發(fā)布時(shí)間：2021-11-27 11:54

　　我國(guó)是蘋果產(chǎn)量大國(guó),蘋果產(chǎn)量占全球總產(chǎn)量的50%以上,蘋果外觀的好壞對(duì)蘋果的售賣速度、價(jià)格與效益都有重要影響,因此,對(duì)蘋果外觀的快速、準(zhǔn)確檢測(cè)并分類是蘋果售前處理的關(guān)鍵環(huán)節(jié)。目前,蘋果外觀識(shí)別依舊使用傳統(tǒng)檢測(cè)方法,針對(duì)傳統(tǒng)外觀檢測(cè)方法的重復(fù)性、低效性的特點(diǎn),本文提出了一種利用深度學(xué)習(xí)模型對(duì)蘋果外觀進(jìn)行無(wú)損檢測(cè)的方法,該方法首先通過(guò)蘋果外觀照片獲得數(shù)據(jù)集,然后使用人工的方式對(duì)蘋果的好壞進(jìn)行標(biāo)記,最后通過(guò)Faster R-CNN深度學(xué)習(xí)算法進(jìn)行學(xué)習(xí)建模。實(shí)驗(yàn)表明,本文方法具有較高的檢測(cè)準(zhǔn)確率,能夠達(dá)到預(yù)期的設(shè)計(jì)目的。以下是本文主要開展的工作內(nèi)容:（1）簡(jiǎn)述了傳統(tǒng)目標(biāo)檢測(cè)方法的不足,對(duì)神經(jīng)網(wǎng)絡(luò)基礎(chǔ)及目標(biāo)檢測(cè)算法的流程進(jìn)行介紹,提出了使用深度學(xué)習(xí)的Faster R-CNN算法完成蘋果外觀無(wú)損的目標(biāo)檢測(cè)。（2）本文針對(duì)復(fù)雜環(huán)境下,收集不同種類的有損和無(wú)損蘋果圖片,制作特定的COCO數(shù)據(jù)集,在自制的數(shù)據(jù)集下完成了基于VGG16主干網(wǎng)絡(luò)模型的Faster R-CNN蘋果外觀無(wú)損檢測(cè)系統(tǒng)。（3）本文根據(jù)目標(biāo)檢測(cè)結(jié)果,提出可能影響目標(biāo)檢測(cè)精度不高的原因。通過(guò)分析VGG16與ResNet50網(wǎng)絡(luò)模型結(jié)構(gòu)和... 

【文章來(lái)源】：內(nèi)蒙古農(nóng)業(yè)大學(xué)內(nèi)蒙古自治區(qū)

【文章頁(yè)數(shù)】：52 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖４最大池化操作過(guò)程??Ｆｉｇ．４?Ｐｒｏｃｅｓｓ?ｏｆ?ｍａｘＰｏｏｌｉｎｇ??

構(gòu)能夠?qū)崿F(xiàn)的，當(dāng)遇到非線性問??題，可以使用激活函數(shù)來(lái)處理，常見的激活函數(shù)有Ｓｉｇｍｏｉｄ函數(shù)、ＲｅＬＵ函數(shù)、Ｓｏｆｔｍａｘ??函數(shù)。??２．３．１?Ｓｉｇｍｏｉｄ?函數(shù)??對(duì)于二分類問題，從隱層到輸出層往往使用ＳｉｇｍｏｉＳｄ函數(shù)作為激活函數(shù)，其函??數(shù)的特點(diǎn)是當(dāng)ｘ取正數(shù)時(shí)，ｐ（ｘ）接近于０，當(dāng)ｘ取負(fù)數(shù)時(shí)，ｐ（ｘ）接近于１。其公式為??ＰＷ?＝?ＴＴ＾?（２）??公式２中ｅ為納皮爾常數(shù)，其值約為２．７１８，?ｘ是線性回歸方程，ｐ表示計(jì)算出??來(lái)的概率，ｐ的范圍在０到１之間，如圖５所示，Ｓｉｇｍｏｉｄ函數(shù)幾何圖像。??ｊ?－??０６?ｊ??Ｃ６?．??〇Ｊ?／??ｎ?一乂??〇?〇?４?－?－?－?－????－１０?０?－７．５?－ＳＣ?－２?５?Ｃ?０?２?Ｓ?５?０?７?￡?１０?０??圖５?Ｓｉｇｍｏｉｄ函數(shù)幾何圖像??Ｆｉｇ．５?Ｆｕｎｃｔｉｏｎ?ｏｆ?ｓｉｇｍｏｉｄ??

?內(nèi)蒙古農(nóng)業(yè)大學(xué)碩士學(xué)位論文?９??從圖５中可以得知，當(dāng)ｘ值很大時(shí)Ｓｉｇｍｉｏｄ函數(shù)的導(dǎo)數(shù)接近于０，會(huì)導(dǎo)致梯度??消失，不能再進(jìn)行反向傳播，所以當(dāng)設(shè)計(jì)的網(wǎng)絡(luò)層數(shù)較深時(shí)，使用Ｓｉｇｍｉｏｄ函數(shù)，??容易出現(xiàn)梯度消失現(xiàn)象。??２．３．２?ＲｅＬＵ?函數(shù)??線性整流函數(shù)（ＲｅｃｔｉｆｉｅｄＬｉｎｅａｒＵｎｉｔ，ＲｅＬＵ），又稱修正性線性單元，是目前較??為廣泛使用的一個(gè)分段函數(shù)，ＲｅＬＵ函數(shù)的特點(diǎn)是：當(dāng)ｘ＜０時(shí)，ｙ為０，當(dāng)ｘ＞０，ｙ與ｘ??值相同，也就是原樣輸出［２２］。數(shù)學(xué)表達(dá)公式為：??ｙ?＝?Ｍａｘ（０，ｘ）?（３）??如圖６所示，ＲｅＬＵ函數(shù)幾何圖像。??５?■?—ｆ／??４?’??３??１?ｊ??３１?…?…??，?ｖ?１??－？４?Ｃ?２?４??圖６?ＲｅＬＵ函數(shù)幾何圖像??Ｆｉｇ．６?Ｆｕｎｃｔｉｏｎ?ｏｆ?ＲｅＬＵ??從圖６中可以看出Ｒｅｌｕ函數(shù)求導(dǎo)簡(jiǎn)單，在隨機(jī)梯度下降的訓(xùn)練中收斂很快，使??用Ｒｅｌｕ函數(shù)作為激活函數(shù)，能夠有效解決梯度消失問題。另外，Ｒｅｌｕ函數(shù)屬于線??性關(guān)系，在前向傳播和反向傳播中比Ｓｉｇｍｉｏｄ函數(shù)快，所以得到了廣泛應(yīng)用。??２．４卷積神經(jīng)網(wǎng)絡(luò)優(yōu)化??２．４．１損失函數(shù)??神經(jīng)網(wǎng)絡(luò)在進(jìn)行訓(xùn)練過(guò)程中通過(guò)前向傳播計(jì)算損失函數(shù)Ｌｏｓｓ，再根據(jù)Ｌｏｓｓ的值??進(jìn)行反向推導(dǎo)調(diào)整參數(shù)。損失函數(shù)是用來(lái)評(píng)估模型的預(yù)測(cè)值與真實(shí)值的誤差，其目??的是使預(yù)測(cè)值與真實(shí)值的誤差最小，常見的損失函數(shù)有均方差損失函數(shù)、交叉熵?fù)p??失函數(shù)［２＜］。??均方差損失函數(shù)，使用預(yù)測(cè)函數(shù)與真實(shí)值的距離平方和的平均值表示損失函數(shù)??。其公式為：??

【參考文獻(xiàn)】：
期刊論文
[1]基于高光譜成像技術(shù)的富士蘋果輕微機(jī)械損傷檢測(cè)研究[J]. 沈宇,房勝,鄭紀(jì)業(yè),王風(fēng)云,張琛,李哲.  山東農(nóng)業(yè)科學(xué). 2020(02)
[2]蘋果無(wú)損檢測(cè)和品質(zhì)分級(jí)技術(shù)研究進(jìn)展及展望[J]. 曹玉棟,祁偉彥,李嫻,李哲敏.  智慧農(nóng)業(yè). 2019(03)
[3]基于共聚焦拉曼光譜技術(shù)的蘋果輕微損傷早期判別分析[J]. 陳思雨,張舒慧,張紓,譚佐軍.  光譜學(xué)與光譜分析. 2018(02)
[4]基于決策樹支持向量機(jī)的蘋果表面缺陷識(shí)別[J]. 邱光應(yīng),彭桂蘭,陶丹,王崢榮.  食品與機(jī)械. 2017(09)
[5]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 周飛燕,金林鵬,董軍.  計(jì)算機(jī)學(xué)報(bào). 2017(06)
[6]高光譜成像技術(shù)的蘋果品質(zhì)無(wú)損檢測(cè)[J]. 孫梅,陳興海,張恒,陳海霞.  紅外與激光工程. 2014(04)
[7]蘋果擦傷拉曼光譜無(wú)損檢測(cè)虛擬系統(tǒng)研究[J]. 高曉陽(yáng),Paul Heinemann,Joseph Irudayaraj.  農(nóng)業(yè)工程學(xué)報(bào). 2005(03)

碩士論文
[1]基于深度學(xué)習(xí)的分揀機(jī)器人目標(biāo)識(shí)別與定位[D]. 解修亮.安徽工程大學(xué) 2019
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別研究與實(shí)現(xiàn)[D]. 李勇康.華中師范大學(xué) 2019
[3]基于深度學(xué)習(xí)算法的水果圖像目標(biāo)分類與檢測(cè)研究[D]. 曾平平.南華大學(xué) 2019
[4]基于深度學(xué)習(xí)的自然環(huán)境下的水果目標(biāo)檢測(cè)研究[D]. 薛彬.燕山大學(xué) 2019
[5]基于TensorFlow的卷積神經(jīng)網(wǎng)絡(luò)的應(yīng)用研究[D]. 姜新猛.華中師范大學(xué) 2017



本文編號(hào)：3522231