＜read papers＞检测自然环境中的柑橘和树干

：如果你也对机器人、人工智能感兴趣，看来我们志同道合✨
：不妨浏览一下我的博客主页【https://blog.csdn.net/weixin_51244852】
：文章若有幸对你有帮助，可点赞 收藏 ⭐不迷路
：内容若有错误，敬请留言 指正！原创文，转载请注明出处

---

题目

Detection of citrus fruit and tree trunks in natural environments using a multi-elliptical boundary model

地址

http://apps.webofknowledge.com/full_record.do?product=UA&search_mode=GeneralSearch&qid=1&SID=7BiYJjMnm8GofxttcCE&page=1&doc=1

时间

2018年

针对的问题

在自然环境下检测的柑橘和柑橘树

方法

提出了一种构建多椭圆边界模型的方法，以实现自然光环境中柑橘类水果和树干的检测。
该方法包括两个过程。
第一过程计算了Cr-Cb坐标中的椭圆边界区域，包括四个步骤：
步骤1：获取对象1、对象2…；
步骤2：从RGB空间转换模板图像到Y0CbCr空间；
步骤3：采样对象1、模板图像2…：获取颜色聚集区域e1、e2…、对象2…、Cr-Cb中的对象m坐标并构造多椭圆边界模型。

第二个过程在自然光照环境中捕获图像，并使用多椭圆边界模型来检测果实和树干。
这个过程有三个步骤：
步骤1：捕获RGB图像；
步骤2：将捕获的图像从RGB空间转换为Y‘CbCr空间；
步骤3：使用多椭圆边界模型从捕获图像中分割出的对象1、对象2、…对象m。

该方法的流程图所示。

如果一个像素的色度向量(Cr和Cb)位于果实皮肤的椭圆区域内，则它被归类为果实像素；
或者如果它的色度矢量在树干皮肤的椭圆区域内，则被归类为树干像素。
否则，它被归类为“其他”像素。该标准被表示为：

树干识别

(a)原始树干图像，(b)分割后产生的图像。
在区分主干和背景中被正确检测到的图像的数量是50张图像中的44张。
太阳照明的方向会影响检测质量：来自太阳方向的图像的检测结果质量好，噪声小。然而，在相反方向拍摄的图像却有很大的噪音。

评估该算法在检测结果方面的性能

为了评估该算法在检测结果方面的性能，定义了三个性能指标。
第一个度量是正确的检测百分比(CDP)，用等式表示
第二个指标是假阳性百分比(FPP)，并以等式表示
第三个指标是缺失百分比(MP)，用等式表示(10).ᾏ该算法检测50幅图像的性能表明，不同图像之间的CDP、FPP和MP有很大的不同(图。11).ᾏ平均值及其标准差具有更多的价值

所有软件

1.利用微软VisualC2013和开源计算机视觉库(openCV2.4.9)来开发软件
2.在Intel®Core™[email protected]，4.00GB内存笔记本电脑上实现所提出的检测算法。
3.MATLAB2016a软件被用于设计这些椭圆边界模型的程序计算参数。用于计算水果和树干椭圆边界模型的模板图像和样本皮肤，以及这两个样本皮肤的颜色区域如图所示。

实验结果

本研究提出了一种构造多椭圆边界模型，以在自然光环境中检测柑橘类水果和树干的方法。
该方法的明显优点是，它的计算复杂度就像训练一个高斯模型一样简单
在本文提出的解中，讨论了一个椭圆边界模型的构造和相关的检测过程。
该算法无法检测到图像中的所有结果，正确的检测百分比和假信息分别为90.8%和11.2%。
在区分来自背景的树干中，正确检测到的图像数量为50幅图像中的44张，而太阳光照的方向影响了检测结果。亮度改变了椭圆模型的位置和形状，导致了缺失和假阳性检测。然而，如果用亮度校正方法校正图像的亮度，椭圆边界模型的位置就会改变，其面积比原来的要大，从而导致假阳性率的增加。因此，在不同的照明条件下，应使用不同的椭圆模型来分段。