靈武長(zhǎng)棗作為鮮食類水果,采摘時(shí)間短、工作量大,勞動(dòng)力往城市的遷移和人口老齡化的加重,導(dǎo)致人工采摘難度極大,亟需智能農(nóng)林采摘設(shè)備代替人工,提高采摘效率。靈武長(zhǎng)棗的智能識(shí)別是智能化采摘的關(guān)鍵,而圖像識(shí)別的準(zhǔn)確與否是智能識(shí)別系統(tǒng)的前提。基于靈武長(zhǎng)棗在自然狀態(tài)下識(shí)別的魯棒性不強(qiáng)、識(shí)別準(zhǔn)確性不高以及目標(biāo)定位不精確等現(xiàn)實(shí)問題,本文設(shè)計(jì)了一套靈武長(zhǎng)棗圖像識(shí)別系統(tǒng),能夠高效準(zhǔn)確的識(shí)別自然條件下的長(zhǎng)棗目標(biāo),為林果業(yè)采收智能裝備的研究提供圖像識(shí)別方面的理論和數(shù)據(jù)參考。主要采用的研究方法和結(jié)論如下:1.建立靈武長(zhǎng)棗數(shù)據(jù)集。在自然條件下,隨機(jī)拍攝處于成熟季的靈武長(zhǎng)棗作為原始數(shù)據(jù)集,數(shù)據(jù)集是深度學(xué)習(xí)的基礎(chǔ),影響網(wǎng)絡(luò)訓(xùn)練的準(zhǔn)確性。共獲得預(yù)處理后的圖像27081張。2.基于更快速的區(qū)域卷積神經(jīng)網(wǎng)絡(luò)（Faster Region Convolutional Neural Networks,Faster R-CNN）的雙損失函數(shù)改進(jìn)。根據(jù)經(jīng)典Faster R-CNN的遷移學(xué)習(xí)結(jié)果,發(fā)現(xiàn)所識(shí)別的長(zhǎng)棗目標(biāo)無法獲得滿意的準(zhǔn)確性和處理時(shí)間,因此首先提出了一種改進(jìn)的單一損失函數(shù)Faster R-CNN模型,通過較小維度的網(wǎng)絡(luò)深度和... 

【文章頁數(shù)】：64 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 課題研究的背景和意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
    1.3 研究?jī)?nèi)容及技術(shù)路線
第二章 建立數(shù)據(jù)集和單一損失函數(shù)Faster R-CNN模型
    2.1 建立數(shù)據(jù)集
    2.2 Faster R-CNN模型
    2.3 經(jīng)典Faster R-CNN的原理與遷移學(xué)習(xí)
    2.4 單一損失函數(shù)Faster R-CNN模型
    2.5 本章小結(jié)
第三章 雙損失函數(shù)Faster R-CNN模型
    3.1 問題與分析
    3.2 A-softmax loss和L-softmax loss
    3.3 雙損失函數(shù)Faster R-CNN模型結(jié)構(gòu)
    3.4 雙損失函數(shù)Faster R-CNN實(shí)驗(yàn)
    3.5 評(píng)價(jià)標(biāo)準(zhǔn)
    3.6 本章小結(jié)
第四章 圖像識(shí)別系統(tǒng)
    4.1 圖像識(shí)別系統(tǒng)硬件配置
    4.2 圖像識(shí)別系統(tǒng)軟件設(shè)計(jì)
    4.3 圖像識(shí)別系統(tǒng)測(cè)試
    4.4 本章小結(jié)
第五章 總結(jié)與展望
    5.1 全文總結(jié)與創(chuàng)新點(diǎn)
    5.2 展望
參考文獻(xiàn)
致謝
個(gè)人簡(jiǎn)歷


【參考文獻(xiàn)】：
期刊論文
[1]深度神經(jīng)網(wǎng)絡(luò)中激活函數(shù)的研究[J]. 牟晉娟.  電腦編程技巧與維護(hù). 2019(12)
[2]基于幾何特征的靈武長(zhǎng)棗圖像分割算法[J]. 趙琛,王昱潭,朱超偉.  計(jì)算機(jī)工程與應(yīng)用. 2019(15)
[3]基于Faster R-CNN的田間西蘭花幼苗圖像檢測(cè)方法[J]. 孫哲,張春龍,葛魯鎮(zhèn),張銘,李偉,譚豫之.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2019(07)
[4]基于遷移學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)植物葉片圖像識(shí)別方法[J]. 鄭一力,張露.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2018(S1)
[5]果園機(jī)械化技術(shù)應(yīng)用現(xiàn)狀與發(fā)展趨勢(shì)[J]. 鄭樹娜.  南方農(nóng)機(jī). 2018(14)
[6]基于卷積神經(jīng)網(wǎng)絡(luò)的田間多簇獼猴桃圖像識(shí)別方法[J]. 傅隆生,馮亞利,Elkamil Tola,劉智豪,李瑞,崔永杰.  農(nóng)業(yè)工程學(xué)報(bào). 2018(02)
[7]基于Fast R-CNN的車輛目標(biāo)檢測(cè)[J]. 曹詩雨,劉躍虎,李辛昭.  中國(guó)圖象圖形學(xué)報(bào). 2017(05)
[8]靈武市長(zhǎng)棗生產(chǎn)現(xiàn)狀及對(duì)策[J]. 張振榮,謝志強(qiáng),夏湛河,楊勇.  現(xiàn)代農(nóng)業(yè)科技. 2015(01)
[9]果園采摘機(jī)械的現(xiàn)狀及發(fā)展趨勢(shì)[J]. 藍(lán)峰,蘇子昊,黎子明,謝舒.  農(nóng)機(jī)化研究. 2010(11)
[10]果蔬采摘機(jī)器人研究進(jìn)展與展望[J]. 宋健,張鐵中,徐麗明,湯修映.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2006(05)

博士論文
[1]基于機(jī)器視覺的靈武長(zhǎng)棗定位與成熟度判別方法研究[D]. 王昱潭.北京林業(yè)大學(xué) 2014



本文編號(hào)：3686029