在人工智能浪潮的推動下,對果園實行智能化管理勢在必行,這其中對果實的自動識別檢測又是實現(xiàn)智能化種植、采摘的重要前提。自然環(huán)境下果園葡萄的檢測存在葉片、葡萄相互遮擋和光線照射不均勻等問題,對于綠色葡萄的檢測來說更為突出的問題是前景（綠色葡萄）和背景（葡萄葉片）相似,使得通過手動進(jìn)行特征提取的常規(guī)檢測方法難以進(jìn)行準(zhǔn)確檢測,而基于卷積神經(jīng)網(wǎng)絡(luò)的檢測方法因可以自動提取更加豐富的特征,并采用端到端的方式進(jìn)行訓(xùn)練和檢測,能夠滿足葡萄果園場景的檢測需求。本文以葡萄果園場景中的葡萄作為研究對象,利用深度卷積神經(jīng)網(wǎng)絡(luò)對自然場景下果園葡萄進(jìn)行自動檢測,并設(shè)計果園葡萄檢測系統(tǒng),實現(xiàn)了對于果園葡萄快速、高效的檢測,為葡萄的智能化采摘打下堅實的基礎(chǔ)。主要研究工作與結(jié)論如下:（1）葡萄果園數(shù)據(jù)集的建立。鑒于國內(nèi)缺少葡萄果園數(shù)據(jù)集,本文通過在果園實地拍攝的方式,采集了共11種葡萄的3223張圖像,并進(jìn)行手動人工標(biāo)注,建立Pascal VOC格式的果園葡萄圖像數(shù)據(jù)集。數(shù)據(jù)集中包含不同光照條件、不同拍攝距離、不同拍攝角度下的葡萄圖像。為進(jìn)一步擴(kuò)大數(shù)據(jù)集,提高訓(xùn)練數(shù)據(jù)多樣性,對數(shù)據(jù)集使用水平翻轉(zhuǎn)、平移、隨機(jī)塊采樣等方法進(jìn)... 

【文章頁數(shù)】：69 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景與意義
    1.2 水果目標(biāo)檢測研究現(xiàn)狀
    1.3 輕量化網(wǎng)絡(luò)模型研究現(xiàn)狀
    1.4 主要研究內(nèi)容
    1.5 本文結(jié)構(gòu)安排
第二章 卷積神經(jīng)網(wǎng)絡(luò)與目標(biāo)檢測算法
    2.1 卷積神經(jīng)網(wǎng)絡(luò)
    2.2 常用卷積神經(jīng)網(wǎng)絡(luò)模型
        2.2.1 VGG網(wǎng)絡(luò)模型
        2.2.2 Res Net網(wǎng)絡(luò)模型
    2.3 基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測算法
    2.4 本章小結(jié)
第三章 基于ROI Align的 Faster R-CNN果園葡萄檢測研究
    3.1 實驗樣本與圖像采集
    3.2 數(shù)據(jù)集標(biāo)注
    3.3 數(shù)據(jù)擴(kuò)增
    3.4 基于ROI Align的 Faster R-CNN果園葡萄檢測研究
        3.4.1 Faster R-CNN網(wǎng)絡(luò)
        3.4.2 特征提取網(wǎng)絡(luò)的改進(jìn)
        3.4.3 對ROI pooling的改進(jìn)
    3.5 實驗結(jié)果和分析
        3.5.1 實驗環(huán)境和評價指標(biāo)
        3.5.2 不同特征提取網(wǎng)絡(luò)對比
        3.5.3 ROI Pooling和 ROI Align對比
        3.5.4 Faster R-CNN檢測結(jié)果可視化
    3.6 本章小結(jié)
第四章 基于Mobile Net的 SSD果園葡萄檢測研究
    4.1 SSD網(wǎng)絡(luò)
    4.2 Mobile Net V1 網(wǎng)絡(luò)
    4.3 Mobile Net V1_SSD網(wǎng)絡(luò)
    4.4 Mobile Net V2 網(wǎng)絡(luò)
    4.5 Mobile Net V2_SSD網(wǎng)絡(luò)
    4.6 Focal loss損失函數(shù)
    4.7 融合FPN的 SSD網(wǎng)絡(luò)
        4.7.1 FPN結(jié)構(gòu)
        4.7.2 Mobile Net V2_SSD融合FPN網(wǎng)絡(luò)結(jié)構(gòu)
    4.8 實驗結(jié)果及分析
        4.8.1 不同基礎(chǔ)特征提取網(wǎng)絡(luò)對比分析
        4.8.2 損失函數(shù)的優(yōu)化
        4.8.3 模型壓縮實驗
        4.8.4 FPN與 SSD融合實驗
    4.9 本章小結(jié)
第五章 移動端葡萄果園圖像識別系統(tǒng)的設(shè)計與實現(xiàn)
    5.1 葡萄果園圖像識別系統(tǒng)的需求分析
    5.2 基于安卓操作系統(tǒng)的葡萄果園圖像識別系統(tǒng)
        5.2.1 安卓知識簡介
        5.2.2 Tensor Flow Serving
        5.2.3 Tensor Flow Lite
        5.2.4 系統(tǒng)結(jié)構(gòu)設(shè)計與實現(xiàn)
    5.3 基于Jetson Nano的葡萄果園圖像識別系統(tǒng)
        5.3.1 Jetson Nano介紹
        5.3.2 Tensor RT
        5.3.3 果園葡萄檢測算法在Jetson Nano上的實現(xiàn)
        5.3.4 多線程處理下的模型加速
        5.3.5 實驗結(jié)果分析
    5.4 本章小結(jié)
第六章 總結(jié)展望
    6.1 總結(jié)
    6.2 展望
參考文獻(xiàn)
致謝


【參考文獻(xiàn)】：
期刊論文
[1]改進(jìn)深度學(xué)習(xí)框架Faster-RCNN的蘋果目標(biāo)檢測[J]. 李林升,曾平平.  機(jī)械設(shè)計與研究. 2019(05)
[2]基于深度學(xué)習(xí)芒果圖像在線識別與計數(shù)方法研究[J]. 岑冠軍,華俊達(dá),潘怡穎,劉大河,蘇貝貝,鐘政,張連寬,高燕.  熱帶作物學(xué)報. 2020(03)
[3]深度神經(jīng)網(wǎng)絡(luò)壓縮綜述[J]. 李青華,李翠平,張靜,陳紅,王紹卿.  計算機(jī)科學(xué). 2019(09)
[4]基于改進(jìn)YOLOv3-LITE輕量級神經(jīng)網(wǎng)絡(luò)的柑橘識別方法[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. 2019(17)
[5]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. 2019(10)
[6]輕量化卷積神經(jīng)網(wǎng)絡(luò)技術(shù)研究[J]. 畢鵬程,羅健欣,陳衛(wèi)衛(wèi).  計算機(jī)工程與應(yīng)用. 2019(16)
[7]深度學(xué)習(xí)在圖像識別中的應(yīng)用研究綜述[J]. 鄭遠(yuǎn)攀,李廣陽,李曄.  計算機(jī)工程與應(yīng)用. 2019(12)
[8]基于R-FCN深度卷積神經(jīng)網(wǎng)絡(luò)的機(jī)器人疏果前蘋果目標(biāo)的識別[J]. 王丹丹,何東健.  農(nóng)業(yè)工程學(xué)報. 2019(03)
[9]基于YOLO深度卷積神經(jīng)網(wǎng)絡(luò)的復(fù)雜背景下機(jī)器人采摘蘋果定位[J]. 趙德安,吳任迪,劉曉洋,趙宇艷.  農(nóng)業(yè)工程學(xué)報. 2019(03)
[10]基于改進(jìn)型MobileNet網(wǎng)絡(luò)的車型識別方法[J]. 黃躍珍,王乃洲,梁添才,金曉峰.  電子技術(shù)與軟件工程. 2019(01)

碩士論文
[1]基于深度學(xué)習(xí)的特征融合及其在醫(yī)學(xué)圖像中的應(yīng)用[D]. 劉義.武漢科技大學(xué) 2019
[2]基于深度學(xué)習(xí)的移動端圖像識別算法[D]. 黃萱昆.北京郵電大學(xué) 2018
[3]基于深度學(xué)習(xí)的考場智能視覺監(jiān)控系統(tǒng)[D]. 白皓.北京郵電大學(xué) 2018



本文編號：3687130