大距离值的像素的集合作为区域的骨骼。☆通过距离变换得到用距离值来表示的图象称为距离图象。所谓距离变换是将二值图象中的1-像素变换为它和0-像素间的最短距离值。两点(储与错误！未找到引用源。)之间的四邻域距离值d4错误！未找到引用源。如式⑷所示。d(f,")=i|_m|+|j_n| ⑷4Ijm,n ⑷获得距离图象需用两次扫描完成，第一次采用顺向扫描，设fij错误！未找到引用源。为原图象像素值，错误！未找到引用源。为第一次顺向扫描时的运算结果。顺向扫描时，像素点的4个邻点中惟独两个已完成距离运算，故只能进行以局部邻域为基础的距离运算。错误！未找到引用源。的计算方法如式⑸所示。[0 .f.0顺向扫描时由于只考虑了局部邻域，于是右下部像素的距离值不是与0-像素的最短距离。第2次采用逆向扫描进行运算，设错误！未找到引用源。错误！未找到引用源。为第2次扫描前的像素值，错误！未找到引用源。错误！未找到引用源。为第2次运算结果。计算方法如式⑹所示。由于错误！未找到引用源。错误！未找到引用源。是从左上部邻域中求得的局部最短距离值，再加入右下部局部邻域的运算，最终完成距离变换，得到距离图象。[0r、S=0d=( ( )iJ.j'minl(d+1),(d+1),S*S丰0小i+1,j ij+1i,ji,j (8距离图象中各像素距离值的大小直接反映了该像素离开对象物边缘的远近，因此，作为对象物核心部份的骨架提取，只要通过邻域比较找到距离值大的像素部份即可完成。计算方法如下式：（dd>max,d,d,d,d}d_/j； i,j i-1,ji+1,ji,j-1i,j+1其他 ⑺☆距离变换法根据距离图象得到区域骨架点，由于每行（或者每列）中距离最大的点仅与其边缘有关，故相邻两行（或者两列）的骨架点位置关系并没有必然的联系，当边缘不光滑或者区域宽度发生突变时，会造成连续区域检测到的骨架点不连续的M况。I使M距*变换法提取图a的区域骨架提取结果如图b所示，由图可以看出，提取出的骨架区域不连续，在边缘不光滑处提取的骨架不连续或者产生噪声点，这将会对进一步处理造成艰难。虽然距离变换法在本研究中不能很好的得到区域骨架，但得到的距离图象却能很好的反映树枝的粗细（即树枝半径的大小），可用于本研究后面确定树枝的半径。图b距离变换法提取树枝骨架2.2.8细线化法☆区域细线化将区域细化为由线条构成的线图形，线图形有存储量小，便于识别等优点。使获得的细线能够准确代表对象物的形状，细线化处理必须满足以下要求：（1）线宽为一个像素；（2）细线位置基本处于原线宽的中心；（3）保持图形的连接性不变，并且不能浮现孔和点的新生或者消失现象；（4）图形端部基本不缩短。由此可以看出，区域细线化过程实质上是一个在保持连接性和图形长度不变的前提下求出图形中心线的』程。।।।☆运用细线化方法提取上图的区域骨架，提取结果如图c所示。提取的骨架保持「原区域的连接性，无中断现象，效果较好，木研究选用此方法提取区域骨架。图c细线化法提取区域骨架2.2.9骨架修剪☆通过细线化处理得到的树枝骨架，虽然很好的保持了连接性，但当树枝区域边缘不平滑时会产生“假分支”。这些“假分支”将影响本研究后续处理,需将其去除，目前比较常用的骨架修剪方法是采用形态学方法。但形态学填报说明一、填写申请书前，请先查阅《南京农业大学SRT计划项目管理办法》(校教字[2003]134号)文件和当年教务处关于SRT计划项目申请的要求及有关规定。二、申请书的各项内容，要实事求是、逐条认真填写。表达要明确、严谨。第一次浮现的缩写词，需注出全称。三、申请书一律采用计算机打印，纸张标准为A4纸，于左侧装订成册。第三页起各栏空格不够时，可自行加页。一式二份，交所在学院办公室。四、凡选择性栏目，请在相应提示符A、B、C等之上打勾(4)。五、有关表格、材料请从教务处网站()的“下载中心”中下载填写。六、联系单位：教务处实践教学科地址：文科楼A座217室电话：84395910E-mail:jwcsjk@方法只能修剪较短的分支（不超过三个像素，即毛刺），本研究中树枝骨架的假分支大部份均超过3个像素，因此使用形态学修剪法不能去除“假分支”。本研究使用直接统计分支骨架长度，然后对长度设定阈值去除较短骨架分支的方法去除“假分支”。2.2.10恢复遮挡树枝☆在树枝识别时由于遮挡等原因，有时会造成识别出的树枝发生中断的情况,由于前面有树叶遮挡，从而使识别出的树枝发生中断，但某些区域的树枝是实际存在的，机械手路径规划时将视此处为无树枝状态，若机械手从此处通过将与树枝相碰，造成机械手的损坏，因此，必须恢复被遮挡的树枝。附该技术路线程图如下：原

始

图

像阈值分割形态滤波区域标记去除小域骨

架

修

男遮挡骨架修复特征点检测及特征提取障碍物原

始

图

像阈值分割形态滤波区域标记去除小域骨

架

修

男遮挡骨架修复特征点检测及特征提取障碍物维信息恢复.3可行性分析☆理论方面：首先，果树树干及其支干的图象信息提取是农业机器人摘果项目中极其重要的一环，且在国内外已经有具体的研究成果，前景光明。其次，我组成员经过较为精密的准备，在技术路线上已有充分考虑，实验方案明确，具有极大可能在该项目的实施上取得优秀成绩。最后，本组成员扎实成熟的程序汇编语言基础为本项目的实施提供了理论上的保障。☆实际方面：学校提供了独立实验室为我组成员的研究开辟良好环境，一定数目的资金支持为项目研究做好充足准备，而现成的实验仪器设备（数码摄像机等）减少了额外成本开支。与此同时，优秀导师的带领是我们走向成功的中流砥柱。☆综上所述，丰富的理论积累，雄厚的硬件支持，为本实验的成功研究做足了准备。我组项目研究必然会取得预期的优秀成绩。.本项目的创新之处☆采用了单一研究方法，即只对树木的主干和枝干的图象进行信息处理，而不是整棵树。☆没有涉及生物特性的影响，从而减轻了研究的工作量。☆选择秋天进行图象采集，从而有效避免了果实和树叶带来的影响。☆为农业机器人采摘果实提供了大量图象信息支持，有利于保护机械手臂不受伤害。.项目研究计划及预期发展☆2022年5-6月 与指导老师交流沟通，确定正确的研究思路，明确自身的缺陷和不足，积极向相关老师和学长请教，确定实验中所需知识储备和相应材料。☆2022年7-9月 通过各种途径（参加培训班、自学等）系统学习与本项目相关知识，做到足够的积累，以面对实验过程中所遇到的各种问题和困难。☆2022年9月 与指导老师详细交流，确定正确的实施方案，着手查找各类资料，动手制作相关材料、工具，清理出可随即投入使用的设备器材和实验室。☆2022年10T2月利用数码相机拍摄去除树叶、果实的果树图象，依据实验方案设定出详细计划和编程步骤。分工明确。开始着手项目的编程阶段，尝试编写基本程序模块。提交《项目中期检查表》等阶段性研究报告。☆2022年1-3月编写正确详尽的程序，不断调试，以得到目标所期许的成果。☆2022年4月 与指导老师沟通，将研究成果和实际应用结合起来，不断修改调整，细微处略作修饰，以期得到与目标匹配的自主研发软件系统。☆2022年5月 整理资料，准备结题工作，总结一年来所取得的成果，撰写研究报告，撰写论文。5.预期研究成果☆开辟出了符合农业机器人避障需要的应用软件，能够很好地提取果树枝干信息进行大量储备，并应用在实际工作中。☆根据试验研究的内容分析总结出研究成果，撰写并在国内相关杂志发表1-2篇关于果树主干及其支干的图象信息提取的学术论文。☆根据试验的过程记录和成果总结，撰写试验的工作检查表和结题报告。☆通过本次研究，在机器人避障方面开辟新视野，拓展现有的思维定式，为以后更加深入的研究做准备。四、研究基础.与本项目有关的研究工作积累和已有的研究工作成绩☆2022年至2022年，我们大部份成员学习了高等数学、线性代数、概率统计等课程，XXX同学也于今年初通过了高等数学的学习，并取得优异成绩。我们均具备运用数理知识分析处理问题的能力。☆2022年2-7月，我们通过了计算机汇编语言的学习，并均已取得全国计算机二级证书，能够熟练使用vc++编程软件，进行一些相关程序的编写。☆2022年9-12月，我们通过了CAD课程的学习，对图象概念有比较成熟的思维认识。☆2022年9月，我们进行了数控车床实习，对简单程序在实际生活中的应用具备了较为清晰地了解。☆2022年，在科协的组织下，我们进行了有关农业机器人摘果项目的专题讨论，并对机械手臂避障问题作了相关论述。☆2022年3月，我们就果树主干及其支干的图象信息提取作了详细讨论，并积极采集资料，与导师交流，为今后的实验研究奠定基础。☆熟练掌握有多种应用软件(word,cad,ppt,excel等)。.已具备的条件、尚缺少的条件和拟解决的途径(包括利用教学实验室、科研实验室和实习基地等的计划与落实情况)已具备的条件1.1实验设备☆学校具有丰富的实验材料和完整齐全的研究设备。硬件系统设施介绍如下：☆数码相机：nikon-990数码相机（最大分辨率：2048X1536、位深：真彩24位、图象格式：BMP）；☆CCD：美国Lumenera公司LuO75C型摄像头（所采集图象的有效尺寸：640X480、最大帧频率：60fps、与电脑的连接方式：USB接口）；☆镜头：日本Computar公司M0814-MP和M1214-MP两种型号摄像头（每种型号各两个，焦距分别为8nlm和12mm）；☆计算机：CPU为AMD公司Athlon（tm）64Processor3000+（主频为1.8GHz）型兼容机；☆激光测距仪：德国喜利得（HiIti）公司的PD30laserrangemeter；☆采集地点：南京农业大学工学院校园果林（室外），计算机视觉研究室（室内）；☆摄像头支架为普通的摄像机支架，可调节摄像头高度和拍摄角度，调节方式为手动调节（自动的调节支架正在开辟中），摄像头安装在有机玻璃板上，玻璃板上开有两条窄槽可使两摄像头的基线长度在6cm-25cm之间调整。2.1.2政策扶持☆学校大力支持并鼓励学生进行科研及实践创新训练活动，并有专人负责组织协调，匹配经费到位，配套扶持政策完善，能够为学生实施训练项目创造良好的环境。2.1.3导师资源☆本实践创新训练计划的指导老师系南京农业大学讲师安秋，在学校开设有农业机器人等课程。安老师有着丰富的教育教学经验以及很强的科研实力，能有效指导学生进行此项目的研究训练。他曾经长期致力于农业机器人相关项目的研究工作，对果树枝干图象信息提取具有深入研究。2.1.4团队力量☆小组成员具备较强的思维能力与动手能力，对科研有着极强烈的兴趣，具有团结和吃苦耐劳的精神。2.2尚缺少的条件虽然已经做了极其充分的准备，考虑较精密详尽，随时可以投入项目的研究及软件开辟工作，但在以下方面仍然有所瑕疵。☆缺少对C++更加深入精详的知识储备。☆实验室缺少可用网络以随时上网查阅资料。2.3拟解决途径☆加强对C++的自学，必要时学校能够提供针对C++的专业培训。☆充分利用好图书馆的网络资源，同时学校考虑在实验室配备可用网络以供小组成员实时查阅资料信息，和导师保持联络。五、经费预算支出科目金额(元)计算根据及理由资料印刷200打印，复印文献及资料下载，撰与报告等采集图象100冲印照片培训费500对一些我们彻底没有涉及的知识的培训数据库软件50管理其他数据文件采购经费200采购制作及路途费用器材维护200仪器保养及维修其他200总计1450注:开支范围详见校教字(2003)134号《南京农业大学SRT计划项目管理办法》文件的第十三条。六、审见指导教师意见指导教师签名： 年月日部见系意负责人签名、公章： 年月日院见学意负责人签名、公章： 年月日学校意见负责人签名、公章： 年月日备注七、申请者承诺我保证上述填报内容的真实性。如果获得资助，我与本项目组成员将严格遵守学校的有关规定，在不影响课程学习的同时,保证项目研究工作的时间，并按计划认真开展研究工作，在项目研究过程中或者结束时，接受学校对本项目的中期检查和结题验收，并按时提交工作总结和结题报告。申请者（签名）:2022年04月08日一、简表申请者姓名XXX学号XXXXXXXX班级XX班年级2022级电话XXXXXXXE-mailXXX项目名称果树主干及其支干的图象信息提取项目来源A、自立项目 B、教师科研课题的子项目4c、其它项目类型A、实验研究 B、调查研究C、软件制作4经费来源A、学校资助4B、导师课题资助C、企业资助经费额度1500元指导教师姓名XX指导教师职称XX合作者姓名、学院、班级XXX,XX系10级0X班；XXX,XX系10级0X班；xxx,xx系n级ox班。申请时间2022年5月完成时间2022年5月对果树的图象信息进行快速提取并据此实现二维重绘是图象处理软件开辟技术发展的一个新领域。作为果树的重要组成部份，针对树木模型主干及其支干的快速重建研究也随之发展。本文以数码相机采集数据为基础,使用模块化方法实现了对柑橘果树的快速精确平面图象重绘。选取相机拍摄的场景图象进行预处理，分割提取出主干及其支干。对于枝干图象，将枝干二值化图象转化为距离图象，再将距离图象细线化并与距离信息相结合，配合平面坐标信息得到枝干中心对称线各点坐标及对应长、宽距。为减少数据运算量，对得到的数据图象剪除短枝、去除赘点以得到描述枝干拓扑结构的关键点坐标及其对应坐标差值。据此计算得到的模型顶点平面实际坐标信息构成为了对枝干部份二维模型的表述。权衡模型精度和建模速度，确定使用长方形摹拟枝干方法生成枝干部份模型，用较少数据量实现了中等复杂度柑橘果树场景的完整描述，达到很好的可视化效果。针对采摘机器人避障计算，调整模型精度达到合理状态，剔除材质和纹理，并在枝干建模中使用梯形替代长方形，忽略冗余数据提高模型生成速度，为整个系统的实时性奠定了基础。本研究为机器人避障系统提供了路径规划基准和虚拟工作环境，同时可为其他何类树木模型快速精确建模研究提供借鉴。二、立论依据（包括项目的研究意义、现状分析，并附主要参考文献及出处）1研究意义☆进入二十一世纪，随着高新科技的迅速发展，农业科技迎来了新的发展机遇。特别是农业生产，正朝着规模化，多样化，精确化方向发展，农业劳动力的成本迅速上升，劳动力不足的现象也日益明显，于是作为高科技的机器人技术进入农业领域变得越来越现实，果园收获作业机械化，自动化成为泛博果农们最为关注的热点问题，所以开展果树采摘机器人研究，不仅对于适应市场需求、降低劳动强度、提高经济效率有着一定的现实意义,而且对减轻人类生活压力也是一种潜在的构想。☆在机器人研究中，果树主干及其枝干的图象信息提取，便成为智能机器人的作业基础。我们的课题是一项基础性的研究，主要意义是为多种智能农业机器人，特别是果园机器人自动作业提供最基础信息。此外，还可以为其他领域智能机器人信息提取提供一个研究思路。2现状分析☆采摘机器人是21世纪精确农业的重要装备之一，是未来智能农业机械的发展方向。从1983年的第一台西红柿采摘机器人在美国诞生以来，采摘机器人的研究和发展已经经历了20多年。采摘机器人是针对水果和蔬菜，可以通过编程来完成这些作物的采摘、转运、打包等相关作业任务的具有感知能力的自动化机械收获系统，是集机械、电子、信息、智能技术、计算机科学、农业和生物等学科于一体的交叉边缘性科学，需要涉及机械结构、视觉图象处理、机器人运动学动力学、传感器技术、控制技术以及计算信息处理等多方面的学科领域知识。以下主要介绍一些国内外在农业机器人图象信息提取过程中的发展和成果。1国外研究发展☆从60年代末开始向来到今天，图象的信息提取向来是图象理解、图象识别、计算机视觉和人工智能研究人员的重要课题。Pal等对图象提取方法总结中提到有几百种，但没有一种方法对所有图象都产生好的提取区分效果，不同种类的图象应采取相应提取方法。图象信息提取是针对性很强的技术，根据不同应用、不同要求需要采用不同的处理方法。目前的图象提取中依据的特征主要是颜色特征、形状特征、纹理特征等。此外还有多种图象信息提取的研究工作，诸如各类图象信息提取及二维、三维重绘软件。☆对于树木模型的精确重构，Shlyakhter>ChinHungTeng以及CMCheng等人运用图象处理与图形相结合的方法，提取树木骨架、树木形态等进行分析，进而实现对真实场景下的树木摹拟。这种方法应用实际测量数据对树木骨架模型生成进行控制，构建出的树木更为真实和让人信服。但该种方法由于侧重对模型细节的把握，降低了模型生成速度。而且由于细节过多，对于模型的存储数据量难以进行有效控制。针对树木数据的处理，JiguoZeng使用多线段逼近方法对树木采集数据进行控制，构建出可以控制模型精度的树木模型。☆HongpingYan>ThomasL以及StefanJansson等人将真实树木的生长规律参数化，利用参数实现树叶和树枝结构建模，构造出三维树木模型；Lintermann甚至完成可生成随机树木的参数化控制软件；RuiWang等人通过从真实树木中提取构成元素的组合实现真实树木摹拟；CallumGalbraith则利用真实树木映射技术增加树木模型的真实感；Remo1ar>0Deussen以及陈华光根据视云写树模型的距离或者树木模型在当前场景的重要性确定树木模型数据层次，保证了树木渲染的真实性和实时性。_☆日本Hirosaki大学TeruoTakahashi等人2002年研制了一苹果采摘机器人，其视觉系统主要采用了两个彩色相机组成的双目立体视觉系统。当左、右两个相机同时获取了同一目标的图象后，通过将两幅图象进行中心合成来重建采摘目标的三维信息。在减少识别误差方面，提出了三个方法：（1）在进行目标中心合成时，设置一个较窄的范围搜索区域；（2）在左、右图像共同的目标区域，比较同一目标、一定数量的颜色特征；（3）将左、右图象的左、右半边区域分别重合，可使图象的公共部份更加清晰。通过上述改进，对于红色苹果的识别率大于90%,在红色苹果和黄色苹果混合的情况下，识别率在65%—70%之间。上述方法中，第一种和第三种减少误差的方法较为有效，识别误差率在±5%摆布。☆Yonekawa等对密切度、圆度、伸长度和粗糙度进行评价，认为利用这些简单形状因子可以简单有效的进行图象分割。Lee等通过形状特征识别杂草开辟西红柿除草系统。Blasco等根据作物和杂草面积的差异开辟除草设备。Sogaard利用形状模板进行杂草识别，达到较好的识别率。纪寿文等2000年利用投影面积、叶宽、叶长在玉米苗期识别出单子叶杂草。相阿荣通过杂草区域的面积和质心识别麦田常见杂草，识别率为92%。龙满生将BP网络用于杂草形状识别。Bjornastrand用图象分割、Hough变换算法识别甜菜行参数。YutakaKaizu研究基于机器视觉的插秧机自动导航系统，使用Hough变换算法提取导航线参数。沈明霞对农田景物图象信息的提取方法包括图象分割、基于纹理特征分析、基于形态特征分割等农作物边缘检测研究。周俊在图象分割方面，采取小波分解的方法，将图象分解到第4个。☆上述各方法生成的树木真实感较强，细节表达丰富，并可以设定参数对生成树木加以控制，以有效运用到虚拟场景之中。但是生成树木模型依据的是人为设定的数值，并没有能力对真正的树木进行精确的模型重构及再现。2.2国内研究发展☆目前国内主要有两组人进行林木图象处理的研究工作：北京林业大学的李文彬等人和南京林业大学的郑家强等人。北京林业大学的研究是以树木的整枝抚育为应用背景，南京林业大学的应用背景是精确喷雾。下面就介绍一下他们的具体工作及相应的研究成果。☆2004年，程磊等提出了一种序列化的处理方法：首先综合运用基于色采和纹理的图象分割方法获得初步分割图象，然后应用数学形态学方法修正分割后的图象，最后对分割图象中的树冠和树干进行整株树的标记，初步实现了一类树木图象的分割。2005年，杨华等人对单株立木图象信息的提取分别运用近景摄影测量DLT模型和双目立体视觉技术进行解算，解决了立木图象信息与立木二维坐标之间的解算问题。2005年，孙仁山、李文彬等从工程应用角度出发，应用二维小波分析技术对林木图象进行消噪、压缩等处理；提出一种用于工业用材林自动整枝的立木枝干动态识别系统框架，对人工林侧柏的枝干进行了数字图象采集及处理，同时提出了一种立木枝干计算机自动识别算法，提取立木图象枝干形状、尺寸、弯曲度及相对空间位置关系基本生长特征，即利用模式识别技术验算其与特征数据库的匹配情况，从而达到立木枝干自动识别的目的。2022年，阚江明、李文彬等针对智能整枝机视觉系统的需要提出一种以数学形态学为主的