為提升曝光不均時(shí)的獼猴桃圖像識(shí)別效果,和解決果實(shí)毗鄰重疊及被樹(shù)枝樹(shù)葉遮擋等導(dǎo)致的現(xiàn)有檢測(cè)模型實(shí)用性差、定位不準(zhǔn)確等困難,本研究使用市面上消費(fèi)級(jí)的RGB-D相機(jī)采集多源圖像,根據(jù)獼猴桃在多源圖像下的不同特征,改進(jìn)傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò),提出融合多源信息的獼猴桃檢測(cè)與定位方法,進(jìn)一步提升獼猴桃在復(fù)雜多變果園環(huán)境下的檢測(cè)和定位準(zhǔn)確率和魯棒性。主要研究?jī)?nèi)容與結(jié)論如下:(1)構(gòu)建對(duì)齊的多源獼猴桃數(shù)據(jù)集。針對(duì)獼猴桃栽培模式,采用對(duì)獼猴桃底部進(jìn)行成像的方式獲取獼猴桃果實(shí)圖像,對(duì)Real Sense D435、Kinect V2相機(jī)的SDK進(jìn)行二次開(kāi)發(fā),在采收期獲取對(duì)齊的彩色、紅外、深度等多源獼猴桃圖像。對(duì)獲取到的獼猴桃數(shù)據(jù)集圖像以亮度變換、對(duì)比度增強(qiáng)與減弱等方法進(jìn)行擴(kuò)增。先手工標(biāo)注彩色圖像中的獼猴桃,再映射至對(duì)齊的紅外圖,以7:3比例分成訓(xùn)練集和測(cè)試集。(2)基于多源信息融合的獼猴桃檢測(cè)算法研究。本文選擇以VGG16為特征提取網(wǎng)絡(luò)的Faster R-CNN網(wǎng)絡(luò)作為基礎(chǔ)網(wǎng)絡(luò),設(shè)計(jì)兩種融合模型。一種是修改網(wǎng)絡(luò)輸入層和第一個(gè)卷積層使其可以同時(shí)接受對(duì)齊后的彩色圖和紅外圖(圖像融合模型);另一種使用兩個(gè)VGG16模...

【文章頁(yè)數(shù)】：76 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 果園獼猴桃果實(shí)檢測(cè)方法研究現(xiàn)狀
        1.2.2 多源信息融合果實(shí)檢測(cè)研究現(xiàn)狀
        1.2.3 果實(shí)定位方法研究現(xiàn)狀
    1.3 主要研究?jī)?nèi)容及技術(shù)路線
第二章 對(duì)齊的多源獼猴桃數(shù)據(jù)集構(gòu)建
    2.1 獼猴桃的種植模式及圖像獲取設(shè)備
        2.1.1 獼猴桃的種植模式
        2.1.2 獼猴桃圖像獲取設(shè)備
    2.2 基于Kinect V2 獼猴桃圖像獲取及預(yù)處理方法
        2.2.1 基于Kinect V2 獼猴桃圖像獲取方法
        2.2.2 獼猴桃圖像預(yù)處理方法
    2.3 基于Real Sense D435 獼猴桃圖像獲取及預(yù)處理方法
        2.3.1 基于Real Sense D435 獼猴桃圖像獲取方法
        2.3.2 獼猴桃圖像預(yù)處理方法
    2.4 獼猴桃數(shù)據(jù)集處理
        2.4.1 數(shù)據(jù)圖像擴(kuò)增
        2.4.2 數(shù)據(jù)圖像標(biāo)注
        2.4.3 數(shù)據(jù)集劃分
    2.5 本章小結(jié)
第三章 基于多源信息融合的獼猴桃檢測(cè)算法研究
    3.1 基于Faster R-CNN的獼猴桃檢測(cè)模型
        3.1.1 網(wǎng)絡(luò)模型結(jié)構(gòu)
        3.1.2 網(wǎng)絡(luò)模型組成
        3.1.3 網(wǎng)絡(luò)訓(xùn)練方法
    3.2 基于多源信息融合的改進(jìn)Faster R-CNN模型
        3.2.1 模型初始化
        3.2.2 圖像融合模型
        3.2.3 特征融合模型
    3.3 檢測(cè)模型驗(yàn)證方法
        3.3.1 試驗(yàn)環(huán)境與配置
        3.3.2 網(wǎng)絡(luò)模型參數(shù)
        3.3.3 獼猴桃果實(shí)分類(lèi)
        3.3.4 評(píng)價(jià)指標(biāo)
    3.4 本章小結(jié)
第四章 基于多源信息融合的獼猴桃檢測(cè)模型實(shí)驗(yàn)結(jié)果與分析
    4.1 基于Kinect V2 的獼猴桃檢測(cè)模型實(shí)驗(yàn)結(jié)果與分析
        4.1.1 修復(fù)前后獼猴桃檢測(cè)模型對(duì)比分析
        4.1.2 四種模型檢測(cè)效果對(duì)比分析
        4.1.3 不同類(lèi)型果實(shí)的檢測(cè)結(jié)果對(duì)比分析
    4.2 基于Real Sense D435 的獼猴桃檢測(cè)模型實(shí)驗(yàn)結(jié)果與分析
        4.2.1 修復(fù)前后獼猴桃檢測(cè)模型對(duì)比分析
        4.2.2 四種模型檢測(cè)效果對(duì)比分析
        4.2.3 不同類(lèi)型果實(shí)的檢測(cè)結(jié)果對(duì)比分析
    4.3 Real Sense D435與Kinect V2 檢測(cè)模型實(shí)驗(yàn)結(jié)果對(duì)比分析
    4.4 不同獼猴桃檢測(cè)模型實(shí)驗(yàn)結(jié)果對(duì)比分析
    4.5 本章小結(jié)
第五章 基于RGB-D相機(jī)的獼猴桃定位方法研究
    5.1 Real Sense D435和Kinect V2 相機(jī)深度測(cè)量原理
        5.1.1 Real Sense D435 深度測(cè)量原理
        5.1.2 Kinect V2 深度測(cè)量原理
    5.2 Kinect V2 相機(jī)和Real Sense D435 相機(jī)的精度對(duì)比
    5.3 Real Sense D435 相機(jī)標(biāo)定及空間坐標(biāo)轉(zhuǎn)換方法
        5.3.1 基于張正友算法的Real Sense D435 相機(jī)標(biāo)定
        5.3.2 空間坐標(biāo)轉(zhuǎn)換與定位方法
    5.4 基于Real Sense D435 的獼猴桃果實(shí)定位結(jié)果與分析
        5.4.1 果實(shí)定位實(shí)驗(yàn)
        5.4.2 實(shí)驗(yàn)結(jié)果與分析
    5.5 本章小結(jié)
第六章 結(jié)論與展望
    6.1 結(jié)論
    6.2 創(chuàng)新點(diǎn)
    6.3 展望
參考文獻(xiàn)
致謝
個(gè)人簡(jiǎn)歷



本文編號(hào)：3810084