自然環(huán)境下近景色果實(shí)目標(biāo)的有效檢測(cè),對(duì)果實(shí)品質(zhì)改善、果園管理優(yōu)化與市場(chǎng)資源合理分配具有重要意義。為了解決綠色果實(shí)表皮顏色與背景顏色極為接近,且易受光照變化及枝葉遮擋影響等問(wèn)題,本研究以陜西楊凌地區(qū)所種植的綠色蘋(píng)果目標(biāo)為研究對(duì)象,提出了隨機(jī)光照條件及不同生長(zhǎng)狀態(tài)下的綠色蘋(píng)果目標(biāo)識(shí)別、分割與重構(gòu)方法,以滿足果農(nóng)對(duì)綠色果實(shí)生長(zhǎng)狀態(tài)監(jiān)測(cè)與智能估產(chǎn)的需求。本文主要研究?jī)?nèi)容與結(jié)論如下:(1)針對(duì)隨機(jī)光照造成的圖像高光及陰影引起綠色蘋(píng)果目標(biāo)識(shí)別困難的問(wèn)題,對(duì)比模糊集理論、SSR算法(Single-scale Retinex)、MSR算法(Multi-scale Retinex)、MSRCR算法(Multi-scale Retinex with color restoration)及光照無(wú)關(guān)理論五種圖像增強(qiáng)方法,優(yōu)選合適的圖像增強(qiáng)算法進(jìn)行綠色蘋(píng)果圖像增強(qiáng)預(yù)處理。試驗(yàn)結(jié)果表明,在可見(jiàn)光條件下,模糊集理論、MSRCR算法與光照無(wú)關(guān)理論圖像增強(qiáng)方法的平均均方誤差分別為17169.32、3428.00、3613.64,三種圖像增強(qiáng)算法的平均峰值信噪比與平均結(jié)構(gòu)相似性分別為6.11dB、13.48dB、13.09dB與0.00、0.79、0.66,均優(yōu)于SSR算法與MSR算法,可有效改善圖像高光及陰影對(duì)果實(shí)目標(biāo)識(shí)別的影響。(2)針對(duì)綠色蘋(píng)果表皮顏色近景性、光照隨機(jī)性及枝葉遮擋等干擾因素造成的果實(shí)目標(biāo)識(shí)別難度加大的問(wèn)題,研究并提出融合模糊集理論與MR算法(Manifold ranking)、基于AIM算法(Attention-based on information maximization)與光照無(wú)關(guān)理論、融合MSRCR算法與Mean shift算法及改進(jìn)GrabCut模型的四種綠色蘋(píng)果目標(biāo)識(shí)別方法。分別將100幅、100幅、500幅、200幅綠色蘋(píng)果圖像作為四種果實(shí)目標(biāo)識(shí)別方法的測(cè)試集,并利用50幅綠色蘋(píng)果圖像對(duì)四種果實(shí)目標(biāo)識(shí)別方法進(jìn)行性能驗(yàn)證。試驗(yàn)結(jié)果表明,測(cè)試集中四種果實(shí)目標(biāo)識(shí)別方法的平均識(shí)別精度分別為90.87%、86.99%、86.67%與89.50%,平均假陽(yáng)性誤差與平均假陰性誤差分別為0.53%、0.97%、0.58%、1.42%與7.46%、10.20%、11.64%、5.29%,驗(yàn)證集中四種識(shí)別方法的平均識(shí)別精度分別為83.38%、84.06%、80.13%與89.06%,平均假陽(yáng)性誤差為2.69%、1.22%、0.29%、2.82%,平均假陰性誤差為10.37%、13.27%、20.52%、3.33%,進(jìn)一步提高了傳統(tǒng)視覺(jué)注意機(jī)制模型與聚類(lèi)算法的識(shí)別精度,具備較好的綠色蘋(píng)果目標(biāo)識(shí)別效果。(3)針對(duì)自然環(huán)境下多重疊果實(shí)目標(biāo)在識(shí)別過(guò)程中通常被誤判為單個(gè)果實(shí)的問(wèn)題,研究并提出基于Ncut算法的綠色、多重疊蘋(píng)果目標(biāo)分割方法。在改進(jìn)GrabCut模型的基礎(chǔ)上,利用Ncut算法對(duì)綠色蘋(píng)果圖像中的多重疊果實(shí)目標(biāo)進(jìn)行分割。通過(guò)試驗(yàn)驗(yàn)證,93.42%的綠色蘋(píng)果目標(biāo)均能夠被有效分割,該方法可將綠色、多重疊蘋(píng)果目標(biāo)分割成相互分離的果實(shí)目標(biāo),為后續(xù)單果果實(shí)目標(biāo)的準(zhǔn)確重構(gòu)奠定了基礎(chǔ)。(4)針對(duì)枝、葉、果遮擋及混合遮擋下綠色蘋(píng)果目標(biāo)生長(zhǎng)位置及果形信息的誤判問(wèn)題,研究并引用基于三點(diǎn)定圓法的果實(shí)目標(biāo)重構(gòu)方法。對(duì)于分割后相互分離的綠色蘋(píng)果目標(biāo),利用三點(diǎn)定圓法實(shí)現(xiàn)果實(shí)目標(biāo)遮擋區(qū)域的有效恢復(fù)。試驗(yàn)結(jié)果表明,算法的平均重構(gòu)誤差為7.37%,表明三點(diǎn)定圓法能夠較為準(zhǔn)確地重構(gòu)出自然環(huán)境下的綠色蘋(píng)果目標(biāo),可實(shí)現(xiàn)對(duì)枝、葉、果遮擋及混合遮擋下綠色蘋(píng)果目標(biāo)的準(zhǔn)確定位。(5)利用Matlab中的GUI編譯工具(Graphical user interface),設(shè)計(jì)了自然環(huán)境下綠色蘋(píng)果目標(biāo)的識(shí)別與分割軟件系統(tǒng)。該軟件系統(tǒng)主要包括綠色蘋(píng)果目標(biāo)識(shí)別模塊、果實(shí)目標(biāo)分割與重構(gòu)模塊與四種識(shí)別方法詳細(xì)識(shí)別過(guò)程查看模塊。經(jīng)過(guò)試驗(yàn)驗(yàn)證,該軟件系統(tǒng)可實(shí)現(xiàn)四種識(shí)別方法的對(duì)比、多重疊綠色蘋(píng)果目標(biāo)的分割與果實(shí)目標(biāo)的重構(gòu)等功能,具備系統(tǒng)操作簡(jiǎn)單、處理過(guò)程及結(jié)果顯示直觀、具體等優(yōu)點(diǎn)。
【學(xué)位單位】：西北農(nóng)林科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2019
【中圖分類(lèi)】：TP391.41;S661.1
【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究目的及意義
    1.2 國(guó)內(nèi)外研究進(jìn)展
        1.2.1 果實(shí)目標(biāo)圖像增強(qiáng)預(yù)處理方法研究現(xiàn)狀
        1.2.2 近景色果實(shí)目標(biāo)識(shí)別方法研究現(xiàn)狀
        1.2.3 近景色果實(shí)目標(biāo)分割及重構(gòu)方法研究現(xiàn)狀
        1.2.4 不同影響因素下果實(shí)目標(biāo)識(shí)別與分割方法研究現(xiàn)狀
        1.2.5 存在問(wèn)題
    1.3 主要研究?jī)?nèi)容
    1.4 論文組織安排
第二章 隨機(jī)光照條件下綠色蘋(píng)果圖像增強(qiáng)方法研究
    2.1 試驗(yàn)材料與算法性能評(píng)價(jià)指標(biāo)
        2.1.1 綠色蘋(píng)果圖像的獲取
        2.1.2 圖像增強(qiáng)算法性能評(píng)價(jià)指標(biāo)
    2.2 基于模糊集理論的綠色蘋(píng)果圖像增強(qiáng)方法
    2.3 基于Retinex理論的綠色蘋(píng)果圖像增強(qiáng)方法
    2.4 基于光照無(wú)關(guān)理論的綠色蘋(píng)果圖像增強(qiáng)方法
    2.5 三類(lèi)圖像增強(qiáng)方法的增強(qiáng)效果對(duì)比
    2.6 本章小結(jié)
第三章 基于視覺(jué)注意機(jī)制與聚類(lèi)算法的綠色蘋(píng)果目標(biāo)識(shí)別
    3.1 試驗(yàn)材料與算法性能評(píng)價(jià)指標(biāo)
        3.1.1 綠色蘋(píng)果圖像的獲取
        3.1.2 果實(shí)目標(biāo)識(shí)別算法性能評(píng)價(jià)指標(biāo)
    3.2 融合模糊集理論與MR算法的綠色蘋(píng)果目標(biāo)識(shí)別方法
        3.2.1 基于模糊集理論的蘋(píng)果圖像增強(qiáng)
        3.2.2 基于SLIC算法的蘋(píng)果圖像超像素分割
        3.2.3 基于MR算法的蘋(píng)果目標(biāo)識(shí)別
        3.2.4 試驗(yàn)結(jié)果與分析
    3.3 基于AIM算法與光照無(wú)關(guān)理論的綠色蘋(píng)果目標(biāo)識(shí)別方法
        3.3.1 融合模糊集理論與AIM算法的蘋(píng)果目標(biāo)初始識(shí)別
        3.3.2 背景噪聲剔除方法
        3.3.3 融合光照無(wú)關(guān)圖與R分量的蘋(píng)果目標(biāo)分割
        3.3.4 試驗(yàn)結(jié)果與分析
    3.4 融合MSRCR與 Mean shift算法的綠色蘋(píng)果目標(biāo)識(shí)別方法
        3.4.1 基于MSRCR算法的蘋(píng)果圖像增強(qiáng)
        3.4.2 基于Mean shift算法的蘋(píng)果目標(biāo)識(shí)別
        3.4.3 嚴(yán)重枝葉遮擋情況下蘋(píng)果圖像的K-means修正
        3.4.4 試驗(yàn)結(jié)果與分析
    3.5 基于改進(jìn)GrabCut模型的綠色蘋(píng)果目標(biāo)識(shí)別方法
        3.5.1 基于GBVS算法的蘋(píng)果圖像自適應(yīng)標(biāo)記
        3.5.2 基于GrabCut模型的蘋(píng)果目標(biāo)識(shí)別
        3.5.3 試驗(yàn)結(jié)果與分析
    3.6 四種果實(shí)目標(biāo)識(shí)別方法的識(shí)別結(jié)果對(duì)比
    3.7 本章小結(jié)
第四章 基于Ncut算法的多果重疊綠色蘋(píng)果目標(biāo)分割方法研究
    4.1 基于Ncut算法的綠色多重疊果分割方法
        4.1.1 試驗(yàn)圖像的獲取
        4.1.2 基于Ncut算法的綠色多重疊果分割
        4.1.3 試驗(yàn)結(jié)果與分析
    4.2 本章小結(jié)
第五章 基于三點(diǎn)定圓法的綠色蘋(píng)果目標(biāo)重構(gòu)方法研究
    5.1 基于三點(diǎn)定圓法的綠色蘋(píng)果目標(biāo)重構(gòu)方法
        5.1.1 試驗(yàn)圖像的獲取
        5.1.2 基于三點(diǎn)定圓法的果實(shí)目標(biāo)重構(gòu)
        5.1.3 試驗(yàn)結(jié)果與分析
    5.2 本章小結(jié)
第六章 自然環(huán)境下綠色蘋(píng)果目標(biāo)的識(shí)別與分割軟件設(shè)計(jì)
    6.1 自然環(huán)境下綠色蘋(píng)果目標(biāo)的識(shí)別與分割軟件整體設(shè)計(jì)
        6.1.1 軟件開(kāi)發(fā)及運(yùn)行環(huán)境
        6.1.2 軟件功能設(shè)計(jì)及系統(tǒng)框圖
        6.1.3 軟件功能實(shí)現(xiàn)及操作演示
    6.2 本章小結(jié)
第七章 結(jié)論與展望
    7.1 結(jié)論
    7.2 創(chuàng)新點(diǎn)
    7.3 展望
參考文獻(xiàn)
致謝
個(gè)人簡(jiǎn)歷

【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(wú)人機(jī)戰(zhàn)場(chǎng)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(cè)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(shì)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(cè)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(shù)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)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(cè)與識(shí)別關(guān)鍵技術(shù)研究[D];國(guó)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(guó)科學(xué)院大學(xué)(中國(guó)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(cè)與識(shí)別算法研究[D];國(guó)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(guó)家;水下圖像增強(qiáng)與目標(biāo)識(shí)別算法研究[D];中國(guó)海洋大學(xué);2015年

相關(guān)碩士學(xué)位論文 前10條

1 李小寧;基于深度學(xué)習(xí)的對(duì)地目標(biāo)檢測(cè)技術(shù)研究[D];中國(guó)科學(xué)院大學(xué)(中國(guó)科學(xué)院光電技術(shù)研究所);2019年

2 李文心;基于視覺(jué)的目標(biāo)跟蹤控制系統(tǒng)研究[D];西安理工大學(xué);2019年

3 孫颯爽;自然環(huán)境下綠色蘋(píng)果目標(biāo)的識(shí)別與分割方法研究[D];西北農(nóng)林科技大學(xué);2019年

4 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

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

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

7 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

8 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

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

10 肖大鵬;典型場(chǎng)景下無(wú)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

本文編號(hào)：2870613