本文選題：獼猴桃 + 分割��； 參考：《西北農(nóng)林科技大學(xué)》2017年碩士論文

【摘要】：中國是獼猴桃生產(chǎn)大國,單純依靠人力來進行獼猴桃采摘費工費時,隨著科學(xué)技術(shù)的不斷發(fā)展,自動化采摘技術(shù)已經(jīng)慢慢滲入到人們的生產(chǎn)、生活中。準確識別自然場景下獼猴桃成為采摘機器人的首要任務(wù),因此研究獼猴桃果實識別方法變得十分必要。本文以自然場景下獼猴桃作為研究對象,首先對采集圖像進行分割處理,然后對于人工設(shè)計特征和深度學(xué)習(xí)特征進行特征提取,最后將提取的特征向量作為參數(shù)輸入,采用神經(jīng)網(wǎng)絡(luò)和支持向量機識別模型,實現(xiàn)對獼猴桃果實識別,本文的主要內(nèi)容如下:(1)對采集的獼猴桃圖像進行分析,采用基于色差法的Otsu閾值法和基于Renyi熵閾值分割法兩種方法實現(xiàn)果實與背景的分割。對比并分析實驗結(jié)果,本文最終選擇0.9R-G,G-0.9R,G-R,R-G色差分量對獼猴桃圖像中的果實、樹葉、草地、天空和樹干目標物進行閾值分割處理,針對部分背景復(fù)雜,且果實眾多的圖像,本文采用基于Renyi熵的閾值分割法。針對分割處理后的二值圖像存在的殘留物問題,利用面積閾值法,形態(tài)學(xué)處理算法進行殘留物去除,為特征提取打好基礎(chǔ)。(2)根據(jù)分割后的二值圖像繪制目標物邊緣輪廓,并利用最小外接矩形算法提取樣本。針對獼猴桃自身顏色特征及特殊的表皮毛刺構(gòu)成的紋理特征和背景樣本(包括樹葉、天空、草地及枝干)的紋理、顏色特征的分析,本實驗擬提取包括HSV顏色特征、灰度共生矩特征、Tamura特征中的對比度、線性度和粗糙度共10個人為設(shè)計特征和基于PCANet的深度學(xué)習(xí)特征,為基于神經(jīng)網(wǎng)絡(luò)和支持向量機模型的果實識別做好準備。(3)根據(jù)提取的果實、樹葉、天空、草地及枝干特征,建立基于神經(jīng)網(wǎng)絡(luò)和支持向量機的果實識別模型。分別對BP神經(jīng)網(wǎng)絡(luò)、PCANet深度學(xué)習(xí)模型和支持向量機(SVM)算法進行建模實驗。實驗結(jié)果表明,使用PCANet網(wǎng)絡(luò)的識別效果最好,識別率達到94.92%,而支持向量機和BP神經(jīng)網(wǎng)絡(luò)的識別率分別為87.67%和65.09%。綜上所述,通過對獼猴桃圖像特征及外在環(huán)境分析,本文提出了人工設(shè)計特征和深度學(xué)習(xí)特征表示樣本特征,利用神經(jīng)網(wǎng)絡(luò)和支持向量機模型進行獼猴桃果實識別,取得了較好的結(jié)果,實現(xiàn)了自然場景下獼猴桃果實的準確識別。
[Abstract]:China is a large country of kiwifruit production, relying solely on manpower to harvest kiwifruit takes time and time. With the development of science and technology, automatic harvesting technology has gradually infiltrated into people's production and life. Accurate recognition of kiwifruit in natural scene is the first task of picking robot, so it is necessary to study the recognition method of kiwifruit. In this paper, the kiwifruit is used as the research object in the natural scene. Firstly, the image is segmented, then the artificial design feature and the depth learning feature are extracted. Finally, the extracted feature vector is used as the parameter input. Using neural network and support vector machine to recognize kiwifruit, the main contents of this paper are as follows: (1) the image of kiwifruit is analyzed. Otsu threshold method based on color difference method and Renyi entropy threshold segmentation method were used to realize fruit and background segmentation. By comparing and analyzing the experimental results, we select the 0.9R-GG -0.9RG G-RGG color difference component to segment the fruits, leaves, grasslands, sky and tree trunks of kiwifruit images by threshold segmentation, aiming at some images with complex background and numerous fruits. The threshold segmentation method based on Renyi entropy is used in this paper. In view of the residue problem of binary image after segmentation, the area threshold method and morphological processing algorithm are used to remove the residue. (2) the edge contour of object is drawn according to the segmented binary image. The minimum external rectangle algorithm is used to extract samples. Based on the analysis of the color features of kiwifruit and the texture features of special epidermis burr and background samples (including leaves, sky, grass and branches), the color features of kiwifruit were extracted, including HSV color features. The contrast, linearity and roughness in the Tamura feature of the gray level symbiotic moment feature are 10 individuals for the design feature and the PCANet based depth learning feature, which are ready for the fruit recognition based on neural network and support vector machine model. (3) according to the extracted fruit, The fruit recognition model based on neural network and support vector machine (SVM) was established based on the characteristics of leaves, sky, grassland and branches. The deep learning model and support vector machine (SVM) algorithm of BP neural network are simulated. The experimental results show that the recognition rate of PCANet is the best, the recognition rate is 94.922.The recognition rate of support vector machine and BP neural network are 87.67% and 65.09% respectively. To sum up, by analyzing the image features and external environment of kiwifruit, this paper proposes artificial design features and depth learning features to represent sample features, and uses neural network and support vector machine model to recognize kiwifruit. Good results were obtained, and the recognition of kiwifruit in natural scene was realized.
【學(xué)位授予單位】：西北農(nóng)林科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：S663.4;TP391.41

【相似文獻】

相關(guān)期刊論文 前10條

1 ;真品三星軟驅(qū)識別方法[J];電腦迷;2004年06期

2 施水才;俞鴻魁;呂學(xué)強;李渝勤;;基于大規(guī)模語料的新詞語識別方法[J];山東大學(xué)學(xué)報(理學(xué)版);2006年03期

3 蘇家洪;;試述人臉識別新技術(shù)及編輯識別方法[J];中國新技術(shù)新產(chǎn)品;2012年07期

4 高春庚;孫建國;;基于統(tǒng)計的人臉識別方法綜述[J];安陽工學(xué)院學(xué)報;2012年04期

5 馬彬;洪宇;楊雪蓉;姚建民;朱巧明;;基于語義依存線索的事件關(guān)系識別方法研究[J];北京大學(xué)學(xué)報(自然科學(xué)版);2013年01期

6 馬彬;洪宇;楊雪蓉;姚建民;朱巧明;;基于推理線索構(gòu)建的事件關(guān)系識別方法[J];北京大學(xué)學(xué)報(自然科學(xué)版);2014年01期

7 呂冬梅,劉燕萍,李云凱;一個新的機械圖紙識別方法[J];信息技術(shù);2001年03期

8 劉志鵬,魏君;基于神經(jīng)網(wǎng)絡(luò)的集裝箱編號識別方法的研究[J];中國包裝工業(yè);2002年09期

9 賀敏;龔才春;張華平;程學(xué)旗;;一種基于大規(guī)模語料的新詞識別方法[J];計算機工程與應(yīng)用;2007年21期

10 董世都;黃同愿;王華秋;王森;楊小帆;;半邊人臉識別方法[J];計算機工程;2008年07期

相關(guān)會議論文 前10條

1 鄭凱;;建立多維數(shù)據(jù)異常點識別方法的嘗試[A];第八屆全國體育科學(xué)大會論文摘要匯編（一）[C];2007年

2 張朋柱;韓崇昭;萬百五;;智能決策支持系統(tǒng)中的問題識別方法與實現(xiàn)[A];全國青年管理科學(xué)與系統(tǒng)科學(xué)論文集（第2卷）[C];1993年

3 劉麗蘭;劉宏昭;;時間序列模型的識別方法[A];制造技術(shù)自動化學(xué)術(shù)會議論文集[C];2004年

4 苗振偉;許勇;楊軍;;超聲波人臉識別方法研究[A];中國聲學(xué)學(xué)會2007年青年學(xué)術(shù)會議論文集（上）[C];2007年

5 羅智勇;宋柔;荀恩東;;一種基于可信度的人名識別方法[A];第二屆全國學(xué)生計算語言學(xué)研討會論文集[C];2004年

6 張茜;鄭崢;亢一瀾;王娟;仇巍;;基于海量實測數(shù)據(jù)的反演識別方法與盾構(gòu)裝備載荷的力學(xué)建模[A];中國力學(xué)大會——2013論文摘要集[C];2013年

7 趙銳;陳光發(fā);;軍事口令識別的Fuzzy方法探討[A];第二屆全國人機語音通訊學(xué)術(shù)會議論文集[C];1992年

8 駱玉榮;劉建麗;史曉濤;;一種自動車窗識別方法的設(shè)計與實現(xiàn)[A];計算機技術(shù)與應(yīng)用進展·2007——全國第18屆計算機技術(shù)與應(yīng)用（CACIS）學(xué)術(shù)會議論文集[C];2007年

9 崔凱華;王國慶;方劍青;李紅軍;賈俊波;馬超;趙燁;張東輝;;基于聲模態(tài)分析的材料識別方法研究[A];現(xiàn)代振動與噪聲技術(shù)（第九卷）[C];2011年

10 李洪東;梁逸曾;張志敏;;酵母蛋白組中原生肽識別方法的探索研究[A];中國化學(xué)會第26屆學(xué)術(shù)年會化學(xué)信息學(xué)與化學(xué)計量學(xué)分會場論文集[C];2008年

相關(guān)重要報紙文章 前9條

1 陳春道;甲魚優(yōu)劣及雌雄的識別方法[N];北京科技報;2003年

2 龐席堂;假幣的識別方法[N];中華合作時報;2003年

3 王修增;手機被盜號的6種識別方法[N];中國保險報;2003年

4 張侃;正品手機電池識別方法[N];通信產(chǎn)業(yè)報;2000年

5 潘 治;德國開發(fā)出癌癥早期識別方法[N];中國中醫(yī)藥報;2003年

6 新華社記者 段世文;產(chǎn)權(quán)證識別方法[N];新華每日電訊;2001年

7 金亮;機器人的情感[N];中國醫(yī)藥報;2001年

8 黃璐;識別假火車票有絕招[N];山西經(jīng)濟日報;2004年

9 宗紹純;如何識別是純奶還是奶飲料？[N];國際商報;2003年

相關(guān)博士學(xué)位論文 前10條

1 趙國騰;跨座式單軌交通軌道梁表面裂紋識別方法研究[D];重慶大學(xué);2015年

2 徐訓(xùn);線性與非線性結(jié)構(gòu)動力荷載識別方法及實驗研究[D];哈爾濱工業(yè)大學(xué);2015年

3 黃仕建;視頻序列中人體行為的低秩表達與識別方法研究[D];重慶大學(xué);2015年

4 張航;基于高光譜成像技術(shù)的皮棉中地膜識別方法研究[D];中國農(nóng)業(yè)大學(xué);2016年

5 吳翔;基于機器視覺的害蟲識別方法研究[D];浙江大學(xué);2016年

6 馮佳;研究前沿識別與分析方法研究[D];吉林大學(xué);2017年

7 鄭銀河;復(fù)雜裂隙網(wǎng)絡(luò)下巖石塊體識別方法研究[D];中國地質(zhì)大學(xué)(北京);2017年

8 徐藝哲;超音速流場中多波系干擾結(jié)構(gòu)識別方法與應(yīng)用研究[D];清華大學(xué);2016年

9 張莉莉;競優(yōu)特征的群識別方法及其應(yīng)用[D];東北大學(xué);2010年

10 陳綿書;計算機人臉識別方法研究[D];吉林大學(xué);2004年

相關(guān)碩士學(xué)位論文 前10條

1 徐珂瓊;基于視頻的人臉識別方法研究[D];天津理工大學(xué);2015年

2 彭姣麗;針對多表情的人臉識別方法研究[D];昆明理工大學(xué);2015年

3 代秀麗;基于半監(jiān)督判別分析的人臉識別方法研究[D];深圳大學(xué);2015年

4 易磊;基于兩階段的交通標志識別方法研究[D];南京理工大學(xué);2015年

5 李彥;基于小波變換的人臉識別方法研究[D];電子科技大學(xué);2014年

6 田曉霞;運動想象EEG的識別方法及在上肢康復(fù)中的應(yīng)用[D];北京工業(yè)大學(xué);2015年

7 楊俊濤;基于分數(shù)譜時頻特征的SAR目標檢測與識別方法研究[D];電子科技大學(xué);2014年

8 宋洪偉;基于模糊集合的漢語主觀句識別方法研究與實現(xiàn)[D];黑龍江大學(xué);2015年

9 賈博軒;基于手機傳感器的人類復(fù)雜行為識別方法的研究[D];黑龍江大學(xué);2015年

10 范玲;Link-11數(shù)據(jù)鏈信號的識別方法研究[D];西安電子科技大學(xué);2014年

，

本文編號：2095727