【摘要】：采摘機(jī)器人的應(yīng)用有助于節(jié)省油茶果采收所需的人工工作量與費(fèi)用,能夠大大的提高工作效率。如何在采摘過(guò)程中對(duì)傳感器采集到的自然圖像進(jìn)行高效的識(shí)別檢測(cè)與目標(biāo)分割已成為制約采摘機(jī)器人應(yīng)用的重要技術(shù)節(jié)點(diǎn)。因此,對(duì)自然光照環(huán)境下油茶果識(shí)別技術(shù)進(jìn)行研究,對(duì)于油茶行業(yè)具有十分重要的現(xiàn)實(shí)意義與廣闊的應(yīng)用前景。本論文主要針對(duì)以下幾個(gè)方面展開(kāi)研究工作:針對(duì)自然光照環(huán)境下油茶果圖像的自身特點(diǎn),分析現(xiàn)有的特征提取與識(shí)別分類(lèi)方法所存在的不足,提出了基于改進(jìn)卷積自編碼機(jī)的油茶果識(shí)別分類(lèi)網(wǎng)絡(luò)。在卷積自編碼器的基礎(chǔ)上,對(duì)特征提取模塊進(jìn)行改造,利用并聯(lián)的不同尺寸的分解卷積核實(shí)現(xiàn)對(duì)不同類(lèi)型特征的學(xué)習(xí),提高網(wǎng)絡(luò)的學(xué)習(xí)能力、識(shí)別性能、速度性能以及穩(wěn)定性。基于采摘機(jī)器人的圖像識(shí)別任務(wù)流程,提出了一種基于改進(jìn)mask rcnn網(wǎng)絡(luò)的油茶果檢測(cè)分割方法。鑒于油茶果識(shí)別任務(wù)對(duì)網(wǎng)絡(luò)深度要求較低,速度性能要求較高的特點(diǎn),將改進(jìn)卷積自編碼機(jī)網(wǎng)絡(luò)作為改進(jìn)mask rcnn網(wǎng)絡(luò)的特征提取網(wǎng)絡(luò),提高網(wǎng)絡(luò)的速度性能使得網(wǎng)絡(luò)具有實(shí)時(shí)性。利用金字塔特征網(wǎng)絡(luò)對(duì)上下文特征進(jìn)行融合,對(duì)不同尺度下的特征圖像進(jìn)行學(xué)習(xí)。在此基礎(chǔ)上,利用區(qū)域推薦網(wǎng)絡(luò)生成候選窗口,并對(duì)其進(jìn)行分類(lèi)與分割,實(shí)現(xiàn)實(shí)際圖像上對(duì)油茶果的檢測(cè)、識(shí)別、分類(lèi)與分割一體化處理。結(jié)合油茶果自身生長(zhǎng)特性,光照環(huán)境的多樣性以及對(duì)應(yīng)的兩種網(wǎng)絡(luò)的特性,對(duì)油茶果圖像進(jìn)行進(jìn)一步的處理,分別構(gòu)建合適的數(shù)據(jù)集。利用上述數(shù)據(jù)集以及對(duì)比算法,結(jié)合自然光照條件下采集到的油茶果圖像對(duì)兩種網(wǎng)絡(luò)進(jìn)行了仿真實(shí)驗(yàn)。實(shí)驗(yàn)證明,改進(jìn)卷積自編碼器網(wǎng)絡(luò)具有良好的識(shí)別分類(lèi)能力與速度性能,網(wǎng)絡(luò)結(jié)構(gòu)也擁有較好的穩(wěn)定性;改進(jìn)mask rcnn網(wǎng)絡(luò)繼承了mask rcnn網(wǎng)絡(luò)在識(shí)別、檢測(cè)與分割任務(wù)上的高性能,并在速度性能上有進(jìn)一步的提高,具有一定的實(shí)時(shí)性。同時(shí)對(duì)檢測(cè)分割網(wǎng)絡(luò)進(jìn)行了實(shí)地檢測(cè),實(shí)驗(yàn)證明了改進(jìn)mask rcnn網(wǎng)絡(luò)在實(shí)際條件下的可行性,驗(yàn)證了網(wǎng)絡(luò)的實(shí)用性與有效性。
【圖文】：

圖１．１自編碼機(jī)結(jié)構(gòu)逡逑Ｆｉｇ邋１．１邋Ｓｔｒｕｃｔｕｒｅ邋ｏｆ邋ａｕｔｏ－ｅｎｃｏｄｅｒ逡逑構(gòu)通常是“編碼器－解碼器”的模式，上圖是一個(gè)編碼器與解碼器均為單層全連接神經(jīng)網(wǎng)絡(luò)。輸入Ｘｇｐ：逡逑／？邋＝邋ｆ｛Ｗ，ｘ邋＋邋ｂ，，）非線性激活函數(shù)，一般為ｓｉｇｍｏｉｄ或者ＲｅＬＵ函數(shù)。輸入ｘ，，即：逡逑ｘ，＝ｆ（Ｗ２ｈ邋＋邋ｂ２）編碼機(jī)選取其隱層輸出作為數(shù)據(jù)的特征，因?yàn)殡[層也被稱(chēng)作瓶頸特征。而在一些應(yīng)用中，也會(huì)將隱層征維度大，此時(shí)隱層學(xué)習(xí)到的特征是輸入特征的過(guò)；通常這種場(chǎng)景會(huì)配介稀疏性約束一起應(yīng)叫，以完成經(jīng)過(guò)編碼器后再經(jīng)過(guò)一個(gè)解碼器，得到原始數(shù)據(jù)的重

卷積自編碼器對(duì)輸入圖像進(jìn)行卷積操作以獲得輸出的特征圖像輸出并得到隱逡逑藏層，這個(gè)過(guò)程被稱(chēng)為卷積編碼；解碼器使用反卷積操作將隱藏層重建得到與輸逡逑入層相同維度的輸出層，稱(chēng)為卷積解碼。圖２．］是卷積自編碼器的操作示意圖。逡逑卷積自編碼器中需要學(xué)習(xí)參數(shù)＝邐其中６與丨ｒ是編碼過(guò)程中的參數(shù)，斤與逡逑ＨＺ？是解碼過(guò)程中的參數(shù)，具體實(shí)現(xiàn)中一般選擇關(guān)聯(lián)Ｆ與Ｆ邋＝逡逑ｘ邐ｙ邋＾邋ｘ逡逑ｎ＇ｘＨｊＤ邐Ｗ２ｘＨ，ｘＫ邋ＪＶ＾ｘＨ，邋ｘＤ逡逑圖２．１卷積自編碼器逡逑Ｆｉｇ邋２．１邋Ｃｏｎｖｏｌｕｔｉｏｎ邋ａｕｔｏ－ｅｎｃｏｄｅｒ逡逑參照深度信念網(wǎng)絡(luò)的組成思想，將多個(gè)自編碼機(jī)仿照ＲＢＭ通過(guò)堆疊的方式構(gòu)逡逑造起來(lái)的深度神經(jīng)網(wǎng)絡(luò)被稱(chēng)為棧式自編碼機(jī)…（ＳｔａｃｋｅｄＡｕｔｏ－ｅｎｃｏｄｅｒ）。其訓(xùn)練逡逑１２逡逑
【學(xué)位授予單位】：中南林業(yè)科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類(lèi)號(hào)】：S794.4;TP391.41;TP183

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 馮國(guó)坤;饒洪輝;許朋;劉木華;;油茶果機(jī)械采摘裝備與技術(shù)研究現(xiàn)狀[J];中國(guó)農(nóng)機(jī)化學(xué)報(bào);2015年05期

2 賈偉寬;趙德安;劉曉洋;唐書(shū)萍;阮承治;姬偉;;機(jī)器人采摘蘋(píng)果果實(shí)的K-means和GA-RBF-LMS神經(jīng)網(wǎng)絡(luò)識(shí)別[J];農(nóng)業(yè)工程學(xué)報(bào);2015年18期

3 王丹丹;徐越;宋懷波;何東健;張海輝;;融合K-means與Ncut算法的無(wú)遮擋雙重疊蘋(píng)果目標(biāo)分割與重建[J];農(nóng)業(yè)工程學(xué)報(bào);2015年10期

4 徐越;李盈慧;宋懷波;何東健;;基于Snake模型與角點(diǎn)檢測(cè)的雙果重疊蘋(píng)果目標(biāo)分割方法[J];農(nóng)業(yè)工程學(xué)報(bào);2015年01期

5 馬力;鐘海雁;陳永忠;彭邵鋒;朱寧科;陳隆升;王瑞;;油茶果采后處理對(duì)油茶籽內(nèi)在品質(zhì)的影響研究[J];中國(guó)糧油學(xué)報(bào);2014年12期

6 馬曉丹;劉剛;周薇;馮娟;;基于量子遺傳模糊神經(jīng)網(wǎng)絡(luò)的蘋(píng)果果實(shí)識(shí)別[J];農(nóng)業(yè)機(jī)械學(xué)報(bào);2013年12期

7 余凱;賈磊;陳雨強(qiáng);徐偉;;深度學(xué)習(xí)的昨天、今天和明天[J];計(jì)算機(jī)研究與發(fā)展;2013年09期

8 王海青;姬長(zhǎng)英;顧寶興;田光兆;;基于參數(shù)自適應(yīng)脈沖耦合神經(jīng)網(wǎng)絡(luò)的黃瓜目標(biāo)分割[J];農(nóng)業(yè)機(jī)械學(xué)報(bào);2013年03期

9 王福杰;饒秀勤;應(yīng)義斌;;蘋(píng)果圖像的背景分割與目標(biāo)提取[J];農(nóng)業(yè)機(jī)械學(xué)報(bào);2013年01期

10 李昕;李立君;高自成;易春峰;李慶春;;改進(jìn)類(lèi)圓隨機(jī)Hough變換及其在油茶果實(shí)遮擋識(shí)別中的應(yīng)用[J];農(nóng)業(yè)工程學(xué)報(bào);2013年01期

相關(guān)碩士學(xué)位論文 前9條

1 汪洋;基于改進(jìn)SIFT算法的油茶果雙目圖像匹配研究[D];中南林業(yè)科技大學(xué);2018年

2 高華照;基于深度卷積神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別算法研究[D];吉林大學(xué);2018年

3 林中琦;基于卷積神經(jīng)網(wǎng)絡(luò)的小麥葉部病害圖像識(shí)別研究[D];山東農(nóng)業(yè)大學(xué);2018年

4 白寶林;基于改進(jìn)的Mask R-CNN的車(chē)輛識(shí)別及檢測(cè)[D];安徽大學(xué);2018年

5 王浩;基于視覺(jué)的行人檢測(cè)技術(shù)研究[D];遼寧工業(yè)大學(xué);2018年

6 楊雯杰;基于皮膚鏡圖像的皮損區(qū)域識(shí)別研究[D];電子科技大學(xué);2018年

7 吳川北;基于卷積自編碼神經(jīng)網(wǎng)絡(luò)的肺結(jié)節(jié)檢測(cè)[D];華中科技大學(xué);2017年

8 曹本;基于深度學(xué)習(xí)特征提取的人臉認(rèn)證算法研究[D];東南大學(xué);2017年

9 石良德;成熟油茶果識(shí)別與定位系統(tǒng)[D];湖南大學(xué);2012年

本文編號(hào)：2696715