机器人采摘苹果果实的K-means和GA-RBF-LMS神经网络识别

• 作者: 刘晓洋 唐书萍 姬伟 贾伟宽 赵德安 阮承治
• 来源期刊: 农业工程学报
• 学科: 工学
• 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
• 年，卷（期）: 2015,（18）
• 所属期刊栏目: 农业信息与电气技术
• 页码范围: 175-183
• 页数: 9页
• 分类号: TP24|TP391
• 字数: 8499字
• 语种: 中文
• DOI: 10.11975/j.issn.1002-6819.2015.18.025

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。

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	赵德安	江苏大学电气信息工程学院	235	2986	30.0	43.0
5	贾伟宽	江苏大学电气信息工程学院	10	231	8.0	10.0
9	刘晓洋	江苏大学电气信息工程学院	18	198	7.0	14.0
10	唐书萍	江苏大学电气信息工程学院	1	54	1.0	1.0
11	姬伟	江苏大学电气信息工程学院	1	54	1.0	1.0