【摘要】：作為世界上重要的水果生產(chǎn)國,截至2017年我國的柑橘產(chǎn)量已達(dá)到3816.78萬噸,但水果采摘環(huán)境復(fù)雜性使得當(dāng)前水果采摘作業(yè)依然以人工采摘為主。隨著我國城鎮(zhèn)化的快速發(fā)展,農(nóng)業(yè)從業(yè)人員的大幅下降和勞動(dòng)力成本的上升使得水果產(chǎn)業(yè)面臨勞動(dòng)力不足的問題,不利于水果種植行業(yè)快速發(fā)展。因此,實(shí)現(xiàn)水果自動(dòng)化采摘對于解決水果產(chǎn)業(yè)勞動(dòng)力不足、提高果品的市場競爭力等方面有重要意義。自然環(huán)境下的柑橘識(shí)別是實(shí)現(xiàn)柑橘自動(dòng)采摘的重要支撐技術(shù)。現(xiàn)有的柑橘目標(biāo)識(shí)別算法多數(shù)從目標(biāo)的顏色、紋理和形狀等視覺特征入手設(shè)計(jì)目標(biāo)識(shí)別算法,上述方法在限定的環(huán)境條件下取得了較好識(shí)別結(jié)果。由于自然環(huán)境具有復(fù)雜、非結(jié)構(gòu)化的特點(diǎn),目標(biāo)果實(shí)會(huì)受到光照變化、亮度不勻、前背景相似、果實(shí)及枝葉相互遮擋、陰影覆蓋等干擾因素影響,從而使其外觀特征隨環(huán)境的變化而產(chǎn)生較大變化,導(dǎo)致獲得覆蓋上述環(huán)境干擾因素的目標(biāo)完備特征集較為困難,在多個(gè)干擾因素同時(shí)出現(xiàn)的情況下,現(xiàn)有算法的果實(shí)目標(biāo)識(shí)別效果不理想。深度卷積神經(jīng)網(wǎng)絡(luò)業(yè)已被證明是一種有效的圖像目標(biāo)特征提取網(wǎng)絡(luò),其可從大量訓(xùn)練數(shù)據(jù)中通過卷積結(jié)構(gòu)提取低層特征,并通過池化結(jié)構(gòu)獲得高層特征。通過特征學(xué)習(xí)方法獲得的語義特征對復(fù)雜環(huán)境具有良好的適應(yīng)性,為提高復(fù)雜環(huán)境中的目標(biāo)識(shí)別準(zhǔn)確率提供了良好的基礎(chǔ)。本文基于深度卷積網(wǎng)絡(luò)設(shè)計(jì)了自然采摘環(huán)境下的柑橘目標(biāo)識(shí)別算法,識(shí)別算法在光照變化、陰影覆蓋、著色度變化、枝葉遮擋、果實(shí)重疊等不同識(shí)別條件下依然具有較高的識(shí)別正確率,;同時(shí)為保證采摘機(jī)器人的采摘末端移動(dòng)時(shí)能夠快速的跟蹤目標(biāo),本文設(shè)計(jì)了目標(biāo)尺度自適應(yīng)KCF跟蹤算法以克服目標(biāo)在圖像中尺度變化對跟蹤的影響,從而引導(dǎo)機(jī)器人采摘末端快速對準(zhǔn)柑橘目標(biāo)。通過綜合上述目標(biāo)識(shí)別和目標(biāo)跟蹤方法,實(shí)現(xiàn)了自然環(huán)境中的柑橘目標(biāo)識(shí)別系統(tǒng)。相較于經(jīng)典目標(biāo)識(shí)別算法——可變性部件模型(Deformable part model,DPM),本文設(shè)計(jì)的基于深度卷積網(wǎng)絡(luò)的目標(biāo)識(shí)別系統(tǒng)在復(fù)雜環(huán)境下具有良好的目標(biāo)識(shí)別能力。相較于經(jīng)典的KCF目標(biāo)跟蹤算法,本文設(shè)計(jì)的目標(biāo)尺度自適應(yīng)KCF跟蹤算法,在采摘機(jī)器人末端移動(dòng)時(shí),該算法具有良好的目標(biāo)跟蹤能力。本文基于實(shí)際采摘現(xiàn)場采集的柑橘目標(biāo)圖像樣本構(gòu)造了符合VOC2007格式的目標(biāo)數(shù)據(jù)集,在該數(shù)據(jù)集上測試本文設(shè)計(jì)的算法獲得良好的識(shí)別結(jié)果。本文所提出的方法對自然采摘環(huán)境具有良好的適應(yīng)能力,為設(shè)計(jì)可實(shí)際應(yīng)用的柑橘自動(dòng)采摘機(jī)器人提供了一種可行的目標(biāo)識(shí)別和跟蹤的方法。
【學(xué)位授予單位】：北方工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：S225.93;TP391.41
【圖文】：

１．目標(biāo)區(qū)域定位逡逑經(jīng)典的目標(biāo)識(shí)別算法需要對整張圖像做區(qū)域窮舉遍歷，其中代表性方法就是逡逑滑動(dòng)窗口法，ＤＰＭ也是用的該方法�；瑒�(dòng)窗口對整張圖像做窗口遍歷，如圖２＿１。逡逑＿邋■圃逡逑圖２－１滑動(dòng)窗口法提取目標(biāo)區(qū)域逡逑在同一張圖上會(huì)進(jìn)行多次遍歷操作，在實(shí)際操作中為了更加精準(zhǔn)的框中目標(biāo)，還逡逑需要設(shè)置不同的縱橫比。這種方法可以確�？蛑心繕�(biāo)位置，但缺點(diǎn)也是顯而易見逡逑的，首先遍歷操作耗費(fèi)時(shí)間較多，再者由于提取出的候選區(qū)域太多，包含較多的逡逑重復(fù)區(qū)域，將拖慢后續(xù)的特征提取和分類步驟的運(yùn)行速度。對候選區(qū)域完成特征逡逑提取后，對該區(qū)域運(yùn)用支持向量機(jī)分類算法打分，以此來判斷該區(qū)域是否存在目逡逑標(biāo)。實(shí)際上，該種搜索方法效率很低，較難應(yīng)用到實(shí)時(shí)識(shí)別中。逡逑９逡逑

１．目標(biāo)區(qū)域定位逡逑經(jīng)典的目標(biāo)識(shí)別算法需要對整張圖像做區(qū)域窮舉遍歷，其中代表性方法就是逡逑滑動(dòng)窗口法，ＤＰＭ也是用的該方法�；瑒�(dòng)窗口對整張圖像做窗口遍歷，如圖２＿１。逡逑＿邋■圃逡逑圖２－１滑動(dòng)窗口法提取目標(biāo)區(qū)域逡逑在同一張圖上會(huì)進(jìn)行多次遍歷操作，在實(shí)際操作中為了更加精準(zhǔn)的框中目標(biāo)，還逡逑需要設(shè)置不同的縱橫比。這種方法可以確�？蛑心繕�(biāo)位置，但缺點(diǎn)也是顯而易見逡逑的，首先遍歷操作耗費(fèi)時(shí)間較多，再者由于提取出的候選區(qū)域太多，包含較多的逡逑重復(fù)區(qū)域，將拖慢后續(xù)的特征提取和分類步驟的運(yùn)行速度。對候選區(qū)域完成特征逡逑提取后，對該區(qū)域運(yùn)用支持向量機(jī)分類算法打分，以此來判斷該區(qū)域是否存在目逡逑標(biāo)。實(shí)際上，該種搜索方法效率很低，較難應(yīng)用到實(shí)時(shí)識(shí)別中。逡逑９逡逑

Ｔ邐（２－３）逡逑若超平面能將訓(xùn)練樣本正確分類，即能有0ｃ，，ｘ．）ｅＤ，Ｄ是樣本合集，如圖２－３，逡逑若分類后的樣本能滿足如下表示式：逡逑（＾ｘｉ＋ｂ＞＋ｌ，ｙｉ＝＋ｌ邐（２＿４）逡逑＜ｙＴｘ７邋－ｆｉ＜－ｌ５＾７邋＝－ｌ逡逑ｘ２ｉ邋！邐Ｕ？ＴＸ邋＋邋令＝１邋＇，篇，■人逡逑４＋Ｗ１逡逑：＋．．？今“，逡逑／邋ｚ邋／邋——逡逑／b6＇：逡逑°—：邋邋邐ｒｒ逡逑圖２－３支持向量與間隔逡逑如圖２－３，對于分類好的樣本，在超平面±１的范圍內(nèi)，應(yīng)該是空置區(qū)，所以樣本逡逑必須在該空置區(qū)之外，此時(shí)一定會(huì)有樣本位于±１的邊界線上使得２．４式成立，這逡逑些樣本被稱為“支持向量”，＋１和－１兩邊界上的支持向量到超平面的距離之和（間逡逑隔）可表７Ｆ為：逡逑至此，完成樣本分類問題就轉(zhuǎn)換成了尋找最大間隔（Ｍａｘｉｍｕｍ邋ｍａｒｇｉｎ）問題，即逡逑找到滿足２－４式約束的參數(shù)＆和６

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 杜玉龍;李建增;張巖;范聰;;無人機(jī)戰(zhàn)場偵察中目標(biāo)識(shí)別算法研究綜述[J];飛航導(dǎo)彈;2016年07期

2 張義廣;楊軍;殷志祥;周軍;;自動(dòng)尋的系統(tǒng)紅外成像目標(biāo)識(shí)別算法研究[J];激光與紅外;2007年09期

3 伍文峰;王虎幫;;基于模板匹配的目標(biāo)識(shí)別算法的設(shè)計(jì)與實(shí)現(xiàn)[J];計(jì)算機(jī)應(yīng)用;2006年S2期

4 劉祥林;;復(fù)雜地面背景下多目標(biāo)的檢測和識(shí)別[J];飛航導(dǎo)彈;1988年08期

5 欒尚禎;;深度學(xué)習(xí)目標(biāo)識(shí)別算法發(fā)展趨勢研究[J];電信網(wǎng)技術(shù);2018年04期

6 張維華;郭偉震;周莉;;改進(jìn)證據(jù)融合次序的目標(biāo)識(shí)別算法[J];信息與控制;2018年05期

7 王彥芳;馮琦;鄧秀劍;;基于幾何差異的目標(biāo)識(shí)別算法[J];計(jì)算機(jī)測量與控制;2016年07期

8 徐小琴;;多傳感器數(shù)據(jù)融合目標(biāo)識(shí)別算法綜述[J];紅外與激光工程;2006年S4期

9 嚴(yán)文康;李傳增;王樹山;蒲榮輝;;基于FPGA的雙波束激光引信目標(biāo)識(shí)別算法研究[J];制導(dǎo)與引信;2011年04期

10 夏魯瑞;趙繼廣;孫潔;陳杭;;基于投影尋蹤的高光譜典型目標(biāo)識(shí)別算法[J];光學(xué)與光電技術(shù);2013年03期

相關(guān)會(huì)議論文 前10條

1 徐小琴;;多傳感器數(shù)據(jù)融合目標(biāo)識(shí)別算法綜述[A];2006年全國光電技術(shù)學(xué)術(shù)交流會(huì)會(huì)議文集（D 光電信息處理技術(shù)專題）[C];2006年

2 馬君國;趙宏鐘;王微;;基于一維距離像的目標(biāo)識(shí)別算法[A];第十四屆全國信號(hào)處理學(xué)術(shù)年會(huì)(CCSP-2009)論文集[C];2009年

3 常青;;分形特征目標(biāo)識(shí)別算法[A];2005年中國智能自動(dòng)化會(huì)議論文集[C];2005年

4 李沅箐;李學(xué)生;董飛彪;湯保龍;;基于深度學(xué)習(xí)的聲目標(biāo)識(shí)別算法[A];2018年全國聲學(xué)大會(huì)論文集 J通信聲學(xué)與音頻信號(hào)處理(含聲頻工程)[C];2018年

5 孔剛;張啟衡;許俊平;;一種復(fù)雜背景下運(yùn)動(dòng)擴(kuò)展目標(biāo)識(shí)別算法[A];第三屆全國信息獲取與處理學(xué)術(shù)會(huì)議論文集[C];2005年

6 楊名;阮雅端;陳林凱;張鵬;陳啟美;;甚高速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)的船舶視頻目標(biāo)識(shí)別算法[A];2016年全國通信軟件學(xué)術(shù)會(huì)議程序冊與交流文集[C];2016年

7 王偉明;;一種使用并行黑板模型仿真系統(tǒng)實(shí)現(xiàn)的基于知識(shí)的圖象目標(biāo)識(shí)別算法[A];'99系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)交流會(huì)論文集[C];1999年

8 由霖;修春波;;基于模板匹配的目標(biāo)識(shí)別算法[A];2011年中國智能自動(dòng)化學(xué)術(shù)會(huì)議論文集（第一分冊）[C];2011年

9 王明芬;李翠華;;基于形狀外觀的海面目標(biāo)識(shí)別算法[A];第十四屆全國圖象圖形學(xué)學(xué)術(shù)會(huì)議論文集[C];2008年

10 王華奎;朱三文;;基于改進(jìn)MFCC的水下目標(biāo)識(shí)別算法[A];中國聲學(xué)學(xué)會(huì)水聲學(xué)分會(huì)2013年全國水聲學(xué)學(xué)術(shù)會(huì)議論文集[C];2013年

相關(guān)博士學(xué)位論文 前6條

1 李淼;天基光學(xué)監(jiān)視系統(tǒng)目標(biāo)檢測與識(shí)別關(guān)鍵技術(shù)研究[D];國防科學(xué)技術(shù)大學(xué);2017年

2 翟永立;星空背景下空間運(yùn)動(dòng)目標(biāo)自主識(shí)別技術(shù)研究[D];中國科學(xué)院大學(xué)(中國科學(xué)院上海技術(shù)物理研究所);2018年

3 張兵;光學(xué)圖像末制導(dǎo)中的點(diǎn)目標(biāo)檢測與識(shí)別算法研究[D];國防科學(xué)技術(shù)大學(xué);2005年

4 汪洋;極化合成孔徑雷達(dá)圖像處理及其應(yīng)用研究[D];安徽大學(xué);2007年

5 劉明;基于流形學(xué)習(xí)與稀疏描述的SAR目標(biāo)識(shí)別算法研究[D];西安電子科技大學(xué);2015年

6 侯國家;水下圖像增強(qiáng)與目標(biāo)識(shí)別算法研究[D];中國海洋大學(xué);2015年

相關(guān)碩士學(xué)位論文 前10條

1 高峰;自然環(huán)境下的柑橘目標(biāo)識(shí)別方法研究[D];北方工業(yè)大學(xué);2019年

2 黃卓;無人機(jī)運(yùn)動(dòng)目標(biāo)實(shí)時(shí)檢測識(shí)別算法研究[D];哈爾濱工業(yè)大學(xué);2018年

3 湯文;復(fù)雜背景下紅外運(yùn)動(dòng)小目標(biāo)的檢測與跟蹤技術(shù)研究[D];國防科學(xué)技術(shù)大學(xué);2016年

4 陳桑桑;基于信息融合的目標(biāo)跟蹤識(shí)別技術(shù)研究[D];西安工業(yè)大學(xué);2018年

5 李伯軒;鬼成像目標(biāo)識(shí)別算法研究[D];南京理工大學(xué);2018年

6 田新;視頻中運(yùn)動(dòng)目標(biāo)檢測與跟蹤算法研究[D];內(nèi)蒙古大學(xué);2018年

7 肖大鵬;典型場景下無人駕駛?cè)S目標(biāo)識(shí)別算法研究[D];哈爾濱工業(yè)大學(xué);2018年

8 鐘佩儀;基于機(jī)載圖像的入侵目標(biāo)自主檢測與識(shí)別[D];南京航空航天大學(xué);2018年

9 張笑;基于深度學(xué)習(xí)的SAR圖像目標(biāo)識(shí)別算法研究[D];南京航空航天大學(xué);2018年

10 秦海報(bào);基于模板匹配的圖像少紋理目標(biāo)識(shí)別算法研究[D];南京航空航天大學(xué);2018年

本文編號(hào)：2751054