未成熟芒果的自動目標檢測是實現智能噴施、生長態(tài)勢監(jiān)測和早期產量估計等芒果種植管理的重要前提。計算機視覺技術為水果目標檢測提供了有效、便捷的方法,成為國內外主流的檢測技術手段。在果園場景下,由于光照的多樣性、背景的復雜性及芒果與樹葉顏色的高度相似性,特別是樹葉和枝干對果實的遮擋及果實相互重疊,給未成熟芒果檢測帶來極大的挑戰(zhàn)。深度卷積神經網絡通過深層卷積,可提取比傳統(tǒng)手工設計特征更加豐富、抽象的卷積特征,具有更加精確、快速的目標檢測能力,近年來受到極為廣泛的關注。因此,本文基于區(qū)域生成、回歸兩類深度學習目標檢測方法,研究果園場景下未成熟芒果的目標檢測,并設計芒果檢測視覺系統(tǒng),實現了果園場景下的果實高精度、快速檢測。主要研究工作與創(chuàng)新如下:（1）芒果圖像數據集的建立。通過果園實地采集芒果圖像與人工標注,建立芒果圖像數據集。為降低自然場景圖像受光照的影響,在HSI色彩模型中使用自適應直方圖均衡化方法提高圖像質量、提升圖像多樣性。針對自然場景下芒果易被遮擋或相互重疊等情形,提出用訓練樣本目標前景區(qū)域標注加強芒果前景區(qū)域卷積特征學習的方法,減少深度卷積網絡訓練過程中對非目標特征的提取。為進一步擴大... 

【文章來源】：華南農業(yè)大學廣東省

【文章頁數】：76 頁

【學位級別】：碩士

【部分圖文】：

HOG特征提取

圖 2.4 兩層神經網絡結構（未考慮偏置） 90 年代，LeCun 等人（1998）發(fā)表論文，確立并完善了nal Neural Network，CNN）結構。他們提出的手寫字體識期經典的卷積神經網絡結構。2006 年，Hinton（2006）在表論文，首次提出“深度置信網絡”（DeepBeliefNetwork就此嶄露頭角。2012 年的 ImageNet 大規(guī)模視覺識別挑戰(zhàn)Alex Krizhevsky 設計了多層的卷積神經網絡，并用包含一集進行模型訓練，以高出第二名約 11 個百分點的成績奪絡，就是著名的 AlexNet。自此，有關深度卷積神經網絡圖像識別、語音識別等眾多領域取得了突破性成績。ZFN ResNet 等均是近幾年來眾多卷積神經網絡中的經典網絡。特點

圖 2.5 卷積運算示例（2）池化層池化層（Pooling Layer）又稱下采樣層，其功能為對該層輸入進行下采樣操作，主要作用是減小特征圖尺寸，簡化網絡計算復雜度。通過稀疏特征圖，網絡模型不僅可以提取更主要的特征，還可以降低由輸入的輕微位移、形變等造成的干擾，避免訓練過擬合。常用的池化層類型有最大池化、均值池化、高斯池化等。圖 2.6 所示為最大池化的實現過程。

【參考文獻】：
期刊論文
[1]基于卷積神經網絡的田間多簇獼猴桃圖像識別方法[J]. 傅隆生,馮亞利,Elkamil Tola,劉智豪,李瑞,崔永杰.  農業(yè)工程學報. 2018(02)
[2]如何提高芒果種植效率[J]. 施茹萍.  農業(yè)與技術. 2017(08)
[3]2015年芒果產業(yè)發(fā)展報告及形勢[J]. 徐磊磊.  世界熱帶農業(yè)信息. 2016(11)
[4]山地芒果高產優(yōu)質種植技術的思考[J]. 農學明.  南方農業(yè). 2016(27)
[5]基于顯著性檢測與改進Hough變換方法識別未成熟番茄[J]. 馬翠花,張學平,李育濤,林松,肖德琴,張連寬.  農業(yè)工程學報. 2016(14)
[6]近色背景中樹上綠色蘋果識別方法[J]. 張春龍,張楫,張俊雄,李偉.  農業(yè)機械學報. 2014(10)
[7]變化光照下樹上柑橘目標檢測與遮擋輪廓恢復技術[J]. 盧軍,桑農.  農業(yè)機械學報. 2014(04)
[8]基于量子遺傳模糊神經網絡的蘋果果實識別[J]. 馬曉丹,劉剛,周薇,馮娟.  農業(yè)機械學報. 2013(12)
[9]我國芒果產業(yè)現狀與發(fā)展策略[J]. 李日旺,黃國弟,蘇美花,周俊岸,陳永森.  南方農業(yè)學報. 2013(05)
[10]基于機器視覺自然場景下成熟柑橘識別[J]. 蔡健榮,周小軍,李玉良,范軍.  農業(yè)工程學報. 2008(01)



本文編號：2939643