發(fā)布時間：2021-10-28 18:29

　　中國是茶的故鄉(xiāng),茶葉種植量、產(chǎn)量、消費量、出口量均位居世界第一。茶葉的廣泛需求需要茶葉采摘工業(yè)的大力支撐與發(fā)展。如今的茶葉采摘技術(shù)以人工采摘與機械采摘為主。然而人工采摘和普通的機械采摘難以保證采摘的效率和成本,同時也會影響茶葉的品質(zhì)。因此,需要一種能自動地、有選擇性地采摘茶葉的技術(shù),而這一技術(shù)的前提就是茶葉嫩芽的檢測�；谝陨媳尘胺治�,本文以茶葉圖像為研究對象,研究和探索自動檢測茶葉嫩芽的方法,主要內(nèi)容如下:首先,采用提取顏色特征的方法檢測茶葉嫩芽。對采集到的茶葉圖像做濾波降噪處理,隨后比較分析茶葉圖像在RGB、HSI、Lab、YIQ四個顏色模型下的顏色特征,對比后提取G-B顏色特征并灰度化。對于灰度圖,采取Otsu分割法實現(xiàn)圖像分割。將分割得到的二值圖進行形態(tài)學處理后,與原圖像進行掩模處理,得到了保留了茶葉嫩芽和少量無關(guān)信息的圖像。其次,針對提取顏色特征方法的不足,提出新的方法檢測茶葉嫩芽,即基于深度學習的目標檢測算法:SSD算法和YOLO V3算法。SSD算法采用了改進的VGG16卷積神經(jīng)網(wǎng)絡提取茶葉圖像的特征,并根據(jù)茶葉圖像的實際情況生成了對應尺度和長寬比的默認框,隨后根據(jù)NMS... 

【文章來源】：沈陽工業(yè)大學遼寧省

【文章頁數(shù)】：62 頁

【學位級別】：碩士

【部分圖文】：

茶葉圖像

7第2章基于顏色特征的茶葉嫩芽檢測要進行茶葉嫩芽的采摘，需要先在茶葉圖像中將茶葉嫩芽的位置或是形狀檢測出來。茶葉圖像中，茶葉嫩芽往往與老葉、枝干以及其他背景信息混在一起，如圖2.1所示，僅憑肉眼或是普通的算法很難將茶葉嫩芽準確的檢測出來。圖2.1茶葉圖像Fig.2.1Teaimage目前常用的茶葉嫩芽的檢測方法大多數(shù)是基于茶葉嫩芽的顏色特征，其思想是利用茶葉嫩芽與老葉、枝干等顏色的差別，在灰度化后根據(jù)閾值分割出茶葉嫩芽。其主要步驟有圖像降噪、提取顏色特征、圖像分割、形態(tài)學處理、掩模處理幾個步驟，如圖2.2所示。圖2.2顏色特征提取的步驟Fig.2.2Stepsofcolorfeatureextraction2.1圖像降噪茶葉圖像在拍攝過程中由于相機的硬件因素、拍攝的環(huán)境、拍攝人的水平等因素，會包含大量噪聲。因此需要進行濾波降噪來獲取高質(zhì)量圖像。濾波降噪在盡量保證茶葉原始圖像信息完整的同時，可以初步消除圖像中無用的噪聲信息，便于后續(xù)顏色特征的提取[34]。這里采用均值濾波來對茶葉原始圖像進行降噪處理。沈陽工業(yè)大學碩士學位論文

沈陽工業(yè)大學碩士學位論文8均值濾波又稱領(lǐng)域平均法，它的思想是將圖像中的某一點和圖像領(lǐng)域內(nèi)的像素點求平均值來達到去除突變像素點的目的，以此達到濾掉噪聲的目的[35]。該方法因其降噪效果較且計算速度較快，應用極為廣泛。其數(shù)學含義如式（2.1）所示：SjijiMyxg),(),(1),(（2.1）由于本文的茶葉圖像均為512×512像素，因此應選擇適宜的濾波器，如圖2.3所示。其中1×1、2×2的濾波器降噪效果不明顯，無法起到初步剔除噪聲的作用，而4×4、5×5的濾波器降噪效果又過強，會破壞原始圖像的信息，使圖像變得模糊。因此本文采用3×3的均值濾波器來對茶葉原始圖像進行濾波降噪。a茶葉原圖像b1×1濾波器c3×3濾波器d5×5濾波器圖2.3濾波降噪效果對比Fig.2.3Contrastoffilteringandnoisereductioneffect2.2提取顏色特征在檢測過程中，顏色特征是茶葉與背景進行區(qū)分的一個重要特征。茶葉圖像中，嫩芽多為嫩綠色與淺綠色，老葉多為深綠色，枝干等背景信息則為其他顏色，顏色差別較大。因此可以通過提取茶葉圖像的顏色特征來區(qū)分出茶葉與背景信息。提取顏色特征需要用到顏色模型，常用的顏色模型主要有RGB模型、HSI模型、Lab模型、YIQ模型等模型。提取顏色特征后，將圖像進行灰度化，可以進一步縮小每張圖像的信息量，便于對比與分割。RGB顏色模型是圖像處理中最基儲最常用的顏色模型，也是提取顏色特征時最常用的顏色標準�，F(xiàn)有的圖像采集設(shè)備最初采集到的顏色信息和顏色顯示設(shè)備最終使用的都是RGB值。它通過對紅（Red）、綠（Green）、藍（Blue）三種顏色的變化及相互間疊加得到各種顏色，模型如圖2.4。在RGB模型中，每種顏色基于笛卡爾坐標系，對應紅、綠、藍的原色光譜分量。

【參考文獻】：
期刊論文
[1]基于GoogLeNet的茶葉嫩芽生長狀態(tài)智能識別[J]. 方夢瑞,夏華鵾,周禮贊,呂軍.  黃山學院學報. 2019(05)
[2]基于深度學習水果檢測的研究與改進[J]. 黃豪杰,段先華,黃欣辰.  計算機工程與應用. 2020(03)
[3]基于YOLOv3算法的農(nóng)場環(huán)境下奶牛目標識別[J]. 王毅恒,許德章.  廣東石油化工學院學報. 2019(04)
[4]我國茶葉產(chǎn)業(yè)的現(xiàn)狀與提升策略研究[J]. 傅利利,徐倩.  中國商論. 2019(13)
[5]基于SSD的蘋果葉片病害檢測方法[J]. 江鵬,陳躍翰.  電子技術(shù)與軟件工程. 2019(10)
[6]基于AlexNet的茶葉嫩芽狀態(tài)智能識別研究[J]. 呂軍,夏華鹍,方夢瑞,周禮贊.  黑龍江八一農(nóng)墾大學學報. 2019(02)
[7]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)
[8]基于YOLO深度卷積神經(jīng)網(wǎng)絡的復雜背景下機器人采摘蘋果定位[J]. 趙德安,吳任迪,劉曉洋,趙宇艷.  農(nóng)業(yè)工程學報. 2019(03)
[9]結(jié)合YOLO檢測和語義分割的駕駛員安全帶檢測[J]. 吳天舒,張志佳,劉云鵬,郭婉妍,王子韜.  計算機輔助設(shè)計與圖形學學報. 2019(01)
[10]基于改進型SSD算法的目標車輛檢測研究[J]. 陳冰曲,鄧濤.  重慶理工大學學報(自然科學). 2019(01)

碩士論文
[1]基于深度學習的花朵圖像識別算法研究與實現(xiàn)[D]. 劉紅錚.南昌航空大學 2019
[2]基于SSD的交通場景下多目標檢測算法研究[D]. 冀樹偉.中北大學 2019
[3]基于SSD的行人檢測與跟蹤方法研究[D]. 李海翔.中國科學技術(shù)大學 2018
[4]基于卷積神經(jīng)網(wǎng)絡的視覺識別研究[D]. 薛昆南.華南農(nóng)業(yè)大學 2016
[5]鮮茶葉圖像特征提取及在茶樹品種識別中的應用研究[D]. 劉自強.湖南農(nóng)業(yè)大學 2014



本文編號：3463159