準(zhǔn)確、快速的果實識別方法是柑橘采摘機器人實現(xiàn)智能、高效作業(yè)的重要前提,傳統(tǒng)識別方法精確度有限,泛化能力不強,特別是識別速度較慢,難以滿足柑橘實時識別要求。本文提出了基于改進SSD深度學(xué)習(xí)模型的柑橘實時識別方法,主要內(nèi)容如下:首先,對經(jīng)典SSD模型進行改進,設(shè)計了SSD_MobileNetV2模型。在基礎(chǔ)卷積層,使用輕量化的MobileNetV2網(wǎng)絡(luò)替代權(quán)重眾多的VGG-16網(wǎng)絡(luò);在輔助卷積層,使用反向殘差結(jié)構(gòu)替代傳統(tǒng)卷積結(jié)構(gòu),充當(dāng)該層的基礎(chǔ)結(jié)構(gòu);設(shè)置更加符合柑橘果實幾何特征的先驗框?qū)捀弑�。然�?構(gòu)建柑橘圖像和視頻數(shù)據(jù)集。對不同像素面積、不同光照條件、不同果實狀態(tài)的柑橘果實進行圖像采集。利用自適應(yīng)直方圖均衡化方法對不良圖像進行預(yù)處理。使用鏡像、旋轉(zhuǎn)等方法進行數(shù)據(jù)擴增。為了提高模型對遮擋重疊果實的識別能力,手工標(biāo)注遮擋重疊果實的前景區(qū)域。對果實區(qū)域采用仰視、水平和俯視三個角度進行視頻采集,增強柑橘樣本的多樣性。最后,進行柑橘識別模型訓(xùn)練和試驗。利用遷移學(xué)習(xí)的方式加快訓(xùn)練速度。確定訓(xùn)練總損失函數(shù)和訓(xùn)練參數(shù),采用學(xué)習(xí)率衰減法、動量項等方法優(yōu)化訓(xùn)練過程,選擇性能最佳的模型作為... 

【文章頁數(shù)】：66 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景與意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 采摘機器人研究現(xiàn)狀
        1.2.2 果實識別方法研究現(xiàn)狀
    1.3 主要研究內(nèi)容與技術(shù)路線
        1.3.1 研究內(nèi)容
        1.3.2 技術(shù)路線
    1.4 創(chuàng)新點
    1.5 本章小結(jié)
第2章 基于改進SSD深度學(xué)習(xí)模型的柑橘實時識別方法
    2.1 卷積神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)理論
    2.2 基于深度學(xué)習(xí)的目標(biāo)檢測模型
        2.2.1 基于候選區(qū)域的目標(biāo)檢測模型
        2.2.2 基于回歸思想的目標(biāo)檢測模型
    2.3 改進SSD深度學(xué)習(xí)模型
        2.3.1 MobileNetV2網(wǎng)絡(luò)
        2.3.2 改進SSD深度學(xué)習(xí)模型結(jié)構(gòu)
    2.4 基于改進SSD深度學(xué)習(xí)模型的柑橘實時識別方法
    2.5 本章小結(jié)
第3章 柑橘圖像和視頻數(shù)據(jù)集的構(gòu)建
    3.1 柑橘圖像數(shù)據(jù)集的構(gòu)建
        3.1.1 原始圖像樣本采集
        3.1.2 圖像預(yù)處理
        3.1.3 數(shù)據(jù)增強
        3.1.4 樣本標(biāo)注
        3.1.5 圖像數(shù)據(jù)集準(zhǔn)備
    3.2 柑橘視頻數(shù)據(jù)集的構(gòu)建
    3.3 本章小結(jié)
第4章 柑橘識別模型訓(xùn)練與試驗
    4.1 模型參數(shù)設(shè)定與訓(xùn)練
        4.1.1 試驗平臺
        4.1.2 遷移學(xué)習(xí)
        4.1.3 先驗框尺寸的選擇
        4.1.4 損失函數(shù)
        4.1.5 試驗評價指標(biāo)
        4.1.6 訓(xùn)練參數(shù)設(shè)定
    4.2 試驗驗證與結(jié)果分析
        4.2.1 模型改進前后的識別結(jié)果
        4.2.2 使用目標(biāo)前景區(qū)域標(biāo)注的識別結(jié)果
        4.2.3 與其他識別方法的對比試驗
    4.3 基于樹莓派設(shè)備的視頻流柑橘識別試驗
        4.3.1 樹莓派設(shè)備
        4.3.2 運行環(huán)境搭建和模型移植
        4.3.3 試驗結(jié)果
    4.4 本章小結(jié)
第5章 總結(jié)與展望
    5.1 論文總結(jié)
    5.2 研究展望
參考文獻
作者攻讀學(xué)位期間的科研成果
致謝


【參考文獻】：
期刊論文
[1]氣電混合驅(qū)動全天候蘋果收獲機器人設(shè)計與試驗[J]. 趙德安,吳任迪,劉曉洋,張小超,姬偉.  農(nóng)業(yè)機械學(xué)報. 2020(02)
[2]基于超像素特征的蘋果采摘機器人果實分割方法[J]. 劉曉洋,趙德安,賈偉寬,阮承治,姬偉.  農(nóng)業(yè)機械學(xué)報. 2019(11)
[3]我國柑橘生產(chǎn)現(xiàn)狀及未來前景展望[J]. 沈兆敏.  科學(xué)種養(yǎng). 2019(09)
[4]基于深度學(xué)習(xí)的小目標(biāo)檢測研究綜述[J]. 劉曉楠,王正平,賀云濤,劉倩.  戰(zhàn)術(shù)導(dǎo)彈技術(shù). 2019(01)
[5]基于SVM和AdaBoost的棉葉螨危害等級識別[J]. 楊麗麗,張大衛(wèi),羅君,王振鵬,吳才聰.  農(nóng)業(yè)機械學(xué)報. 2019(02)
[6]自然環(huán)境下多類水果采摘目標(biāo)識別的通用改進SSD模型[J]. 彭紅星,黃博,邵園園,李澤森,張朝武,陳燕,熊俊濤.  農(nóng)業(yè)工程學(xué)報. 2018(16)
[7]基于改進Faster R-CNN識別深度視頻圖像哺乳母豬姿態(tài)[J]. 薛月菊,朱勛沐,鄭嬋,毛亮,楊阿慶,涂淑琴,黃寧,楊曉帆,陳鵬飛,張南峰.  農(nóng)業(yè)工程學(xué)報. 2018(09)
[8]未成熟芒果的改進YOLOv2識別方法[J]. 薛月菊,黃寧,涂淑琴,毛亮,楊阿慶,朱勛沐,楊曉帆,陳鵬飛.  農(nóng)業(yè)工程學(xué)報. 2018(07)
[9]自然環(huán)境下綠色柑橘視覺檢測技術(shù)研究[J]. 熊俊濤,劉振,湯林越,林睿,卜榕彬,彭紅星.  農(nóng)業(yè)機械學(xué)報. 2018(04)
[10]夾剪一體的荔枝采摘末端執(zhí)行器設(shè)計與性能試驗[J]. 陳燕,蔣志林,李嘉威,王佳盛,劉威威,鄒湘軍.  農(nóng)業(yè)機械學(xué)報. 2018(01)

博士論文
[1]柑橘采摘機器人工作場景信息感知技術(shù)與路徑規(guī)劃研究[D]. 呂強.江蘇大學(xué) 2010



本文編號：3712159