中國是世界農(nóng)業(yè)生產(chǎn)大國,采摘業(yè)是農(nóng)業(yè)生產(chǎn)中的重要環(huán)節(jié),每年需要大量人力在指定季節(jié)內(nèi)快速集中采摘果實。隨著我國農(nóng)業(yè)從業(yè)人數(shù)的大幅下降和勞動力成本的上升,急需開展采摘機器人的研究,實現(xiàn)智能化采摘,其中果實目標(biāo)的定位檢測與分類識別的精度是至關(guān)重要的環(huán)節(jié)。因此,本文針對自然環(huán)境中的果實,開展了果實采摘機器人視覺系統(tǒng)的研究與設(shè)計,為實現(xiàn)高性能采摘機器人奠定基礎(chǔ)。本文主要的研究工作及取得的研究成果如下:（1）針對果實采摘機器人視覺系統(tǒng)在農(nóng)業(yè)采摘中的需求,構(gòu)建了果實圖像數(shù)據(jù)庫,完成了果實目標(biāo)定位與識別。首先研究了Faster R-CNN算法,用于果實目標(biāo)的定位檢測;然后針對卷積神經(jīng)網(wǎng)絡(luò)VGGNet算法的網(wǎng)絡(luò)層數(shù)多、運算量大、運算時間長等不足,根據(jù)本文實際場景需求,提出了改進型VGGNet算法,使用Adam優(yōu)化算法替代傳統(tǒng)的隨機梯度下降算法,用于更新網(wǎng)絡(luò)的權(quán)值參數(shù)和自主調(diào)整學(xué)習(xí)速率,最終實現(xiàn)對果實目標(biāo)的分類識別。（2）搭建了視覺系統(tǒng)的硬件平臺和軟件環(huán)境,并開展了室內(nèi)模擬實驗。在Keras框架下編寫視覺系統(tǒng)程序,進行了5種果實的圖像數(shù)據(jù)訓(xùn)練并生成模型。在PC端對視覺系統(tǒng)測試成功后,將程序移植到樹莓派3b... 

【文章來源】：長春理工大學(xué)吉林省

【文章頁數(shù)】：62 頁

【學(xué)位級別】：碩士

【部分圖文】：

采摘機器人

第2章果實采摘機器人視覺系統(tǒng)的算法研究8方法1：平均值法平均值法是將彩色圖像數(shù)據(jù)中的RGB三個分量的像素值進行平均，經(jīng)計算得到一個灰度值，公式如下：Gray(j)()GjiRi(j)++=()(jiBi)3,,,,（2-2）方法2：最大值法對于彩色圖像數(shù)據(jù)中的RGB三個分量，選擇亮度的最大值作為灰度圖的灰度值，公式如下：Gray(j)()GjiRi(j)++=(,,,max,){jiBi}（2-3）方法3：加權(quán)平均法加權(quán)平均法是一種最常用的灰度轉(zhuǎn)換方法，人眼對自然環(huán)境中的綠色最為敏感，對藍色敏感度最低，將三個分量以不同的權(quán)值進行加權(quán)平均能得到較合理的灰度圖像，公式如下：Gray(j)()GjiRi(j)×+×+×=(,114.0,578.0,299.0,jiBi)（2-4）本文選用加權(quán)平均法對果實圖像進行灰度轉(zhuǎn)換，得到的果實圖像灰度圖效果最好，亮度較為明顯。果實圖像的灰度轉(zhuǎn)換如圖2.1所示，其中圖（a）為數(shù)據(jù)庫中的一張原始果實圖像，該圖像為RGB三通道彩色圖像，使用加權(quán)平均法進行圖像灰度化處理后，可得到該果實圖像的灰度圖，如圖（b）所示，該果實圖像的灰度圖為單通道圖像。（a）（b）圖2.1果實圖像的灰度轉(zhuǎn)換（a）數(shù)據(jù)庫中的果實圖像；（b）果實圖像灰度圖（2）圖像歸一化當(dāng)果實圖像數(shù)據(jù)輸入到卷積神經(jīng)網(wǎng)絡(luò)做樣本訓(xùn)練之前，在圖像預(yù)處理環(huán)節(jié)中還需要進行圖像歸一化處理，將其變換為固定標(biāo)準(zhǔn)形式，使圖像數(shù)據(jù)在卷積神經(jīng)網(wǎng)絡(luò)中進

第2章果實采摘機器人視覺系統(tǒng)的算法研究10下來果實圖像數(shù)據(jù)輸入到卷積神經(jīng)網(wǎng)絡(luò)中進行訓(xùn)練做好了鋪墊。圖像歸一化后有以下兩個好處：（a）提升卷積神經(jīng)網(wǎng)絡(luò)模型在訓(xùn)練數(shù)據(jù)時的收斂速度；（b）提升卷積神經(jīng)網(wǎng)絡(luò)模型中分類器的準(zhǔn)確性。如下圖2.2所示，以數(shù)據(jù)集中的一張果實灰度圖為例，采用min-max標(biāo)準(zhǔn)化的方法對其進行圖像歸一化處理。其中圖（a）為原始的果實灰度圖，圖（b）為經(jīng)歸一化處理后的結(jié)果圖。（a）（b）圖2.2圖像歸一化處理（a）原始的果實灰度圖；（b）歸一化處理后的結(jié)果圖（3）圖像增強在圖像預(yù)處理環(huán)節(jié)中，經(jīng)常會用到ImageDataGenerator（）來進行圖像增強，通過擴充數(shù)據(jù)集大小可以有效避免圖像數(shù)據(jù)集輸入到卷積神經(jīng)網(wǎng)絡(luò)中進行訓(xùn)練時發(fā)生過擬合現(xiàn)象。在本文使用的Keras框架中，采用Keras.preprocessing.imgae模塊中的ImageDataGenerator（）作為本文搭建的卷積神經(jīng)網(wǎng)絡(luò)模型中的果實圖像生成器，用于批量生成數(shù)據(jù)，并且可以反復(fù)調(diào)用該生成器，在每次訓(xùn)練時都給網(wǎng)絡(luò)模型輸入一個batch_size大小的樣本數(shù)據(jù)，并能夠通過對樣本數(shù)據(jù)的增強變換來對數(shù)據(jù)進行擴充，能夠避免網(wǎng)絡(luò)訓(xùn)練時發(fā)生過擬合現(xiàn)象，增強網(wǎng)絡(luò)模型的泛化能力。本文在對果實圖像數(shù)據(jù)進行數(shù)據(jù)增強操作時，可以對圖像進行旋轉(zhuǎn)、位移、放大、縮小等變換操作。果實圖像經(jīng)此方法預(yù)處理后，將不會出現(xiàn)任何兩張完全相同的圖片，將有利于抑制訓(xùn)練過程中產(chǎn)生的過擬合現(xiàn)象，同時能夠使模型的泛化能力得到增強。不過需要注意以下幾點：（1）flow（）函數(shù)將會返回一個生成器。這個生成器用來擴充數(shù)據(jù)集大小，每次都會產(chǎn)生batch_size個樣本。例如：導(dǎo)入了一張圖像，因此每次生成的圖像都是基于這張圖像而產(chǎn)生的，可以看到結(jié)果中，旋轉(zhuǎn)、位移、放大、縮小等，統(tǒng)統(tǒng)都有；（

【參考文獻】：
期刊論文
[1]蘋果采摘機器人控制系統(tǒng)設(shè)計[J]. 王琪,丁柏文,陳萍.  機械制造與自動化. 2019(05)
[2]自然環(huán)境下柑橘采摘機器人識別定位系統(tǒng)研究[J]. 楊長輝,劉艷平,王毅,熊龍燁,許洪斌,趙萬華.  農(nóng)業(yè)機械學(xué)報. 2019(12)
[3]自然場景下葡萄定位方法的研究[J]. 胡洋洋,馬本學(xué),李小霞.  新疆農(nóng)機化. 2018(04)
[4]中國水果產(chǎn)業(yè)供給側(cè)改革與發(fā)展趨勢[J]. 鄧秀新.  現(xiàn)代農(nóng)業(yè)裝備. 2018(04)
[5]基于獼猴桃果萼圖像的多目標(biāo)果實識別方法[J]. 陳禮鵬,穆龍濤,劉浩洲,谷新運,傅隆生,崔永杰.  計算機工程與設(shè)計. 2018(06)
[6]基于卷積神經(jīng)網(wǎng)絡(luò)的菊花花型和品種識別[J]. 袁培森,黎薇,任守綱,徐煥良.  農(nóng)業(yè)工程學(xué)報. 2018(05)
[7]基于改進卷積神經(jīng)網(wǎng)絡(luò)的多種植物葉片病害識別[J]. 孫俊,譚文軍,毛罕平,武小紅,陳勇,汪龍.  農(nóng)業(yè)工程學(xué)報. 2017(19)
[8]基于深度卷積神經(jīng)網(wǎng)絡(luò)的番茄主要器官分類識別方法[J]. 周云成,許童羽,鄭偉,鄧寒冰.  農(nóng)業(yè)工程學(xué)報. 2017(15)
[9]夜間自然環(huán)境下荔枝采摘機器人識別技術(shù)[J]. 熊俊濤,林睿,劉振,何志良,楊振剛,卜榕彬.  農(nóng)業(yè)機械學(xué)報. 2017(11)
[10]非結(jié)構(gòu)環(huán)境中擾動葡萄采摘點的視覺定位技術(shù)[J]. 熊俊濤,何志良,湯林越,林睿,劉振.  農(nóng)業(yè)機械學(xué)報. 2017(04)

碩士論文
[1]基于CNN的手骨異常檢測研究與系統(tǒng)實現(xiàn)[D]. 潘雪峰.東北師范大學(xué) 2019
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的體液細胞顯微圖像識別方法研究[D]. 閆妍.湘潭大學(xué) 2018
[3]基于卷積神經(jīng)網(wǎng)絡(luò)和機器視覺的辣椒檢測與識別[D]. 丁文寬.天津理工大學(xué) 2017
[4]基于深度學(xué)習(xí)的水果圖像識別算法研究[D]. 王前程.河北大學(xué) 2016
[5]蘋果采摘機器人重疊果實快速動態(tài)識別及定位研究[D]. 沈甜.江蘇大學(xué) 2016



本文編號：3508150