【摘要】：在田間環(huán)境下,由于晝夜光照的多樣性,獼猴桃果實(shí)與草、枯葉、枝干、果柄等復(fù)雜背景的顏色高度相似性,以及果實(shí)與果實(shí)之間存在大量毗鄰與重疊現(xiàn)象,從而導(dǎo)致現(xiàn)有方法不能快速、準(zhǔn)確地檢測(cè)多目標(biāo),給田間環(huán)境下多簇獼猴桃自動(dòng)檢測(cè)帶來(lái)很大挑戰(zhàn),嚴(yán)重地影響了多機(jī)械臂獼猴桃采摘機(jī)器人采摘任務(wù)的執(zhí)行。因此本論文開(kāi)展了基于深度學(xué)習(xí)的田間多簇獼猴桃果實(shí)檢測(cè)方法研究,以期實(shí)現(xiàn)全天候多簇獼猴桃果實(shí)的快速有效檢測(cè)。主要研究?jī)?nèi)容與結(jié)論如下:(1)構(gòu)建不同的獼猴桃果實(shí)圖像數(shù)據(jù)集。深入種植園區(qū)及查閱相關(guān)文獻(xiàn)研究,分析確定利用豎直向上拍攝的方式來(lái)獲取獼猴桃果實(shí)圖像。圖像采集時(shí)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(jìn)行補(bǔ)光。由于初始收集的圖像數(shù)據(jù)量有限,對(duì)收集的圖像進(jìn)行數(shù)據(jù)進(jìn)行亮度變換、運(yùn)動(dòng)模糊、對(duì)比度增強(qiáng)與減弱以及增加高斯噪聲數(shù)據(jù)等方法進(jìn)行圖像樣本的擴(kuò)增。針對(duì)不同的深度學(xué)習(xí)模型,本研究采用交互式標(biāo)注與手工標(biāo)注兩種方法對(duì)獼猴桃數(shù)據(jù)集的果實(shí)區(qū)域進(jìn)行標(biāo)簽的標(biāo)注與綁定。最后將獲得的獼猴桃數(shù)據(jù)集進(jìn)行亂序排列,并按一定比例隨機(jī)拆分成訓(xùn)練集和測(cè)試集。(2)基于LeNet卷積神經(jīng)網(wǎng)絡(luò)的多簇獼猴桃果實(shí)檢測(cè)方法。首先參考已有的獼猴桃果實(shí)檢測(cè)研究大多數(shù)是在白天進(jìn)行,因此本章針對(duì)白天多簇獼猴桃果實(shí)圖像進(jìn)行檢測(cè)研究。在LeNet卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上,通過(guò)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(duì)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)及相關(guān)參數(shù)進(jìn)行優(yōu)化,構(gòu)建適合多簇獼猴桃果實(shí)檢測(cè)的卷積神經(jīng)網(wǎng)絡(luò)模型。通過(guò)試驗(yàn)驗(yàn)證,表明LeNet 網(wǎng)絡(luò)對(duì)獼猴桃果實(shí)的檢測(cè)率達(dá)到89.29%,且該算法相對(duì)相同環(huán)境下的常規(guī)獼猴桃檢測(cè)方法提高了5.73%,且檢測(cè)每幅圖像需要的平均時(shí)間為15979 ms,檢測(cè)每個(gè)果實(shí)的平均時(shí)間為270 ms,檢測(cè)速度較其它常規(guī)算法速度快。但該算法對(duì)于遮擋和重疊果實(shí)沒(méi)有達(dá)到很好的效果。(3)基于Faster R-CNN的多簇獼猴桃果實(shí)檢測(cè)方法。由于機(jī)器人擁有全天候工作的優(yōu)勢(shì),本章針對(duì)全天候多簇獼猴桃果實(shí)圖像進(jìn)行檢測(cè)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(chǔ)網(wǎng)絡(luò),然后利用遷移學(xué)習(xí)的方法初始化網(wǎng)絡(luò),并根據(jù)果實(shí)的信息優(yōu)化模型相關(guān)參數(shù)。最后,利用訓(xùn)練樣本對(duì)Faster R-CNN模型進(jìn)行訓(xùn)練。試驗(yàn)結(jié)果表明,基于VGG16的Faster R-CNN模型平均檢測(cè)每幅圖像需要的時(shí)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(cè)速度(270 ms)慢77 ms,且模型整體相對(duì)較大,不易遷移到小型移動(dòng)設(shè)備上。但基于VGG16的Faster R-CNN模型對(duì)測(cè)試集的平均檢測(cè)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(shí)現(xiàn)了端到端的檢測(cè),同時(shí)實(shí)現(xiàn)了全天候多簇獼猴桃檢測(cè)的功能,精度達(dá)到87.61%,但由于基于VGG16的Faster R-CNN模型整體較大,因此無(wú)法滿足小設(shè)備上的應(yīng)用要求。(4)基于YOLOv3-tiny的多簇獼猴桃果實(shí)檢測(cè)方法。為了實(shí)現(xiàn)全天候田間環(huán)境下獼猴桃果實(shí)快速、準(zhǔn)確且測(cè)試模型輕小型的檢測(cè)要求,本章改進(jìn)了基于回歸算法的YOLOv3-tiny模型。該研究通過(guò)加深網(wǎng)絡(luò)模型、增大輸入尺度、利用多尺度策略以及微調(diào)網(wǎng)絡(luò),提出一種快速準(zhǔn)確的獼猴桃果實(shí)檢測(cè)算法DY3TNet。試驗(yàn)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(cè)速度為34 ms。將DY3TNet模型與其它四種深度學(xué)習(xí)模型(ZF,VGG16,YOLOv2和YOLOv3-tiny)對(duì)比,得出DY3TNet模型具有最優(yōu)的性能。同時(shí)本試驗(yàn)還對(duì)不同類型數(shù)據(jù)集進(jìn)行了對(duì)比試驗(yàn),結(jié)果表明,對(duì)簡(jiǎn)單一致的光照條件、有補(bǔ)光圖像以及圖像擴(kuò)增均可以提高DY3TNet模型的檢測(cè)性能�？偟膩�(lái)說(shuō),改進(jìn)的DY3TNet模型對(duì)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(cè)多簇獼猴桃時(shí)運(yùn)行速度快,準(zhǔn)確率高,應(yīng)用于便攜式設(shè)備上前景廣闊。綜上所述,本文針對(duì)白天與全天候田間多簇獼猴桃果實(shí)自動(dòng)檢測(cè)問(wèn)題提出了可行的解決方案,在不同獼猴桃測(cè)試集上均取得了良好的試驗(yàn)效果。其中,基于YOLOv3-tiny模型改進(jìn)的DY3TNet模型,在提高識(shí)別精度、保證實(shí)時(shí)性的同時(shí)實(shí)現(xiàn)了輕化模型的功能。該研究為實(shí)時(shí)、準(zhǔn)確地檢測(cè)田間多簇獼猴桃果實(shí)提供了一種新的思路和方法,為多機(jī)械臂獼猴桃采摘機(jī)器人提供了技術(shù)支撐。
【學(xué)位授予單位】：西北農(nóng)林科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：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(jī)器人邐圖１－２柑橘采摘機(jī)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(jī)器視覺(jué)技術(shù)的逐步發(fā)展，國(guó)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(shí)現(xiàn)了邋９６％的檢測(cè)率６但由于外界環(huán)境因素對(duì)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(jī)器人邐圖１－２柑橘采摘機(jī)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(jī)器視覺(jué)技術(shù)的逐步發(fā)展，國(guó)內(nèi)外先后研制出了多種智能逡逑３逡逑

逡逑化的果實(shí)摘機(jī)器人。圖１－１為Ｚｈａｏ等（２０１１）研究的自然環(huán)境下蘋果采摘機(jī)器人裝董，逡逑它主要由機(jī)械手、末端執(zhí)行器、視覺(jué)系統(tǒng)及由３：業(yè)計(jì)算機(jī)和交流伺服電機(jī)組成的控制逡逑系統(tǒng)等構(gòu)成。通過(guò)實(shí)驗(yàn)室測(cè)試和野外實(shí)地試驗(yàn)證實(shí)了原型機(jī)器人裝置的有效性，該機(jī)逡逑器人的蘋果采摘成功率達(dá)到７７．０％，平均采摘一＊個(gè)果實(shí)時(shí)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(jī)器人，在重慶理工大學(xué)柑橘實(shí)驗(yàn)基地進(jìn)行了邋２００組自然逡逑環(huán)境下柑橘果賣采摘實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)]惚礱鞲酶涕儼燒魅瞬燒曬β剩福埃�，樟�(xí)镥義銑曬Ρ苷下蝕锏劍叮埃�。辶x希保玻澹蔡錛浠肪誠(chéng)騾ê鍰夜導(dǎo)觳夥椒ㄑ芯肯腫村義峽蒲校海套髡叨蘊(yùn)錛浠肪誠(chéng)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�，全k義賢跡保場(chǎng)ⅲ保此疚昧街址絞講杉擬ê鍰彝枷瘛ｅ義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(hào)：2751012