在人工智能浪潮的推動(dòng)下,對(duì)果園實(shí)行智能化管理勢(shì)在必行,這其中對(duì)果實(shí)的自動(dòng)識(shí)別檢測(cè)又是實(shí)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(cè)存在葉片、葡萄相互遮擋和光線照射不均勻等問(wèn)題,對(duì)于綠色葡萄的檢測(cè)來(lái)說(shuō)更為突出的問(wèn)題是前景（綠色葡萄）和背景（葡萄葉片）相似,使得通過(guò)手動(dòng)進(jìn)行特征提取的常規(guī)檢測(cè)方法難以進(jìn)行準(zhǔn)確檢測(cè),而基于卷積神經(jīng)網(wǎng)絡(luò)的檢測(cè)方法因可以自動(dòng)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(cè),能夠滿足葡萄果園場(chǎng)景的檢測(cè)需求。本文以葡萄果園場(chǎng)景中的葡萄作為研究對(duì)象,利用深度卷積神經(jīng)網(wǎng)絡(luò)對(duì)自然場(chǎng)景下果園葡萄進(jìn)行自動(dòng)檢測(cè),并設(shè)計(jì)果園葡萄檢測(cè)系統(tǒng),實(shí)現(xiàn)了對(duì)于果園葡萄快速、高效的檢測(cè),為葡萄的智能化采摘打下堅(jiān)實(shí)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(guó)內(nèi)缺少葡萄果園數(shù)據(jù)集,本文通過(guò)在果園實(shí)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(dòng)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(duì)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(yè)數(shù)】：69 頁(yè)

【學(xué)位級(jí)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(cè)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?jī)?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(cè)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(cè)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(cè)研究
    3.1 實(shí)驗(yàn)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(cè)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(duì)ROI pooling的改進(jìn)
    3.5 實(shí)驗(yàn)結(jié)果和分析
        3.5.1 實(shí)驗(yàn)環(huán)境和評(píng)價(jià)指標(biāo)
        3.5.2 不同特征提取網(wǎng)絡(luò)對(duì)比
        3.5.3 ROI Pooling和 ROI Align對(duì)比
        3.5.4 Faster R-CNN檢測(cè)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(cè)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(shí)驗(yàn)結(jié)果及分析
        4.8.1 不同基礎(chǔ)特征提取網(wǎng)絡(luò)對(duì)比分析
        4.8.2 損失函數(shù)的優(yōu)化
        4.8.3 模型壓縮實(shí)驗(yàn)
        4.8.4 FPN與 SSD融合實(shí)驗(yàn)
    4.9 本章小結(jié)
第五章 移動(dòng)端葡萄果園圖像識(shí)別系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)
    5.1 葡萄果園圖像識(shí)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(shí)別系統(tǒng)
        5.2.1 安卓知識(shí)簡(jiǎn)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(jì)與實(shí)現(xiàn)
    5.3 基于Jetson Nano的葡萄果園圖像識(shí)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(cè)算法在Jetson Nano上的實(shí)現(xiàn)
        5.3.4 多線程處理下的模型加速
        5.3.5 實(shí)驗(yàn)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(píng)果目標(biāo)檢測(cè)[J]. 李林升,曾平平.  機(jī)械設(shè)計(jì)與研究. 2019(05)
[2]基于深度學(xué)習(xí)芒果圖像在線識(shí)別與計(jì)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(bào). 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(jì)算機(jī)科學(xué). 2019(09)
[4]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)
[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(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)
[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(jì)算機(jī)工程與應(yīng)用. 2019(16)
[7]深度學(xué)習(xí)在圖像識(shí)別中的應(yīng)用研究綜述[J]. 鄭遠(yuǎn)攀,李廣陽(yáng),李曄.  計(jì)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(píng)果目標(biāo)的識(shí)別[J]. 王丹丹,何東健.  農(nóng)業(yè)工程學(xué)報(bào). 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(píng)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(bào). 2019(03)
[10]基于改進(jìn)型MobileNet網(wǎng)絡(luò)的車型識(shí)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(dòng)端圖像識(shí)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(chǎng)智能視覺(jué)監(jiān)控系統(tǒng)[D]. 白皓.北京郵電大學(xué) 2018



本文編號(hào)：3687130