【摘要】：采摘機器人的應用有助于節(jié)省油茶果采收所需的人工工作量與費用,能夠大大的提高工作效率。如何在采摘過程中對傳感器采集到的自然圖像進行高效的識別檢測與目標分割已成為制約采摘機器人應用的重要技術節(jié)點。因此,對自然光照環(huán)境下油茶果識別技術進行研究,對于油茶行業(yè)具有十分重要的現(xiàn)實意義與廣闊的應用前景。本論文主要針對以下幾個方面展開研究工作:針對自然光照環(huán)境下油茶果圖像的自身特點,分析現(xiàn)有的特征提取與識別分類方法所存在的不足,提出了基于改進卷積自編碼機的油茶果識別分類網(wǎng)絡。在卷積自編碼器的基礎上,對特征提取模塊進行改造,利用并聯(lián)的不同尺寸的分解卷積核實現(xiàn)對不同類型特征的學習,提高網(wǎng)絡的學習能力、識別性能、速度性能以及穩(wěn)定性�；诓烧獧C器人的圖像識別任務流程,提出了一種基于改進mask rcnn網(wǎng)絡的油茶果檢測分割方法。鑒于油茶果識別任務對網(wǎng)絡深度要求較低,速度性能要求較高的特點,將改進卷積自編碼機網(wǎng)絡作為改進mask rcnn網(wǎng)絡的特征提取網(wǎng)絡,提高網(wǎng)絡的速度性能使得網(wǎng)絡具有實時性。利用金字塔特征網(wǎng)絡對上下文特征進行融合,對不同尺度下的特征圖像進行學習。在此基礎上,利用區(qū)域推薦網(wǎng)絡生成候選窗口,并對其進行分類與分割,實現(xiàn)實際圖像上對油茶果的檢測、識別、分類與分割一體化處理。結(jié)合油茶果自身生長特性,光照環(huán)境的多樣性以及對應的兩種網(wǎng)絡的特性,對油茶果圖像進行進一步的處理,分別構(gòu)建合適的數(shù)據(jù)集。利用上述數(shù)據(jù)集以及對比算法,結(jié)合自然光照條件下采集到的油茶果圖像對兩種網(wǎng)絡進行了仿真實驗。實驗證明,改進卷積自編碼器網(wǎng)絡具有良好的識別分類能力與速度性能,網(wǎng)絡結(jié)構(gòu)也擁有較好的穩(wěn)定性;改進mask rcnn網(wǎng)絡繼承了mask rcnn網(wǎng)絡在識別、檢測與分割任務上的高性能,并在速度性能上有進一步的提高,具有一定的實時性。同時對檢測分割網(wǎng)絡進行了實地檢測,實驗證明了改進mask rcnn網(wǎng)絡在實際條件下的可行性,驗證了網(wǎng)絡的實用性與有效性。
【圖文】：

圖１．１自編碼機結(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，上圖是一個編碼器與解碼器均為單層全連接神經(jīng)網(wǎng)絡。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）編碼機選取其隱層輸出作為數(shù)據(jù)的特征，因為隱層也被稱作瓶頸特征。而在一些應用中，也會將隱層征維度大，此時隱層學習到的特征是輸入特征的過；通常這種場景會配介稀疏性約束一起應叫，以完成經(jīng)過編碼器后再經(jīng)過一個解碼器，得到原始數(shù)據(jù)的重

卷積自編碼器對輸入圖像進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，這個過程被稱為卷積編碼；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習參數(shù)＝邐其中６與丨ｒ是編碼過程中的參數(shù)，斤與逡逑ＨＺ？是解碼過程中的參數(shù)，具體實現(xiàn)中一般選擇關聯(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)絡的組成思想，將多個自編碼機仿照ＲＢＭ通過堆疊的方式構(gòu)逡逑造起來的深度神經(jīng)網(wǎng)絡被稱為棧式自編碼機…（ＳｔａｃｋｅｄＡｕｔｏ－ｅｎｃｏｄｅｒ）。其訓練逡逑１２逡逑
【學位授予單位】：中南林業(yè)科技大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：S794.4;TP391.41;TP183

【參考文獻】

相關期刊論文 前10條

1 馮國坤;饒洪輝;許朋;劉木華;;油茶果機械采摘裝備與技術研究現(xiàn)狀[J];中國農(nóng)機化學報;2015年05期

2 賈偉寬;趙德安;劉曉洋;唐書萍;阮承治;姬偉;;機器人采摘蘋果果實的K-means和GA-RBF-LMS神經(jīng)網(wǎng)絡識別[J];農(nóng)業(yè)工程學報;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算法的無遮擋雙重疊蘋果目標分割與重建[J];農(nóng)業(yè)工程學報;2015年10期

4 徐越;李盈慧;宋懷波;何東健;;基于Snake模型與角點檢測的雙果重疊蘋果目標分割方法[J];農(nóng)業(yè)工程學報;2015年01期

5 馬力;鐘海雁;陳永忠;彭邵鋒;朱寧科;陳隆升;王瑞;;油茶果采后處理對油茶籽內(nèi)在品質(zhì)的影響研究[J];中國糧油學報;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)絡的蘋果果實識別[J];農(nóng)業(yè)機械學報;2013年12期

7 余凱;賈磊;陳雨強;徐偉;;深度學習的昨天、今天和明天[J];計算機研究與發(fā)展;2013年09期

8 王海青;姬長英;顧寶興;田光兆;;基于參數(shù)自適應脈沖耦合神經(jīng)網(wǎng)絡的黃瓜目標分割[J];農(nóng)業(yè)機械學報;2013年03期

9 王福杰;饒秀勤;應義斌;;蘋果圖像的背景分割與目標提取[J];農(nóng)業(yè)機械學報;2013年01期

10 李昕;李立君;高自成;易春峰;李慶春;;改進類圓隨機Hough變換及其在油茶果實遮擋識別中的應用[J];農(nóng)業(yè)工程學報;2013年01期

相關碩士學位論文 前9條

1 汪洋;基于改進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;2018年

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

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

4 白寶林;基于改進的Mask R-CNN的車輛識別及檢測[D];安徽大學;2018年

5 王浩;基于視覺的行人檢測技術研究[D];遼寧工業(yè)大學;2018年

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

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

8 曹本;基于深度學習特征提取的人臉認證算法研究[D];東南大學;2017年

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

本文編號：2696715