南京黑差**SRT計劃項目申請書項目名稱：XXXXXXXXXXXX申請者：XXX院系：工學(xué)院農(nóng)機系專業(yè)：XXX專業(yè)指導(dǎo)教師：XX取稱：XX2022年04月08日

南京農(nóng)業(yè)大學(xué)教務(wù)處制

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]相阿榮.識別雜草和土壤背景物的圖象處理方法研究.碩士論文.中國農(nóng)業(yè)大學(xué),2001[18]毛文華,王一鳴,張小超,王月青.基于機器視覺的苗期雜草實時分割算法.農(nóng)業(yè)機械學(xué)報.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]紀(jì)壽文,王榮本,陳佳娟,趙學(xué)篤.應(yīng)用計算機圖象處理技術(shù)識別玉米苗期田間雜草的研究.農(nóng)業(yè)工程學(xué)報.17(2):154-156,2001[25]龍滿生.玉米苗期雜草識別的機器視覺研究.碩士論文.西北農(nóng)林科技大,2002AstrandB.,BaerveldtA.J.Anagriculturalmobilerobotwithvision-basedperceptionformechanicalweedcontrol.Autonomousrobots,2002(13):21-35[27]YutakaKaizu.Prototypericetransplantermastersthepaddywithmachinevision.(AutomationTechnology).2005,[28]沈明霞，姬長英.農(nóng)作物邊緣提取方法研究.農(nóng)業(yè)機械學(xué)報，2000,31(6):45-47[29]沈明霞，姬長英.基于紋理頻譜的農(nóng)田景物區(qū)域檢測.農(nóng)機化研究，2000,8(3):43-47[30]沈明霞,李秀智，姬長英.基于形態(tài)學(xué)的農(nóng)田景物區(qū)域檢測技術(shù).農(nóng)業(yè)機械學(xué)報,2003,34(1):92-94三、研究方案.項目研究的目標(biāo)、內(nèi)容和擬解決的關(guān)鍵問題研究目標(biāo)☆在VC++平臺下，編寫制作一款軟件，以實現(xiàn)果樹主干及其支干的圖象信息提取，為機器人采摘果實的實時避障提供大量果樹枝干信息儲備。內(nèi)容☆利用數(shù)碼攝像機采集果樹圖象信息，通過開辟相應(yīng)的軟件同時利用相關(guān)技術(shù)對圖象中果樹主干及其枝干的圖象信息進行提取，并重新繪制出果樹枝干的二維平面圖象，為機器人能夠正確辨認(rèn)出強硬枝干提供大量信息，從而自動避開枝干等障礙，實現(xiàn)機械手不受損傷。☆開辟能夠提取果樹枝干信息的軟件系統(tǒng)是我們的主要任務(wù)。初步確定需要經(jīng)過顏色分割、灰度閾值分割、樹枝區(qū)域提取、樹枝骨架提取、骨架修剪、遮擋樹枝恢復(fù)等步驟，其中會運用到形態(tài)學(xué)方法、距離變換法、細線化法,最后集成調(diào)試，得到所需軟件。擬解決的關(guān)鍵問題☆消除樹葉、果實等對枝干的影響。由于春夏之際樹葉茂密，此時不利于枝干的信息提取，因此選擇在秋天對果樹進行拍照處理，從而避開了樹葉對枝干的影響，使研究更加方便；☆利用對RGB顏色系統(tǒng)的色差分量2R-G-B進行迭代自適應(yīng)閾值分割法去除圖象天空、棕色土地等區(qū)域，并利用對2G-R-B進行迭代分割法去除圖象嫩樹枝等區(qū)域，再采用灰度閾值分割法去除圖象較亮和較暗區(qū)域，能快速有效地分割出圖象的樹枝區(qū)域?！钤谧R別樹枝區(qū)域的過程中，樹枝區(qū)域形狀較復(fù)雜，利用此區(qū)域來恢復(fù)樹枝的二維信息顯然非常艱難，如何簡單有效的恢復(fù)樹枝二維信息是我們課題研究的一個難點?！钔ㄟ^細線化處理得到的樹枝骨架，雖然很好的保持了連接性，但當(dāng)樹枝區(qū)域邊緣不平滑時會產(chǎn)生“假分支”。這些“假分支”將影響本研究后續(xù)處理,需將其去除。如何去除假分支則是我們研究中又一個難點。☆如何恢復(fù)被遮擋的樹枝。2.擬采取的研究方法、技術(shù)路線、實驗方案及可行性分析2.1研究方法☆首先選擇在秋天利用數(shù)碼相機拍攝果樹圖象，再在VC++平臺下運用所編寫程序，對采集到的圖象信息分別實現(xiàn)果樹主干及其支干的二維重構(gòu)功能，并使其滿足在機器人實際摘果過程中順利地避開障礙物（果樹樹干及其支干）的匹配條件。本研究以針對柑橘果樹為例，但也可以通過適當(dāng)調(diào)整應(yīng)用到其他自然場景下的果樹主干及其支桿（以下簡稱樹枝）的二維重繪工作中。2.2技術(shù)路線及實驗方案2.2.1顏色分割☆從采集的圖象分析可知，由于秋天的季節(jié)性因素，排除了果樹樹葉和果實的影響，柑橘圖象主要包含樹枝、天空、土地等區(qū)域。由于樹枝區(qū)域顏色特征不明顯，要想直接從圖象中提取出樹枝區(qū)域比較艱難，但圖象中天空的顏色特征卻非常明顯，為白色或者藍色等。利用這一特點，本研究使用去除背景留下目標(biāo)的方法提取樹枝區(qū)域。由于迭代法能自動快速準(zhǔn)確地找到圖象分割閾值，因此考慮使用迭代閾值分割法去除背景。2.2.2灰度閾值分割☆將真彩色圖象轉(zhuǎn)化為灰度圖象，利用像素的顏色分量間的差異，對所得到的灰色圖象進行灰度閾值分割。(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為圖象（x,y）像素點的顏色分量，為圖象平均灰度（即圖象各像素點的均值）?！罱?jīng)過以上分割處理后，可以提取大部份樹枝區(qū)域，但由于自然場景下拍攝的圖象受外界干擾較大，圖象中陰影區(qū)域、隨機噪聲等仍無法徹底去除?？捎H用形態(tài)學(xué)處理和區(qū)域標(biāo)記法將其除去。2.3提取樹枝區(qū)域☆分割后的圖象，經(jīng)過二值化、形態(tài)學(xué)運算、區(qū)域標(biāo)記及小區(qū)域去除、區(qū)域塌充處理提取出圖象樹枝區(qū)域。最終的樹枝區(qū)域提取結(jié)果中，背景區(qū)域被徹底去除，絕大部份障礙物（樹枝）區(qū)域被提取出來。如下圖所示：2.2.4樹枝特征提取☆我們可以從識別出的樹枝區(qū)域看出，樹枝區(qū)域形狀較復(fù)雜，利用此區(qū)域來恢復(fù)樹枝的二維信息顯然非常艱難，為了準(zhǔn)確快速地獲取障礙物二維信息、，需要提取樹枝區(qū)域特征，由于正常樹枝形狀投影在平面內(nèi)為細長的方形，因此本研究使用相應(yīng)的方形長條代表樹枝，由幾何知識可知，要想得到長方形在二維平面內(nèi)的具體圖象必須先提取出其長、寬及對稱線的傾斜角度。根據(jù)這一思想，本研究首先提取樹枝區(qū)域骨架（即平面上長方形沿長方向的對稱線），并檢測骨架上的特征點（端點、分支點等），然后利用特征點將骨架分段，將每段樹枝看成一段長方形，恢復(fù)出每段長方形的二維信息,也就恢復(fù)出了每段樹枝的二維信息。2.2.5樹枝骨架提取☆為了對二值圖象中各個圖形分量（對象物）的形狀進行分析，需要有各種能表示圖形的特征，骨架就是其中之一。骨架是對象物的核心部份，不同形狀的對象物就有不同的骨架。普通來說，骨架具有三個主要特征：連續(xù)性、最小寬度為1和中心對稱性。從1967年Blum等首先用中軸表示連續(xù)平面上圖形以來，有許多骨架求解算法產(chǎn)生，可歸納為骨架子化算法和細化算法兩種類型。目前區(qū)域骨架的提取方法主要有形態(tài)學(xué)方法、距離變換法、細線化法等。2.2.6形態(tài)學(xué)方法☆形態(tài)學(xué)法是利用一個正方形的結(jié)構(gòu)元素腐蝕待處理區(qū)域，將各個腐蝕到空集之前的最后一次腐蝕的結(jié)果相加，即得骨架。例如：S（A）代表A的骨架,數(shù)字骨架可以從形態(tài)學(xué)的角度給定義，對于n0,1,2, 定義骨架子集S(A)為圖象A內(nèi)所有最大內(nèi)切圓盤nB的圓心構(gòu)成的集合，從骨架定義可n知，骨架是所有骨架子集的并。它可以表示為:s(A)=Ks(A)

n

n=0式中的S(A)稱為骨架子集，可寫成：nS(A)=(A8nB)-[(A?nB).B]n其中B為正方形結(jié)構(gòu)元素，(1)式中的K代表將A腐蝕成空集前的最后一次迭代次數(shù)，即K=MAX{n|(A?nB)工⑴}☆形態(tài)學(xué)骨架提取實例圖如圖a所示，由圖可知，形態(tài)學(xué)提取法實際上是將各個部份的骨架相加，這種方法不能保證骨架的連接性，當(dāng)骨架區(qū)域?qū)挾劝l(fā)生突變或者區(qū)域邊緣的光滑時會造成對連續(xù)區(qū)域識別出的骨架不連紂。2.2.7 距離變換法☆距離變換法提取區(qū)域骨骼通過距離變換和骨骼化兩步實現(xiàn)，該方法首先通過距離變換得到距離圖象，然后比較圖象中區(qū)域像素的距離值，將所有距離值大于或者等于鄰域中最大距離值的像素的集合作為區(qū)域的骨骼。☆通過距離變換得到用距離值來表示的圖象稱為距離圖象。所謂距離變換是將二值圖象中的1-像素變換為它和0-像素間的最短距離值。兩點(儲與錯誤！未找到引用源。)之間的四鄰域距離值d4錯誤！未找到引用源。如式⑷所示。d(f,")=i|_m|+|j_n| ⑷4Ijm,n ⑷獲得距離圖象需用兩次掃描完成，第一次采用順向掃描，設(shè)fij錯誤！未找到引用源。為原圖象像素值，錯誤！未找到引用源。為第一次順向掃描時的運算結(jié)果。順向掃描時，像素點的4個鄰點中惟獨兩個已完成距離運算，故只能進行以局部鄰域為基礎(chǔ)的距離運算。錯誤！未找到引用源。的計算方法如式⑸所示。[0 .f.0順向掃描時由于只考慮了局部鄰域，于是右下部像素的距離值不是與0-像素的最短距離。第2次采用逆向掃描進行運算，設(shè)錯誤！未找到引用源。錯誤！未找到引用源。為第2次掃描前的像素值，錯誤！未找到引用源。錯誤！未找到引用源。為第2次運算結(jié)果。計算方法如式⑹所示。由于錯誤！未找到引用源。錯誤！未找到引用源。是從左上部鄰域中求得的局部最短距離值，再加入右下部局部鄰域的運算，最終完成距離變換，得到距離圖象。[0r、S=0d=( ( )iJ.j'minl(d+1),(d+1),S*S豐0小i+1,j ij+1i,ji,j (8距離圖象中各像素距離值的大小直接反映了該像素離開對象物邊緣的遠近，因此，作為對象物核心部份的骨架提取，只要通過鄰域比較找到距離值大的像素部份即可完成。計算方法如下式：（dd>max,d,d,d,d}d_/j； i,j i-1,ji+1,ji,j-1i,j+1其他 ⑺☆距離變換法根據(jù)距離圖象得到區(qū)域骨架點，由于每行（或者每列）中距離最大的點僅與其邊緣有關(guān)，故相鄰兩行（或者兩列）的骨架點位置關(guān)系并沒有必然的聯(lián)系，當(dāng)邊緣不光滑或者區(qū)域?qū)挾劝l(fā)生突變時，會造成連續(xù)區(qū)域檢測到的骨架點不連續(xù)的M況。I使M距*變換法提取圖a的區(qū)域骨架提取結(jié)果如圖b所示，由圖可以看出，提取出的骨架區(qū)域不連續(xù)，在邊緣不光滑處提取的骨架不連續(xù)或者產(chǎn)生噪聲點，這將會對進一步處理造成艱難。雖然距離變換法在本研究中不能很好的得到區(qū)域骨架，但得到的距離圖象卻能很好的反映樹枝的粗細（即樹枝半徑的大?。?，可用于本研究后面確定樹枝的半徑。圖b距離變換法提取樹枝骨架2.2.8細線化法☆區(qū)域細線化將區(qū)域細化為由線條構(gòu)成的線圖形，線圖形有存儲量小，便于識別等優(yōu)點。使獲得的細線能夠準(zhǔn)確代表對象物的形狀，細線化處理必須滿足以下要求：（1）線寬為一個像素；（2）細線位置基本處于原線寬的中心；（3）保持圖形的連接性不變，并且不能浮現(xiàn)孔和點的新生或者消失現(xiàn)象；（4）圖形端部基本不縮短。由此可以看出，區(qū)域細線化過程實質(zhì)上是一個在保持連接性和圖形長度不變的前提下求出圖形中心線的』程。???☆運用細線化方法提取上圖的區(qū)域骨架，提取結(jié)果如圖c所示。提取的骨架保持「原區(qū)域的連接性，無中斷現(xiàn)象，效果較好，木研究選用此方法提取區(qū)域骨架。圖c細線化法提取區(qū)域骨架2.2.9骨架修剪☆通過細線化處理得到的樹枝骨架，雖然很好的保持了連接性，但當(dāng)樹枝區(qū)域邊緣不平滑時會產(chǎn)生“假分支”。這些“假分支”將影響本研究后續(xù)處理,需將其去除，目前比較常用的骨架修剪方法是采用形態(tài)學(xué)方法。但形態(tài)學(xué)填報說明一、填寫申請書前，請先查閱《南京農(nóng)業(yè)大學(xué)SRT計劃項目管理辦法》(校教字[2003]134號)文件和當(dāng)年教務(wù)處關(guān)于SRT計劃項目申請的要求及有關(guān)規(guī)定。二、申請書的各項內(nèi)容，要實事求是、逐條認(rèn)真填寫。表達要明確、嚴(yán)謹(jǐn)。第一次浮現(xiàn)的縮寫詞，需注出全稱。三、申請書一律采用計算機打印，紙張標(biāo)準(zhǔn)為A4紙，于左側(cè)裝訂成冊。第三頁起各欄空格不夠時，可自行加頁。一式二份，交所在學(xué)院辦公室。四、凡選擇性欄目，請在相應(yīng)提示符A、B、C等之上打勾(4)。五、有關(guān)表格、材料請從教務(wù)處網(wǎng)站()的“下載中心”中下載填寫。六、聯(lián)系單位：教務(wù)處實踐教學(xué)科地址：文科樓A座217室電話：84395910E-mail:jwcsjk@方法只能修剪較短的分支（不超過三個像素，即毛刺），本研究中樹枝骨架的假分支大部份均超過3個像素，因此使用形態(tài)學(xué)修剪法不能去除“假分支”。本研究使用直接統(tǒng)計分支骨架長度，然后對長度設(shè)定閾值去除較短骨架分支的方法去除“假分支”。2.2.10恢復(fù)遮擋樹枝☆在樹枝識別時由于遮擋等原因，有時會造成識別出的樹枝發(fā)生中斷的情況,由于前面有樹葉遮擋，從而使識別出的樹枝發(fā)生中斷，但某些區(qū)域的樹枝是實際存在的，機械手路徑規(guī)劃時將視此處為無樹枝狀態(tài)，若機械手從此處通過將與樹枝相碰，造成機械手的損壞，因此，必須恢復(fù)被遮擋的樹枝。附該技術(shù)路線程圖如下：原

始

圖

像閾值分割形態(tài)濾波區(qū)域標(biāo)記去除小域骨

架

修

男遮擋骨架修復(fù)特征點檢測及特征提取障礙物原

始

圖

像閾值分割形態(tài)濾波區(qū)域標(biāo)記去除小域骨

架

修

男遮擋骨架修復(fù)特征點檢測及特征提取障礙物維信息恢復(fù).3可行性分析☆理論方面：首先，果樹樹干及其支干的圖象信息提取是農(nóng)業(yè)機器人摘果項目中極其重要的一環(huán)，且在國內(nèi)外已經(jīng)有具體的研究成果，前景光明。其次，我組成員經(jīng)過較為精密的準(zhǔn)備，在技術(shù)路線上已有充分考慮，實驗方案明確，具有極大可能在該項目的實施上取得優(yōu)秀成績。最后，本組成員扎實成熟的程序匯編語言基礎(chǔ)為本項目的實施提供了理論上的保障?！顚嶋H方面：學(xué)校提供了獨立實驗室為我組成員的研究開辟良好環(huán)境，一定數(shù)目的資金支持為項目研究做好充足準(zhǔn)備，而現(xiàn)成的實驗儀器設(shè)備（數(shù)碼攝像機等）減少了額外成本開支。與此同時，優(yōu)秀導(dǎo)師的帶領(lǐng)是我們走向成功的中流砥柱?！罹C上所述，豐富的理論積累，雄厚的硬件支持，為本實驗的成功研究做足了準(zhǔn)備。我組項目研究必然會取得預(yù)期的優(yōu)秀成績。.本項目的創(chuàng)新之處☆采用了單一研究方法，即只對樹木的主干和枝干的圖象進行信息處理，而不是整棵樹?！顩]有涉及生物特性的影響，從而減輕了研究的工作量?！钸x擇秋天進行圖象采集，從而有效避免了果實和樹葉帶來的影響。☆為農(nóng)業(yè)機器人采摘果實提供了大量圖象信息支持，有利于保護機械手臂不受傷害。.項目研究計劃及預(yù)期發(fā)展☆2022年5-6月 與指導(dǎo)老師交流溝通，確定正確的研究思路，明確自身的缺陷和不足，積極向相關(guān)老師和學(xué)長請教，確定實驗中所需知識儲備和相應(yīng)材料?！?022年7-9月 通過各種途徑（參加培訓(xùn)班、自學(xué)等）系統(tǒng)學(xué)習(xí)與本項目相關(guān)知識，做到足夠的積累，以面對實驗過程中所遇到的各種問題和困難?！?022年9月 與指導(dǎo)老師詳細交流，確定正確的實施方案，著手查找各類資料，動手制作相關(guān)材料、工具，清理出可隨即投入使用的設(shè)備器材和實驗室?！?022年10T2月利用數(shù)碼相機拍攝去除樹葉、果實的果樹圖象，依據(jù)實驗方案設(shè)定出詳細計劃和編程步驟。分工明確。開始著手項目的編程階段，嘗試編寫基本程序模塊。提交《項目中期檢查表》等階段性研究報告。☆2022年1-3月編寫正確詳盡的程序，不斷調(diào)試，以得到目標(biāo)所期許的成果?！?022年4月 與指導(dǎo)老師溝通，將研究成果和實際應(yīng)用結(jié)合起來，不斷修改調(diào)整，細微處略作修飾，以期得到與目標(biāo)匹配的自主研發(fā)軟件系統(tǒng)?！?022年5月 整理資料，準(zhǔn)備結(jié)題工作，總結(jié)一年來所取得的成果，撰寫研究報告，撰寫論文。5.預(yù)期研究成果☆開辟出了符合農(nóng)業(yè)機器人避障需要的應(yīng)用軟件，能夠很好地提取果樹枝干信息進行大量儲備，并應(yīng)用在實際工作中。☆根據(jù)試驗研究的內(nèi)容分析總結(jié)出研究成果，撰寫并在國內(nèi)相關(guān)雜志發(fā)表1-2篇關(guān)于果樹主干及其支干的圖象信息提取的學(xué)術(shù)論文。☆根據(jù)試驗的過程記錄和成果總結(jié)，撰寫試驗的工作檢查表和結(jié)題報告。☆通過本次研究，在機器人避障方面開辟新視野，拓展現(xiàn)有的思維定式，為以后更加深入的研究做準(zhǔn)備。四、研究基礎(chǔ).與本項目有關(guān)的研究工作積累和已有的研究工作成績☆2022年至2022年，我們大部份成員學(xué)習(xí)了高等數(shù)學(xué)、線性代數(shù)、概率統(tǒng)計等課程，XXX同學(xué)也于今年初通過了高等數(shù)學(xué)的學(xué)習(xí)，并取得優(yōu)異成績。我們均具備運用數(shù)理知識分析處理問題的能力?！?022年2-7月，我們通過了計算機匯編語言的學(xué)習(xí)，并均已取得全國計算機二級證書，能夠熟練使用vc++編程軟件，進行一些相關(guān)程序的編寫?！?022年9-12月，我們通過了CAD課程的學(xué)習(xí)，對圖象概念有比較成熟的思維認(rèn)識。☆2022年9月，我們進行了數(shù)控車床實習(xí)，對簡單程序在實際生活中的應(yīng)用具備了較為清晰地了解?！?022年，在科協(xié)的組織下，我們進行了有關(guān)農(nóng)業(yè)機器人摘果項目的專題討論，并對機械手臂避障問題作了相關(guān)論述?！?022年3月，我們就果樹主干及其支干的圖象信息提取作了詳細討論，并積極采集資料，與導(dǎo)師交流，為今后的實驗研究奠定基礎(chǔ)?！钍炀氄莆沼卸喾N應(yīng)用軟件(word,cad,ppt,excel等)。.已具備的條件、尚缺少的條件和擬解決的途徑(包括利用教學(xué)實驗室、科研實驗室和實習(xí)基地等的計劃與落實情況)已具備的條件1.1實驗設(shè)備☆學(xué)校具有豐富的實驗材料和完整齊全的研究設(shè)備。硬件系統(tǒng)設(shè)施介紹如下：☆數(shù)碼相機：nikon-990數(shù)碼相機（最大分辨率：2048X1536、位深：真彩24位、圖象格式：BMP）；☆CCD：美國Lumenera公司LuO75C型攝像頭（所采集圖象的有效尺寸：640X480、最大幀頻率：60fps、與電腦的連接方式：USB接口）；☆鏡頭：日本Computar公司M0814-MP和M1214-MP兩種型號攝像頭（每種型號各兩個，焦距分別為8nlm和12mm）；☆計算機：CPU為AMD公司Athlon（tm）64Processor3000+（主頻為1.8GHz）型兼容機；☆激光測距儀：德國喜利得（HiIti）公司的PD30laserrangemeter；☆采集地點：南京農(nóng)業(yè)大學(xué)工學(xué)院校園果林（室外），計算機視覺研究室（室內(nèi)）；☆攝像頭支架為普通的攝像機支架，可調(diào)節(jié)攝像頭高度和拍攝角度，調(diào)節(jié)方式為手動調(diào)節(jié)（自動的調(diào)節(jié)支架正在開辟中），攝像頭安裝在有機玻璃板上，玻璃板上開有兩條窄槽可使兩攝像頭的基線長度在6cm-25cm之間調(diào)整。2.1.2政策扶持☆學(xué)校大力支持并鼓勵學(xué)生進行科研及實踐創(chuàng)新訓(xùn)練活動，并有專人負責(zé)組織協(xié)調(diào)，匹配經(jīng)費到位，配套扶持政策完善，能夠為學(xué)生實施訓(xùn)練項目創(chuàng)造良好的環(huán)境。2.1.3導(dǎo)師資源☆本實踐創(chuàng)新訓(xùn)練計劃的指導(dǎo)老師系南京農(nóng)業(yè)大學(xué)講師安秋，在學(xué)校開設(shè)有農(nóng)業(yè)機器人等課程。安老師有著豐富的教育教學(xué)經(jīng)驗以及很強的科研實力，能有效指導(dǎo)學(xué)生進行此項目的研究訓(xùn)練。他曾經(jīng)長期致力于農(nóng)業(yè)機器人相關(guān)項目的研究工作，對果樹枝干圖象信息提取具有深入研究。2.1.4團隊力量☆小組成員具備較強的思維能力與動手能力，對科研有著極強烈的興趣，具有團結(jié)和吃苦耐勞的精神。2.2尚缺少的條件雖然已經(jīng)做了極其充分的準(zhǔn)備，考慮較精密詳盡，隨時可以投入項目的研究及軟件開辟工作，但在以下方面仍然有所瑕疵?！钊鄙賹++更加深入精詳?shù)闹R儲備?！顚嶒炇胰鄙倏捎镁W(wǎng)絡(luò)以隨時上網(wǎng)查閱資料。2.3擬解決途徑☆加強對C++的自學(xué)，必要時學(xué)校能夠提供針對C++的專業(yè)培訓(xùn)?！畛浞掷煤脠D書館的網(wǎng)絡(luò)資源，同時學(xué)校考慮在實驗室配備可用網(wǎng)絡(luò)以供小組成員實時查閱資料信息，和導(dǎo)師保持聯(lián)絡(luò)。五、經(jīng)費預(yù)算支出科目金額(元)計算根據(jù)及理由資料印刷200打印，復(fù)印文獻及資料下載，撰與報告等采集圖象100沖印照片培訓(xùn)費500對一些我們徹底沒有涉及的知識的培訓(xùn)數(shù)據(jù)庫軟件50管理其他數(shù)據(jù)文件采購經(jīng)費200采購制作及路途費用器材維護200儀器保養(yǎng)及維修其他200總計1450注:開支范圍詳見校教字(2003)134號《南京農(nóng)業(yè)大學(xué)SRT計劃項目管理辦法》文件的第十三條。六、審見指導(dǎo)教師意見指導(dǎo)教師簽名： 年月日部見系意負責(zé)人簽名、公章： 年月日院見學(xué)意負責(zé)人簽名、公章： 年月日學(xué)校意見負責(zé)人簽名、公章： 年月日備注七、申請者承諾我保證上述填報內(nèi)容的真實性。如果獲得資助，我與本項目組成員將嚴(yán)格遵守學(xué)校的有關(guān)規(guī)定，在不影響課程學(xué)習(xí)的同時,保證項目研究工作的時間，并按計劃認(rèn)真開展研究工作，在項目研究過程中或者結(jié)束時，接受學(xué)校對本項目的中期檢查和結(jié)題驗收，并按時提交工作總結(jié)和結(jié)題報告。申請者（簽名）:2022年04月08日一、簡表申請者姓名XXX學(xué)號XXXXXXXX班級XX班年級2022級電話XXXXXXXE-mailXXX項目名稱果樹主干及其支干的圖象信息提取項目來源A、自立項目 B、教師科研課題的子項目4c、其它項目類型A、實驗研究 B、調(diào)查研究C、軟件制作4經(jīng)費來源A、學(xué)校資助4B、導(dǎo)師課題資助C、企業(yè)資助經(jīng)費額度1500元指導(dǎo)教師姓名XX指導(dǎo)教師職稱XX合作者姓名、學(xué)院、班級XXX,XX系10級0X班；XXX,XX系10級0X班；xxx,xx系n級ox班。申請時間2022年5月完成時間2022年5月對果樹的圖象信息進行快速提取并據(jù)此實現(xiàn)二維重繪是圖象處理軟件開辟技術(shù)發(fā)展的一個新領(lǐng)域。作為果樹的重要組成部份，針對樹木模型主干及其支干的快速重建研究也隨之發(fā)展。本文以數(shù)碼相機采集數(shù)據(jù)為基礎(chǔ),使用模塊化方法實現(xiàn)了對柑橘果樹的快速精確平面圖象重繪。選取相機拍攝的場景圖象進行預(yù)處理，分割提取出主干及其支干。對于枝干圖象，將枝干二值化圖象轉(zhuǎn)化為距離圖象，再將距離圖象細線化并與距離信息相結(jié)合，配合平面坐標(biāo)信息得到枝干中心對稱線各點坐標(biāo)及對應(yīng)長、寬距。為減少數(shù)據(jù)運算量，對得到的數(shù)據(jù)圖象剪除短枝、去除贅點以得到描述枝干拓撲結(jié)構(gòu)的關(guān)鍵點坐標(biāo)及其對應(yīng)坐標(biāo)差值。據(jù)此計算得到的模型頂點平面實際坐標(biāo)信息構(gòu)成為了對枝干部份二維模型的表述。權(quán)衡模型精度和建模速度，確定使用長方形摹擬枝干方法生成枝干部份模型，用較少數(shù)據(jù)量實現(xiàn)了中等復(fù)雜度柑橘果樹場景的完整描述，達到很好的可視化效果。針對采摘機器人避障計算，調(diào)整模型精度達到合理狀態(tài)，剔除材質(zhì)和紋理，并在枝干建模中使用梯形替代長方形，忽略冗余數(shù)據(jù)提高模型生成速度，為整個系統(tǒng)的實時性奠定了基礎(chǔ)。本研究為機器人避障系統(tǒng)提供了路徑規(guī)劃基準(zhǔn)和虛擬工作環(huán)境，同時可為其他何類樹木模型快速精確建模研究提供借鑒。二、立論依據(jù)（包括項目的研究意義、現(xiàn)狀分析，并附主要參考文獻及出處）1研究意義☆進入二十一世紀(jì)，隨著高新科技的迅速發(fā)展，農(nóng)業(yè)科技迎來了新的發(fā)展機遇。特別是農(nóng)業(yè)生產(chǎn)，正朝著規(guī)?；?，多樣化，精確化方向發(fā)展，農(nóng)業(yè)勞動力的成本迅速上升，勞動力不足的現(xiàn)象也日益明顯，于是作為高科技的機器人技術(shù)進入農(nóng)業(yè)領(lǐng)域變得越來越現(xiàn)實，果園收獲作業(yè)機械化，自動化成為泛博果農(nóng)們最為關(guān)注的熱點問題，所以開展果樹采摘機器人研究，不僅對于適應(yīng)市場需求、降低勞動強度、提高經(jīng)濟效率有著一定的現(xiàn)實意義,而且對減輕人類生活壓力也是一種潛在的構(gòu)想?！钤跈C器人研究中，果樹主干及其枝干的圖象信息提取，便成為智能機器人的作業(yè)基礎(chǔ)。我們的課題是一項基礎(chǔ)性的研究，主要意義是為多種智能農(nóng)業(yè)機器人，特別是果園機器人自動作業(yè)提供最基礎(chǔ)信息。此外，還可以為其他領(lǐng)域智能機器人信息提取提供一個研究思路。2現(xiàn)狀分析☆采摘機器人是21世紀(jì)精確農(nóng)業(yè)的重要裝備之一，是未來智能農(nóng)業(yè)機械的發(fā)展方向。從1983年的第一臺西紅柿采摘機器人在美國誕生以來，采摘機器人的研究和發(fā)展已經(jīng)經(jīng)歷了20多年。采摘機器人是針對水果和蔬菜，可以通過編程來完成這些作物的采摘、轉(zhuǎn)運、打包等相關(guān)作業(yè)任務(wù)的具有感知能力的自動化機械收獲系統(tǒng)，是集機械、電子、信息、智能技術(shù)、計算機科學(xué)、農(nóng)業(yè)和生物等學(xué)科于一體的交叉邊緣性科學(xué)，需要涉及機械結(jié)構(gòu)、視覺圖象處理、機器人運動學(xué)動力學(xué)、傳感器技術(shù)、控制技術(shù)以及計算信息處理等多方面的學(xué)科領(lǐng)域知識。以下主要介紹一些國內(nèi)外在農(nóng)業(yè)機器人圖象信息提取過程中的發(fā)展和成果。1國外研究發(fā)展☆從60年代末開始向來到今天，圖象的信息提取向來是圖象理解、圖象識別、計算機視覺和人工智能研究人員的重要課題。Pal等對圖象提取方法總結(jié)中提到有幾百種，但沒有一種方法對所有圖象都產(chǎn)生好的提取區(qū)分效果，不同種類的圖象應(yīng)采取相應(yīng)提取方法。圖象信息提取是針對性很強的技術(shù)，根據(jù)不同應(yīng)用、不同要求需要采用不同的處理方法。目前的圖象提取中依據(jù)的特征主要是顏色特征、形狀特征、紋理特征等。此外還有多種圖象信息提取的研究工作，諸如各類圖象信息提取及二維、三維重繪軟件?！顚τ跇淠灸Ｐ偷木_重構(gòu)，Shlyakhter>ChinHungTeng以及CMCheng等人運用圖象處理與圖形相結(jié)合的方法，提取樹木骨架、樹木形態(tài)等進行分析，進而實現(xiàn)對真實場景下的樹木摹擬。這種方法應(yīng)用實際測量數(shù)據(jù)對樹木骨架模型生成進行控制，構(gòu)建出的樹木更為真實和讓人信服。但該種方法由于側(cè)重對模型細節(jié)的把握，降低了模型生成速度。而且由于細節(jié)過多，對于模型的存儲數(shù)據(jù)量難以進行有效控制。針對樹木數(shù)據(jù)的處理，JiguoZeng使用多線段逼近方法對樹木采集數(shù)據(jù)進行控制，構(gòu)建出可以控制模型精度的樹木模型?！頗ongpingYan>ThomasL以及StefanJansson等人將真實樹木的生長規(guī)律參數(shù)化，利用參數(shù)實現(xiàn)樹葉和樹枝結(jié)構(gòu)建模，構(gòu)造出三維樹木模型；Lintermann甚至完成可生成隨機樹木的參數(shù)化控制軟件；RuiWang等人通過從真實樹木中提取構(gòu)成元素的組合實現(xiàn)真實樹木摹擬；CallumGalbraith則利用真實樹木映射技術(shù)增加樹木模型的真實感；Remo1ar>0Deussen以及陳華光根據(jù)視云寫樹模型的距離或者樹木模型在當(dāng)前場景的重要性確定樹木模型數(shù)據(jù)層次，保證了樹木渲染的真實性和實時性。_☆日本Hirosaki大學(xué)TeruoTakahashi等人2002年研制了一蘋果采摘機器人，其視覺系統(tǒng)主要采用了兩個彩色相機組成的雙目立體視覺系統(tǒng)。當(dāng)左、右兩個相機同時獲取了同一目標(biāo)的圖象后，通過將兩幅圖象進行中心合成來重建采摘目標(biāo)的三維信息。在減少識別誤差方面，提出了三個方法：（1）在進行目標(biāo)中心合成時，設(shè)置一個較窄的范圍搜索區(qū)域；（2）在左、右圖像共同的目標(biāo)區(qū)域，比較同一目標(biāo)、一定數(shù)量的顏色特征；（3）將左、右圖象的左、右半邊區(qū)域分別重合，可使圖象的公共部份更加清晰。通過上述改進，對于紅色蘋果的識別率大于90%,在紅色蘋果和黃色蘋果混合的情況下，識別率在65%—70%之間。上述方法中，第一種和第三種減少誤差的方法較為有效，識別誤差率在±5%擺布。☆Yonekawa等對密切度、圓度、伸長度和粗糙度進行評價，認(rèn)為利用這些簡單形狀因子可以簡單有效的進行圖象分割。Lee等通過形狀特征識別雜草開辟西紅柿除草系統(tǒng)。Blasco等根據(jù)作物和雜草面積的差異開辟除草設(shè)備。Sogaard利用形狀模板進行雜草識別，達到較好的識別率。紀(jì)壽文等2000年利用投影面積、葉寬、葉長在玉米苗期識別出單子葉雜草。相阿榮通過雜草區(qū)域的面積和質(zhì)心識別麥田常見雜草，識別率為92%。龍滿生將BP網(wǎng)絡(luò)用于雜草形狀識別。Bjornastrand用圖象分割、Hough變換算法識別甜菜行參數(shù)。YutakaKaizu研究基于機器視覺的插秧機自動導(dǎo)航系統(tǒng)，使用Hough變換算法提取導(dǎo)航線參數(shù)。沈明霞對農(nóng)田景物圖象信息的提取方法包括圖象分割、基于紋理特征分析、基于形態(tài)特征分割等農(nóng)作物邊緣檢測研究。周俊在圖象分割方面，采取小波分解的方法，將圖象分解到第4個?！钌鲜龈鞣椒ㄉ傻臉淠菊鎸嵏休^強，細節(jié)表達豐富，并可以設(shè)定參數(shù)對生成樹木加以控制，以有效運用到虛擬場景之中。但是生成樹木模型依據(jù)的是人為設(shè)定的數(shù)值，并沒有能力對真正的樹木進行精確的模型重構(gòu)及再現(xiàn)。2.2國內(nèi)研究發(fā)展☆目前國內(nèi)主要有兩組人進行林木圖象處理的研究工作：北京林業(yè)大學(xué)的李文彬等人和南京林業(yè)大學(xué)的鄭家強等人。北京林業(yè)大學(xué)的研究是以樹木的整枝撫育為應(yīng)用背景，南京林業(yè)大學(xué)的應(yīng)用背景是精確噴霧。下面就介紹一下他們的具體工作及相應(yīng)的研究成果?！?004年，程磊等提出了一種序列化的處理方法：首先綜合運用基于色采和紋理的圖象分割方法獲得初步分割圖象，然后應(yīng)用數(shù)學(xué)形態(tài)學(xué)方法修正分割后的圖象，最后對分割圖象中的樹冠和樹干進行整株樹的標(biāo)記，初步實現(xiàn)了一類樹木圖象的分割。2005年，楊華等人對單株立木圖象信息的提取分別運用近景攝影測量DLT模型和雙目立體視覺技術(shù)進行解算，解決了立木圖象信息與立木二維坐標(biāo)之間的解算問題。2005年，孫仁山、李文彬等從工程應(yīng)用角度出發(fā)，應(yīng)用二維小波分析技術(shù)對林木圖象進行消噪、壓縮等處理；提出一種用于工業(yè)用材林自動整枝的立木枝干動態(tài)識別系統(tǒng)框架，對人工林側(cè)柏的枝干進行了數(shù)字圖象采集及處理，同時提出了一種立木枝干計算機自動識別算法，提取立木圖象枝干形狀、尺寸、彎曲度及相對空間位置關(guān)系基本生長特征，即利用模式識別技術(shù)驗算其與特征數(shù)據(jù)庫的匹配情況，從而達到立木枝干自動識別的目的。2022年，闞江明、李文彬等針對智能整枝機視覺系統(tǒng)的需要提出一種以數(shù)學(xué)形態(tài)學(xué)為主的