為實(shí)現(xiàn)獼猴桃果園環(huán)境下移動(dòng)平臺(tái)的視覺導(dǎo)航,通過特征選取和視覺檢測方法對(duì)比確定視覺導(dǎo)航系統(tǒng)的方案;通過卷積層特征可視化技術(shù)研究卷積神經(jīng)網(wǎng)絡(luò)深度對(duì)獼猴桃樹干特征提取的影響;通過優(yōu)化Yolo v3 Tiny模型,使其在計(jì)算資源有限的嵌入式設(shè)備上實(shí)現(xiàn)檢測精度和檢測速度的均衡性,并驗(yàn)證目標(biāo)檢測模型在不同工況下的適應(yīng)性,而后利用所檢測到的獼猴桃樹干目標(biāo)擬合導(dǎo)航線;通過硬件集成和軟件設(shè)計(jì)搭建視覺導(dǎo)航系統(tǒng),并通過試驗(yàn)驗(yàn)證導(dǎo)航性能。（1）視覺檢測方法與視覺導(dǎo)航系統(tǒng)設(shè)計(jì)。對(duì)棚架式獼猴桃果園進(jìn)行實(shí)地調(diào)研,因頂部致密的冠層遮蔽導(dǎo)致棚架下的GPS信號(hào)減弱,故選擇視覺檢測方法實(shí)現(xiàn)導(dǎo)航。使用小型無人機(jī)在棚架下飛行采集圖像數(shù)據(jù)。分別利用地壟邊緣特征與獼猴桃樹干特征對(duì)數(shù)據(jù)集進(jìn)行標(biāo)注,并訓(xùn)練語義分割Segnet與目標(biāo)檢測Faster R-CNN模型。結(jié)果表明:Segnet語義分割精度為80.14%,推理時(shí)間為2.5s;Faster R-CNN目標(biāo)檢測精度為79.56%,推理時(shí)間為1s。最終因?qū)崟r(shí)性和環(huán)境適應(yīng)性因素選擇目標(biāo)檢測方法,并確定視覺導(dǎo)航系統(tǒng)整體方案。（2）基于卷積層特征可視化的獼猴桃樹干特征提取。為探究卷積層深度... 

【文章來源】：西北農(nóng)林科技大學(xué)陜西省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：81 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖像分類錯(cuò)誤率和網(wǎng)絡(luò)層數(shù)(張慧等2017)

濤等2019)受遮擋因素影響較為嚴(yán)重，但可依靠部分未遮擋果實(shí)輪廓輸出邊界框；以上果實(shí)最小外接矩形均近似正方形，而芒果(Madeleineetal.2016;薛月菊等2018)最小外接矩形為長方形，標(biāo)注樣本時(shí)邊界框內(nèi)包含較多背景信息，通過人工去除背景后，可提高檢測精度，但工作量較大。本文所檢測對(duì)象為獼猴桃樹干，無最小外接矩形，邊界框內(nèi)包含除獼猴桃樹干之外的輸水管等特征，故需研究邊界框內(nèi)不同特征對(duì)檢測結(jié)果的影響程度。(a)獼猴桃樹干(b)奶牛(趙凱旋和何東健2015)(c)獼猴桃果實(shí)(傅隆生等2018)(d)芒果(薛月菊等2018)圖1-2不同對(duì)象物目標(biāo)檢測Fig.1-2Differentobjectdetection

濤等2019)受遮擋因素影響較為嚴(yán)重，但可依靠部分未遮擋果實(shí)輪廓輸出邊界框；以上果實(shí)最小外接矩形均近似正方形，而芒果(Madeleineetal.2016;薛月菊等2018)最小外接矩形為長方形，標(biāo)注樣本時(shí)邊界框內(nèi)包含較多背景信息，通過人工去除背景后，可提高檢測精度，但工作量較大。本文所檢測對(duì)象為獼猴桃樹干，無最小外接矩形，邊界框內(nèi)包含除獼猴桃樹干之外的輸水管等特征，故需研究邊界框內(nèi)不同特征對(duì)檢測結(jié)果的影響程度。(a)獼猴桃樹干(b)奶牛(趙凱旋和何東健2015)(c)獼猴桃果實(shí)(傅隆生等2018)(d)芒果(薛月菊等2018)圖1-2不同對(duì)象物目標(biāo)檢測Fig.1-2Differentobjectdetection

【參考文獻(xiàn)】：
期刊論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的草莓識(shí)別方法[J]. 劉小剛,范誠,李加念,高燕俐,章宇陽,楊啟良.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2020(02)
[2]大視場下荔枝采摘機(jī)器人的視覺預(yù)定位方法[J]. 陳燕,王佳盛,曾澤欽,鄒湘軍,陳明猷.  農(nóng)業(yè)工程學(xué)報(bào). 2019(23)
[3]單子葉作物葉片氣孔自動(dòng)識(shí)別與計(jì)數(shù)技術(shù)[J]. 孫壯壯,姜東,蔡劍,王笑,周琴,黃梅,戴廷波,曹衛(wèi)星.  農(nóng)業(yè)工程學(xué)報(bào). 2019(23)
[4]水稻收獲作業(yè)視覺導(dǎo)航路徑提取方法[J]. 關(guān)卓懷,陳科尹,丁幼春,吳崇友,廖慶喜.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2020(01)
[5]融合FPN的Faster R-CNN復(fù)雜背景下棉田雜草高效識(shí)別方法[J]. 彭明霞,夏俊芳,彭輝.  農(nóng)業(yè)工程學(xué)報(bào). 2019(20)
[6]基于紅外熱成像與改進(jìn)YOLOV3的夜間野兔監(jiān)測方法[J]. 易詩,李欣榮,吳志娟,朱競銘,袁學(xué)松.  農(nóng)業(yè)工程學(xué)報(bào). 2019(19)
[7]基于分區(qū)域特征點(diǎn)聚類的秧苗行中心線提取[J]. 廖娟,汪鷂,尹俊楠,張順,劉路,朱德泉.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2019(11)
[8]基于改進(jìn)YOLOv3-LITE輕量級(jí)神經(jīng)網(wǎng)絡(luò)的柑橘識(shí)別方法[J]. 呂石磊,盧思華,李震,洪添勝,薛月菊,吳奔雷.  農(nóng)業(yè)工程學(xué)報(bào). 2019(17)
[9]基于改進(jìn)AlexNet的廣域復(fù)雜環(huán)境下遮擋獼猴桃目標(biāo)識(shí)別[J]. 穆龍濤,高宗斌,崔永杰,李凱,劉浩洲,傅隆生.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2019(10)
[10]基于改進(jìn)CNN的多目標(biāo)生豬檢測算法[J]. 劉巖,孫龍清,羅冰,陳帥華,李玥.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2019(S1)

博士論文
[1]全視場獼猴桃果實(shí)信息感知與連貫采摘機(jī)器人關(guān)鍵技術(shù)研究[D]. 穆龍濤.西北農(nóng)林科技大學(xué) 2019
[2]基于機(jī)器視覺的農(nóng)業(yè)車輛—農(nóng)具組合導(dǎo)航系統(tǒng)路徑識(shí)別及控制方法研究[D]. 孟慶寬.中國農(nóng)業(yè)大學(xué) 2014

碩士論文
[1]基于信息感知的獼猴桃噴霧授粉方法研究[D]. 劉浩洲.西北農(nóng)林科技大學(xué) 2019
[2]獼猴桃采摘機(jī)器人視覺導(dǎo)航路徑生成方法研究[D]. 李文洋.西北農(nóng)林科技大學(xué) 2017



本文編號(hào)：3341725