智慧農(nóng)業(yè)是未來農(nóng)業(yè)發(fā)展的方向,農(nóng)業(yè)機械在人工智能的驅(qū)動下向智慧農(nóng)機發(fā)展,是傳統(tǒng)農(nóng)業(yè)向智慧農(nóng)業(yè)全面轉(zhuǎn)型的關鍵環(huán)節(jié)。近年來,無人農(nóng)機有助于解放勞動力,提高勞動效率,得到了快速的發(fā)展。在無人農(nóng)機的安全作業(yè)中,障礙物檢測是必不可少的關鍵技術之一,其中行人檢測又是障礙物檢測的重中之重。傳統(tǒng)的目標檢測算法查準率與查全率低,模型復雜,檢測速度慢。近年來,深度學習算法有了長足的發(fā)展,其中YOLOv3算法是行人檢測領域最先進的算法之一。本文基于YOLOv3算法,對如何實現(xiàn)精準且快速地果園環(huán)境下行人檢測展開深入研究。主要研究內(nèi)容如下:（1）闡述了傳統(tǒng)目標檢測算法和深度學習目標檢測算法及原理。詳盡介紹了深度學習YOLO系列算法YOLOv1、YOLOv2和YOLOv3,并且將YOLOv3算法與其他主流算法比較,闡明了YOLOv3算法精度與速度等性能的優(yōu)越性,為本文選取YOLOv3作為行人檢測深度學習基礎算法提供了理論依據(jù)。（2）針對果園環(huán)境的特點,提出了改進的YOLOv3行人障礙物檢測算法。首先,將YOLOv3骨干網(wǎng)絡Darknet53更換為ResNet50網(wǎng)絡,針對不同環(huán)境與場景的特點ResNet系列網(wǎng)絡更... 

【文章來源】：江蘇大學江蘇省

【文章頁數(shù)】：67 頁

【學位級別】：碩士

【部分圖文】：

傳統(tǒng)目標識別流程

江蘇大學碩士學位論文7Felzenszwalb提出的，DPM模型也是作為HOG檢測器的擴展之一。DPM模型非常地直觀，它將目標對象建模成幾個部件的組合，這也是就是后來深度學習領域“分而治之”檢測思想之一。例如，檢測一個“人”，DPM模型將人類表示成頭/手/大腿/小腿等部件，每個部件的位置不是固定的，也就是說可以形變的，DPM模型考慮不同形變帶來的懲罰，也就是說你的手不能離身體太遠，否則就會扣分。而且每個部件和主體的相對位置是比較穩(wěn)定的，頭部在上方，手部在中間，腿在下邊。2.2基于深度學習的目標檢測算法基于深度學習的檢測算法主要分為兩個方向：兩階段(two-stage)算法如R-CNN系列算法，單階段(one-stage)算法如YOLO系列算法、SSD算法等。2.2.1兩階段目標檢測算法圖2.2兩階段目標檢測算法Fig.2.2Twostagetargetdetectionalgorithm兩階段算法原理一般是生成相應的樣本候選框，再通過卷積神經(jīng)網(wǎng)絡進行樣本分類，需要使用selectivesearch的啟發(fā)式算法或者卷積神經(jīng)網(wǎng)絡產(chǎn)生候選區(qū)域，然后再在候選區(qū)域上做分類與回歸。由上圖2.2所示，輸入圖片通過窮舉機制或者selectivesearch算法產(chǎn)生候選區(qū)域，然后再通過候選區(qū)域進行多分類和回歸，得到兩個輸出。兩階段算法在定位準確度上占優(yōu)，但是經(jīng)過兩次運算，速度上會相對較慢。2014年Girshick等人提出了使用卷積神經(jīng)網(wǎng)絡(CNN)提取特征區(qū)域(RegionProposal)

江蘇大學碩士學位論文92.2.2單階段目標檢測算法圖2.3單階段目標檢測算法Fig.2.3Onestagetargetdetectionalgorithm另一種是單階段（onestage）算法，其原理是使用一個卷積神經(jīng)網(wǎng)絡直接預測不同目標的類別與位置，直接將輸入圖片分割成互不重合的小正方形，然后通過卷積層得到尺寸相同的特征圖，然后通過每個元素來預測那些中心點在該小方塊內(nèi)的目標。由上圖2.3看出輸入圖片通過anchor機制直接進行分類和回歸得到輸出，這也是為何其稱之為一階段(onestage)算法的原因。這類算法的速度是非�？斓�，往往是數(shù)倍甚至數(shù)十倍于兩階段(twostage)算法，但是其定位精度和識別準確率又是會落后于兩階段(twostage)算法。2015年，Joseph等人首次提出了YOLO算法，YOLO算法采用一個單獨的卷積神經(jīng)網(wǎng)絡模型，可以實現(xiàn)端到端的目標檢測，端到端目標檢測的特點就是快速，也正如YOLO算法的全名那樣YouOnlyLookOnce，意思就是指該算法只需要進行一次的卷積運算。YOLO算法將輸入圖片進行分割，分割成多個互不重合的小正方形，在進行卷積運算得到相同尺寸的特征圖，利用特征圖中的元素進行中心點預測，預測中心點是否會在該小正方形中。2017年，Jisoo等人提出了RainbowSSD算法[40]，是SSD算法的一種改進，也是單階段算法，SSD算法存在兩個問題，一個是會對同一目標進行多次檢測，另一個是對小目標的檢測率較低，RainbowSSD算法可以將不用尺度的特征圖融合起來，增加特征金字塔網(wǎng)絡層的特征圖數(shù)量來檢測小目標物體，利用分類網(wǎng)絡增加不同層之間的特征圖的聯(lián)系，來減少重復框的出現(xiàn)避免對同一目標進行多次檢測。

【參考文獻】：
期刊論文
[1]無人農(nóng)用機械的應用前景和普及問題[J]. 王澤坤,徐佳男,王新鑫.  河北農(nóng)機. 2020(01)
[2]一種結(jié)合Dropblock和Dropout的正則化策略[J]. 胡輝,司鳳洋,曾琛,舒文璐.  河南師范大學學報(自然科學版). 2019(06)
[3]特征增強的SSD算法及其在目標檢測中的應用[J]. 譚紅臣,李淑華,劉彬,劉秀平.  計算機輔助設計與圖形學學報. 2019(04)
[4]基于改進SSD的果園行人實時檢測方法[J]. 劉慧,張禮帥,沈躍,張健,吳邊.  農(nóng)業(yè)機械學報. 2019(04)
[5]一種基于均勻分布策略的NSGAⅡ算法[J]. 喬俊飛,李霏,楊翠麗.  自動化學報. 2019(07)
[6]智慧農(nóng)機大數(shù)據(jù)平臺發(fā)展的問題及對策[J]. 甄鳴,濤高波.  農(nóng)業(yè)經(jīng)濟. 2018(12)
[7]融合邊界信息和顏色特征的顯著性區(qū)域檢測[J]. 王豪聰,張松龍,彭力.  計算機工程與應用. 2019(03)
[8]推動互聯(lián)網(wǎng)、大數(shù)據(jù)、人工智能和實體經(jīng)濟深度融合[J]. 雷尚君,李勇堅.  經(jīng)濟研究參考. 2018(08)
[9]基于多伯努利概率假設密度的擴展目標跟蹤方法[J]. 李文娟,顧紅,蘇衛(wèi)民.  電子與信息學報. 2016(12)
[10]基于直線檢測的棋盤格角點自動提取[J]. 李海,張憲民,陳忠.  光學精密工程. 2015(12)



本文編號：3127826