【摘要】：在田間環(huán)境下,由于晝夜光照的多樣性,獼猴桃果實與草、枯葉、枝干、果柄等復雜背景的顏色高度相似性,以及果實與果實之間存在大量毗鄰與重疊現(xiàn)象,從而導致現(xiàn)有方法不能快速、準確地檢測多目標,給田間環(huán)境下多簇獼猴桃自動檢測帶來很大挑戰(zhàn),嚴重地影響了多機械臂獼猴桃采摘機器人采摘任務的執(zhí)行。因此本論文開展了基于深度學習的田間多簇獼猴桃果實檢測方法研究,以期實現(xiàn)全天候多簇獼猴桃果實的快速有效檢測。主要研究內(nèi)容與結(jié)論如下:(1)構(gòu)建不同的獼猴桃果實圖像數(shù)據(jù)集。深入種植園區(qū)及查閱相關(guān)文獻研究,分析確定利用豎直向上拍攝的方式來獲取獼猴桃果實圖像。圖像采集時間的周期為白天與夜間,即上午、下午與夜間,夜間利用LED光源進行補光。由于初始收集的圖像數(shù)據(jù)量有限,對收集的圖像進行數(shù)據(jù)進行亮度變換、運動模糊、對比度增強與減弱以及增加高斯噪聲數(shù)據(jù)等方法進行圖像樣本的擴增。針對不同的深度學習模型,本研究采用交互式標注與手工標注兩種方法對獼猴桃數(shù)據(jù)集的果實區(qū)域進行標簽的標注與綁定。最后將獲得的獼猴桃數(shù)據(jù)集進行亂序排列,并按一定比例隨機拆分成訓練集和測試集。(2)基于LeNet卷積神經(jīng)網(wǎng)絡的多簇獼猴桃果實檢測方法。首先參考已有的獼猴桃果實檢測研究大多數(shù)是在白天進行,因此本章針對白天多簇獼猴桃果實圖像進行檢測研究。在LeNet卷積神經(jīng)網(wǎng)絡的基礎上,通過引入批次規(guī)則化方法,以ReLU為激活函數(shù),Max pooling為下采樣方法,并采用Softmax回歸分類器,對卷積神經(jīng)網(wǎng)絡結(jié)構(gòu)及相關(guān)參數(shù)進行優(yōu)化,構(gòu)建適合多簇獼猴桃果實檢測的卷積神經(jīng)網(wǎng)絡模型。通過試驗驗證,表明LeNet 網(wǎng)絡對獼猴桃果實的檢測率達到89.29%,且該算法相對相同環(huán)境下的常規(guī)獼猴桃檢測方法提高了5.73%,且檢測每幅圖像需要的平均時間為15979 ms,檢測每個果實的平均時間為270 ms,檢測速度較其它常規(guī)算法速度快。但該算法對于遮擋和重疊果實沒有達到很好的效果。(3)基于Faster R-CNN的多簇獼猴桃果實檢測方法。由于機器人擁有全天候工作的優(yōu)勢,本章針對全天候多簇獼猴桃果實圖像進行檢測研究。該研究以綜合表現(xiàn)良好的Caffe作為模型框架,選取ZF和VGG16作為Faster R-CNN模型的基礎網(wǎng)絡,然后利用遷移學習的方法初始化網(wǎng)絡,并根據(jù)果實的信息優(yōu)化模型相關(guān)參數(shù)。最后,利用訓練樣本對Faster R-CNN模型進行訓練。試驗結(jié)果表明,基于VGG16的Faster R-CNN模型平均檢測每幅圖像需要的時間為347 ms,模型大小為512 MB。它要比基于ZF的Faster R-CNN模型的平均檢測速度(270 ms)慢77 ms,且模型整體相對較大,不易遷移到小型移動設備上。但基于VGG16的Faster R-CNN模型對測試集的平均檢測精度為87.61%,高于基于ZF的Faster R-CNN模型的72.50%。從整體而言,基于VGG16的Faster R-CNN模型實現(xiàn)了端到端的檢測,同時實現(xiàn)了全天候多簇獼猴桃檢測的功能,精度達到87.61%,但由于基于VGG16的Faster R-CNN模型整體較大,因此無法滿足小設備上的應用要求。(4)基于YOLOv3-tiny的多簇獼猴桃果實檢測方法。為了實現(xiàn)全天候田間環(huán)境下獼猴桃果實快速、準確且測試模型輕小型的檢測要求,本章改進了基于回歸算法的YOLOv3-tiny模型。該研究通過加深網(wǎng)絡模型、增大輸入尺度、利用多尺度策略以及微調(diào)網(wǎng)絡,提出一種快速準確的獼猴桃果實檢測算法DY3TNet。試驗結(jié)果表明,DY3TNet模型的平均精度為90.05%,模型權(quán)重為27 MB,平均每幅圖像的檢測速度為34 ms。將DY3TNet模型與其它四種深度學習模型(ZF,VGG16,YOLOv2和YOLOv3-tiny)對比,得出DY3TNet模型具有最優(yōu)的性能。同時本試驗還對不同類型數(shù)據(jù)集進行了對比試驗,結(jié)果表明,對簡單一致的光照條件、有補光圖像以及圖像擴增均可以提高DY3TNet模型的檢測性能。總的來說,改進的DY3TNet模型對光線變化具有良好的魯棒性,它在全天候田間環(huán)境下檢測多簇獼猴桃時運行速度快,準確率高,應用于便攜式設備上前景廣闊。綜上所述,本文針對白天與全天候田間多簇獼猴桃果實自動檢測問題提出了可行的解決方案,在不同獼猴桃測試集上均取得了良好的試驗效果。其中,基于YOLOv3-tiny模型改進的DY3TNet模型,在提高識別精度、保證實時性的同時實現(xiàn)了輕化模型的功能。該研究為實時、準確地檢測田間多簇獼猴桃果實提供了一種新的思路和方法,為多機械臂獼猴桃采摘機器人提供了技術(shù)支撐。
【學位授予單位】：西北農(nóng)林科技大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TP391.41;TP18;S663.4
【圖文】：

這類研究的普遍性不高。逡逑＿＿逡逑圖１－１蘋果采摘機器人邐圖１－２柑橘采摘機器人逡逑Ｆｉｇ．邋１－１邋Ａｐｐｌｅ邋ｐｉｃｋｉｎｇ邋ｒｏｂｏｔ邐Ｆｉｇ．邋１－２邋Ｃｉｔｒｕｓ邋ｐｉｃｋｉｎｇ邋ｒｏｂｏｔ逡逑隨著圖像處理技術(shù)以及機器視覺技術(shù)的逐步發(fā)展，國內(nèi)外先后研制出了多種智能逡逑３逡逑

利用光譜角分類算法實現(xiàn)了邋９６％的檢測率６但由于外界環(huán)境因素對研究具有一定逡逑的影響，這類研究的普遍性不高。逡逑＿＿逡逑圖１－１蘋果采摘機器人邐圖１－２柑橘采摘機器人逡逑Ｆｉｇ．邋１－１邋Ａｐｐｌｅ邋ｐｉｃｋｉｎｇ邋ｒｏｂｏｔ邐Ｆｉｇ．邋１－２邋Ｃｉｔｒｕｓ邋ｐｉｃｋｉｎｇ邋ｒｏｂｏｔ逡逑隨著圖像處理技術(shù)以及機器視覺技術(shù)的逐步發(fā)展，國內(nèi)外先后研制出了多種智能逡逑３逡逑

逡逑化的果實摘機器人。圖１－１為Ｚｈａｏ等（２０１１）研究的自然環(huán)境下蘋果采摘機器人裝董，逡逑它主要由機械手、末端執(zhí)行器、視覺系統(tǒng)及由３：業(yè)計算機和交流伺服電機組成的控制逡逑系統(tǒng)等構(gòu)成。通過實驗室測試和野外實地試驗證實了原型機器人裝置的有效性，該機逡逑器人的蘋果采摘成功率達到７７．０％，平均采摘一＊個果實時間約為１５．０邋ｓ。圖１－２為胡友逡逑雖（２０１８）研制的柑橘采摘機器人，在重慶理工大學柑橘實驗基地進行了邋２００組自然逡逑環(huán)境下柑橘果賣采摘實驗，實驗結(jié)]惚礱鞲酶涕儼燒魅瞬燒曬β剩福埃ィ習镥義銑曬Ρ苷下蝕锏劍叮埃�。辶x希保玻澹蔡錛浠肪誠騾ê鍰夜導觳夥椒ㄑ芯肯腫村義峽蒲校海套髡叨蘊錛浠肪誠碌擬ê鍰夜檔募觳飩辛松釗胙芯�，总体分为林v糠鄭義戲直鶚譴庸敵輩嗝婊袢⊥枷窠屑觳夂痛庸檔撞渴畢蟶喜杉枷窠屑觳猓玨義賢跡保場ⅲ保此疚昧街址絞講杉擬ê鍰彝枷�。辶x希攏保齲齲懾義賢跡保炒庸敵輩嗝婊袢〉耐枷皴甕跡保創(chuàng)庸檔撞渴畢蟶喜杉耐枷皴義希疲椋紓澹保沖澹桑恚幔紓邋澹簦幔耄澹鑠澹媯潁錚礤澹簦瑁邋澹錚猓歟椋瘢酰邋澹螅椋洌邋澹錚駑澹媯潁酰椋簦簀澹疲椋紓澹保村澹桑恚幔紓澹簀澹簦幔耄澹鑠澹媯潁錚礤澹簦瑁邋澹猓錚簦簦錚礤澹錚駑澹媯潁酰椋簦簀義隙雜詿有輩嗝婊袢〉擬ê鍰彝枷

本文編號：2751012