采摘機器人完成采摘工作首先需要識別出復(fù)雜背景中的果實目標(biāo),因此識別能力是判別采摘機器人性能的主要技術(shù)指標(biāo)之一。本文以對自然環(huán)境中樹上的柚子果實作為對象,進行了柚子果實識別方法的研究。對比了復(fù)雜背景下多種識別方法的識別能力表現(xiàn),將識別能力和可移植性作為評價指標(biāo)選取最優(yōu)的識別方法,并將其作為采摘機器人識別模塊算法。主要研究內(nèi)容和結(jié)論如下:數(shù)據(jù)集獲取與劃分。本文所用數(shù)據(jù)共1300幅包含柚子果實圖像,數(shù)據(jù)獲取的方式通過對圖像進行拍攝,拍攝距離選取3個區(qū)間,分別為近距離拍攝區(qū)間[0.1-1.0m]、中等距離拍攝區(qū)間[1.0-2.0m]、遠(yuǎn)距離拍攝區(qū)間[2.0-3.0m]。分別選取向光生長和背光生長的柚子果實作為拍攝對象,拍攝的果實包括無遮擋果實、樹枝或樹葉遮擋下的果實、重疊生長的果實等果實類型。文中平均選取3個拍攝距離下的2種生長狀態(tài)果實共60幅圖像作為驗證集,其余1010幅圖像作為深度學(xué)習(xí)訓(xùn)練與測試集。基于圖像分割的柚子果實識別。選取色差法與K-means聚類算法作為圖像分割算法,分別使用2種方法對本文劃定的驗證集進行圖像分割。色差法在選取1.6R-GB色差分量在數(shù)據(jù)集圖像分割效果上有較好的分... 

【文章來源】：華中農(nóng)業(yè)大學(xué)湖北省 211工程院校 教育部直屬院校

【文章頁數(shù)】：67 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖像標(biāo)定Fig.2-3Imagecalibration

像分割上有最佳的差異性，能夠?qū)⒛繕?biāo)物更好的從背景中分割的柚子圖像是以 RGB 格式存儲的，本文用于自然環(huán)境下的果實 RGB、HSV 和 Lab 這 3 種顏色空間模型。顏色空間模型最常用的顏色空間模型，同時也是其他顏色空間模型轉(zhuǎn)換的基要通過相關(guān)的計算公式進行轉(zhuǎn)換，它也最常用的顏色模型之一像都是由 R、G、B 顏色分量組成，3 種顏色通道的取值均為[色分量數(shù)值相互組合得到了各種色彩。通過 R 分量、G 分量、以確定這些分量所組成的顏色，同樣，通過分析圖像中顏色也的 R 分量、G 分量、B 分量的相關(guān)數(shù)值。對于目標(biāo)物和背景物過顏色特征了解到目標(biāo)物 R 分量、G 分量、B 分量之間的關(guān)系量、B 分量之間的關(guān)系，以及 2 者之間所存在的差異之處，利算法，能夠?qū)⒛繕?biāo)物從背景中突出顯示出來，完成目標(biāo)物與背象的識別提供了理論依據(jù)。圖 3-1 為 RGB 顏色空間模型。

圖 3-3 HSV 顏色模型Fig. 3-3 HSV color model與 RGB 顏色空間模型的轉(zhuǎn)換，是將紅[0,1]之間，如果 3 個數(shù)值中最大的是 色空間模型轉(zhuǎn)換至 HSV 顏色空間模型( ) × ° = ( ) × ° = ) × ° = S = V = 子果實圖像的 H、S、V 分量圖進行提

【參考文獻(xiàn)】：
期刊論文
[1]基于R-FCN深度卷積神經(jīng)網(wǎng)絡(luò)的機器人疏果前蘋果目標(biāo)的識別[J]. 王丹丹,何東健.  農(nóng)業(yè)工程學(xué)報. 2019(03)
[2]基于YOLO深度卷積神經(jīng)網(wǎng)絡(luò)的復(fù)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(xué)報. 2019(03)
[3]基于改進Faster R-CNN算法的艦船目標(biāo)檢測與識別[J]. 趙春暉,周瑤.  沈陽大學(xué)學(xué)報(自然科學(xué)版). 2018(05)
[4]現(xiàn)代農(nóng)業(yè)——半自動化采摘機械研究[J]. 周浩濤,賈瑋,梁明遠(yuǎn),吳勇文.  南方農(nóng)機. 2018(19)
[5]未成熟芒果的改進YOLOv2識別方法[J]. 薛月菊,黃寧,涂淑琴,毛亮,楊阿慶,朱勛沐,楊曉帆,陳鵬飛.  農(nóng)業(yè)工程學(xué)報. 2018(07)
[6]自然環(huán)境下綠色柑橘視覺檢測技術(shù)研究[J]. 熊俊濤,劉振,湯林越,林睿,卜榕彬,彭紅星.  農(nóng)業(yè)機械學(xué)報. 2018(04)
[7]ReLU激活函數(shù)優(yōu)化研究[J]. 蔣昂波,王維維.  傳感器與微系統(tǒng). 2018(02)
[8]基于卷積神經(jīng)網(wǎng)絡(luò)的田間多簇獼猴桃圖像識別方法[J]. 傅隆生,馮亞利,Elkamil Tola,劉智豪,李瑞,崔永杰.  農(nóng)業(yè)工程學(xué)報. 2018(02)
[9]基于計算機視覺的瓜果采摘系統(tǒng)的運用研究[J]. 王彥輝,趙培琨,邊東良.  農(nóng)機化研究. 2018(01)
[10]基于改進激活函數(shù)的卷積神經(jīng)網(wǎng)絡(luò)研究[J]. 曲之琳,胡曉飛.  計算機技術(shù)與發(fā)展. 2017(12)

碩士論文
[1]基于深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測[D]. 張哲.吉林大學(xué) 2018
[2]基于深度學(xué)習(xí)的目標(biāo)檢測算法研究[D]. 溫捷文.廣東工業(yè)大學(xué) 2018
[3]基于深度學(xué)習(xí)的艦船目標(biāo)檢測與識別[D]. 周瑤.哈爾濱工程大學(xué) 2018
[4]基于機器視覺的簇生獼猴桃果實多目標(biāo)識別方法研究[D]. 陳禮鵬.西北農(nóng)林科技大學(xué) 2018
[5]自然場景下獼猴桃識別方法研究[D]. 王瑞.西北農(nóng)林科技大學(xué) 2017
[6]蘋果采摘機器人重疊果實快速動態(tài)識別及定位研究[D]. 沈甜.江蘇大學(xué) 2016
[7]基于卷積神經(jīng)網(wǎng)絡(luò)的行為識別研究[D]. 吳杰.電子科技大學(xué) 2015
[8]田間獼猴桃圖像識別方法研究[D]. 詹文田.西北農(nóng)林科技大學(xué) 2014



本文編號：2929888