花生、大豆、玉米等顆粒狀農(nóng)作物在農(nóng)業(yè)生產(chǎn)過程中,極易發(fā)生表皮破損的情況,影響農(nóng)作物的品質(zhì)和商業(yè)價(jià)值。傳統(tǒng)的人工分揀方法需要大量的勞動(dòng)力,并且效率低下。本文以花生作為顆粒狀農(nóng)作物的代表,研究基于嵌入式平臺(tái)的顆粒狀農(nóng)作物圖像分類算法。通過軟硬件協(xié)同設(shè)計(jì),在Zynq SoC平臺(tái)對(duì)圖像分類算法進(jìn)行移植和實(shí)現(xiàn)。首先,設(shè)計(jì)系統(tǒng)平臺(tái)。搭建硬件平臺(tái),包括以GPU平臺(tái)為核心的模型訓(xùn)練平臺(tái)和以Zynq SoC平臺(tái)為核心的模型推斷平臺(tái)。完成花生圖像采集和預(yù)處理,降低光源照射不均導(dǎo)致農(nóng)作物圖像產(chǎn)生陰影的影響,并構(gòu)建圖像數(shù)據(jù)集。其次,研究基于特征提取和支持向量機(jī)（SVM）的圖像分類算法。針對(duì)SVM算法缺乏提取圖像特征能力的問題,對(duì)比并分析了方向梯度直方圖（HOG）、局部二值模式（LBP）和尺度不變特征轉(zhuǎn)換（SIFT）三種圖像特征提取算法,選取準(zhǔn)確率較高、運(yùn)行時(shí)間短的HOG算法作為適用于顆粒狀農(nóng)作物的特征提取算法,并根據(jù)嵌入式平臺(tái)的特點(diǎn),對(duì)算法進(jìn)行簡化,降低計(jì)算資源開銷。然后,研究改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)（CNN）圖像分類算法�；谳p量化網(wǎng)絡(luò)SqueezeNet改進(jìn)了網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu),并采用Msra參數(shù)初始化、自適應(yīng)學(xué)習(xí)率... 

【文章頁數(shù)】：80 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題研究的目的和意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 顆粒狀農(nóng)作物色選系統(tǒng)研究現(xiàn)狀
        1.2.2 農(nóng)作物圖像分類算法研究現(xiàn)狀
        1.2.3 機(jī)器學(xué)習(xí)硬件加速研究現(xiàn)狀
    1.3 本文主要研究內(nèi)容
第2章 系統(tǒng)平臺(tái)設(shè)計(jì)
    2.1 引言
    2.2 整體方案設(shè)計(jì)
    2.3 硬件平臺(tái)搭建
        2.3.1 模型訓(xùn)練平臺(tái)搭建
        2.3.2 模型推斷平臺(tái)搭建
    2.4 顆粒狀農(nóng)作物圖像數(shù)據(jù)集構(gòu)建
        2.4.1 圖像預(yù)處理
        2.4.2 圖像數(shù)據(jù)增廣
    2.5 本章小結(jié)
第3章 基于特征提取和SVM的圖像分類算法
    3.1 引言
    3.2 SVM分類算法分析
        3.2.1 SVM分類算法原理
        3.2.2 原始圖像SVM分類仿真
    3.3 顆粒狀農(nóng)作物圖像特征提取
        3.3.1 HOG特征提取
        3.3.2 LBP特征提取
        3.3.3 SIFT特征提取
    3.4 特征提取與SVM分類聯(lián)合仿真
        3.4.1 HOG特征SVM分類仿真
        3.4.2 LBP特征SVM分類仿真
        3.4.3 SIFT特征SVM分類仿真
        3.4.4 仿真結(jié)果分析
    3.5 針對(duì)嵌入式平臺(tái)的算法簡化
    3.6 本章小結(jié)
第4章 改進(jìn)的CNN圖像分類算法
    4.1 引言
    4.2 基于SqueezeNet的 CNN拓?fù)浣Y(jié)構(gòu)改進(jìn)
        4.2.1 常規(guī)CNN拓?fù)浣Y(jié)構(gòu)
        4.2.2 改進(jìn)的CNN拓?fù)浣Y(jié)構(gòu)
    4.3 CNN模型訓(xùn)練優(yōu)化策略
        4.3.1 初始參數(shù)選取
        4.3.2 學(xué)習(xí)率調(diào)節(jié)
        4.3.3 梯度方向調(diào)整
        4.3.4 綜合優(yōu)化策略
    4.4 本章小結(jié)
第5章 FPGA硬件加速設(shè)計(jì)方法
    5.1 引言
    5.2 可復(fù)用FPGA硬件加速優(yōu)化策略
    5.3 FPGA硬件加速設(shè)計(jì)方案
        5.3.1 卷積層
        5.3.2 池化層
        5.3.3 全連接層
        5.3.4 徑向基函數(shù)層
    5.4 實(shí)驗(yàn)環(huán)境搭建
    5.5 實(shí)驗(yàn)測(cè)試與結(jié)果分析
        5.5.1 SVM圖像分類算法實(shí)驗(yàn)
        5.5.2 CNN圖像分類算法實(shí)驗(yàn)
        5.5.3 實(shí)驗(yàn)結(jié)果分析
    5.6 本章小結(jié)
結(jié)論
參考文獻(xiàn)
攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文及其他成果
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于改進(jìn)分離閾值法的農(nóng)作物遙感精細(xì)分類特征選擇[J]. 楊惠雯,方俊永,趙冬.  應(yīng)用科學(xué)學(xué)報(bào). 2019(01)
[2]卷積神經(jīng)網(wǎng)絡(luò)在黃瓜葉部病害識(shí)別中的應(yīng)用[J]. 張善文,謝澤奇,張晴晴.  江蘇農(nóng)業(yè)學(xué)報(bào). 2018(01)
[3]基于Zynq的圖像角點(diǎn)及邊緣檢測(cè)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J]. 潘青松,張怡,楊宗明,秦劍秀.  計(jì)算機(jī)科學(xué). 2017(S2)
[4]我國色選機(jī)發(fā)展概況與建議[J]. 孫六蓮.  農(nóng)業(yè)與技術(shù). 2016(09)
[5]基于DSP的色選機(jī)分選控制系統(tǒng)[J]. 周敬東,黃云朋,周明剛,陳源,程釵,李敏慧.  湖北農(nóng)業(yè)科學(xué). 2016(04)
[6]基于支持向量機(jī)的多類分類算法綜述[J]. 宋召青,陳垚.  海軍航空工程學(xué)院學(xué)報(bào). 2015(05)
[7]基于顏色特征和支持向量機(jī)的黃瓜葉部病害識(shí)別[J]. 李旺,唐少先,陳榮.  農(nóng)機(jī)化研究. 2014(01)
[8]我國谷物色選機(jī)概況及發(fā)展[J]. 張會(huì)娟,胡志超,王海歐,吳峰,曹士峰.  農(nóng)業(yè)機(jī)械. 2009(12)
[9]基于核K-均值聚類算法的植物葉部病害識(shí)別[J]. 王守志,何東健,李文,王艷春.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2009(03)



本文編號(hào)：3723012