【摘要】：靈武長棗是寧夏地區(qū)的特色經(jīng)濟(jì)林果,隨著當(dāng)?shù)亟?jīng)濟(jì)的快速發(fā)展,長棗的栽種面積正在逐步增加。為了減少人工采摘所需要的勞動量、提高采摘效率,實(shí)現(xiàn)長棗的自動采摘?jiǎng)菰诒匦?本文采用基于深度學(xué)習(xí)目標(biāo)檢測的多種算法研究了自動采摘時(shí)靈武長棗檢測與定位問題。本文的研究內(nèi)容及結(jié)果如下:1.采集得到寧夏靈武長棗圖像數(shù)據(jù)集(2000張),其中包括無棗、一個(gè)棗、兩個(gè)棗、多個(gè)棗、樹葉遮擋、棗黏連、長棗順光拍攝和逆光拍攝等不同角度拍攝的多種圖像。并根據(jù)實(shí)驗(yàn)要求對圖像集進(jìn)行統(tǒng)一預(yù)處理與標(biāo)注,得到包含源圖像路徑、尺寸、深度和長棗位置坐標(biāo)等信息的數(shù)據(jù)集。2.采用基于深度學(xué)習(xí)候選區(qū)域算法的目標(biāo)檢測模型進(jìn)行靈武長棗檢測實(shí)驗(yàn)。在深度卷積神經(jīng)網(wǎng)絡(luò)CNN的基礎(chǔ)上重點(diǎn)設(shè)計(jì)了 RCNN、Fast RCNN和Faster RCNN模型的靈武長棗檢測網(wǎng)絡(luò),經(jīng)過網(wǎng)絡(luò)訓(xùn)練分別得到各長棗檢測模型。檢測實(shí)驗(yàn)表明,以上三組算法模型均能檢測到原始圖像中的長棗并給其位置坐標(biāo);當(dāng)圖像中包含單個(gè)或兩個(gè)未遮擋的長棗時(shí)檢測效果最好,檢測率平均為80%;當(dāng)圖像中包含多個(gè)且遮擋、黏連的長棗時(shí)檢測率會明顯降低。3.采用基于深度學(xué)習(xí)回歸算法的SSD目標(biāo)檢測模型進(jìn)行靈武長棗檢測實(shí)驗(yàn)。SSD算法具有回歸思想簡化了網(wǎng)絡(luò)的計(jì)算復(fù)雜度,提高了檢測速度與精度。本文采用原始SSD網(wǎng)絡(luò)訓(xùn)練得出了基于SSD的長棗檢測模型,檢測實(shí)驗(yàn)表明該模型實(shí)現(xiàn)了靈武長棗的檢測,檢測精確度為90%。檢測結(jié)果存在圖像較暗時(shí)部分長棗檢測精度較低或根本未檢測到的情況,當(dāng)圖像含有遮擋、黏連等情況時(shí)檢測率也會受到一定影響。4.針對以上問題,本文提出基于改進(jìn)SSD網(wǎng)絡(luò)的長棗檢測模型,改進(jìn)點(diǎn)首先是將訓(xùn)練集圖像進(jìn)行亮度增強(qiáng)處理,然后將基礎(chǔ)網(wǎng)絡(luò)進(jìn)行批規(guī)范化處理,深層網(wǎng)絡(luò)進(jìn)行多卷積處理,最后對模型參數(shù)匹配器閾值和退出保持概率進(jìn)行調(diào)優(yōu)。改進(jìn)后訓(xùn)練得出新的SSD長棗檢測模型,該模型的檢測率有明顯提高,檢測精確度高達(dá)93%。當(dāng)圖像含有遮擋、黏連等情況時(shí),與原始SSD模型相比,其檢測效果更好。對比以上5種模型得出以下結(jié)論,這5種模型都實(shí)現(xiàn)了靈武長棗檢測的任務(wù),其中基于改進(jìn)SSD網(wǎng)絡(luò)的長棗檢測模型效果最理想,其檢測精確度高達(dá)93%,可以證明將深度學(xué)習(xí)目標(biāo)檢測算法運(yùn)用到靈武長棗檢測中是可行的,這為實(shí)現(xiàn)自動采摘機(jī)器人對靈武長棗的精準(zhǔn)檢測與采摘奠定了良好的基礎(chǔ)。
【圖文】：

最后在輸出層輸出結(jié)果？，使用網(wǎng)絡(luò)層間神經(jīng)元稀疏連接與權(quán)值共享的新方法，在一定逡逑程度上剔除了網(wǎng)絡(luò)訓(xùn)練中不必要的參數(shù)，從而降低了網(wǎng)絡(luò)的訓(xùn)練時(shí)間（楊俊，２０１８）。逡逑經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖２．２所示。一般情況下，，在實(shí)際應(yīng)用中為了達(dá)到較逡逑好的效果，ＣＮＮ網(wǎng)絡(luò)模型會在網(wǎng)絡(luò)開始部分放置多個(gè)卷積層和多個(gè)采樣層（池化層），逡逑這樣可以做到對原始圖像特征最大程度的獲取，在ＣＮＮ網(wǎng)絡(luò)模型結(jié)束的部分會連接逡逑全連接層，從而對較高層次提取到的所有圖像特征進(jìn)行連接，最后將提取到的內(nèi)容變逡逑成特征向量，使其作為原始數(shù)據(jù)的一種更抽象更本質(zhì)的表示。逡逑邐￣邋邐逡逑輸入層邐卷積層下采樣層邐全連接層邋輸出層逡逑圖２．邋２邋ＣＮＮ的結(jié)構(gòu)示意圖逡逑Ｆｉｇｕｒｅ邋２２邋Ｓｔｒｕｃｔｕｒａｌ邋ｓｋｅｔｃｈ邋ｏｆ邋ＣＮＮ逡逑９逡逑

圖２．５邋ＣＮＮ全連接層逡逑Ｆｉｇｕｒｅ邋２．５邋ＣＮＮ邋ｆｕｌｌ邋ｃｏｎｎｅｃｔｉｏｎ邋ｌａｙｅｒ逡逑圖２．５為卷積網(wǎng)絡(luò)的全連接層，每層的每個(gè)神經(jīng)元節(jié)點(diǎn)都需要與上一層所有節(jié)點(diǎn)逡逑相連接，但是由于ＣＮＮ網(wǎng)絡(luò)結(jié)構(gòu)中含有大量的訓(xùn)練參數(shù)，訓(xùn)練參數(shù)過多使得ＣＮＮ逡逑網(wǎng)絡(luò)模型在很大程度上出現(xiàn)過度擬合，從而會大大降低網(wǎng)絡(luò)模型的檢測性與識別性。逡逑為了使ＣＮＮ網(wǎng)絡(luò)模型在最大程度上排除此種情況，我們會對網(wǎng)絡(luò)模型的全連接層進(jìn)逡逑行以下操作，具體計(jì)算過程如公式２－３所示，為網(wǎng)絡(luò)輸出，ｘ為當(dāng)前層預(yù)處理的逡逑特征，『＼為網(wǎng)絡(luò)連接權(quán)重，６為偏置，為所設(shè)定好的激活函數(shù)。逡逑ＫＭｘ）＾ｆ＾ｖＴｘ＋ｂ）邐（２－３）逡逑ＣＮＮ有兩個(gè)最大的特點(diǎn)就是能夠稀疏連接、權(quán)值共享（蔡強(qiáng)等，２０１５）。正是因?yàn)殄义希茫危斡兄@兩個(gè)特性使得它在網(wǎng)絡(luò)中訓(xùn)練時(shí)參數(shù)的數(shù)目會大大減少，泛化性變得更逡逑強(qiáng)。逡逑（１）稀疏連接（ＲａｎｚａｔｏＡ
【學(xué)位授予單位】：北京林業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：TP18;TP391.41;S225

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 岳坤;孫亞萍;李占文;李攀;宋麗華;;配方施肥對靈武長棗葉片熒光特性的影響[J];陜西林業(yè)科技;2018年06期

2 劉艷紅;曹兵;萬仲武;韓國;;靈武長棗設(shè)施栽培不同模式下營養(yǎng)生長果實(shí)品質(zhì)的調(diào)查與分析[J];農(nóng)業(yè)科學(xué)研究;2019年01期

3 伍梅霞;唐文林;張宏霞;;靈武長棗產(chǎn)業(yè)發(fā)展中存在的問題及轉(zhuǎn)型升級的思路與對策[J];山西果樹;2019年04期

4 楊莉杰;李喜宏;張宇崢;朱剛;張瑞;張?zhí)O蘋;唐先譜;;靈武長棗不同溫度貯藏特性的研究[J];食品研究與開發(fā);2018年03期

5 許玲玲;張文華;曹兵;;不同噴施物對‘靈武長棗’坐果與果實(shí)品質(zhì)的影響[J];農(nóng)業(yè)科學(xué)研究;2018年01期

6 張?zhí)O蘋;商金穎;李喜宏;楊莉杰;湯堯;張宇崢;;靈武長棗桃酥的研制[J];食品研究與開發(fā);2018年10期

7 周麗紅;馬興國;;幼齡靈武長棗早果豐產(chǎn)技術(shù)要點(diǎn)[J];農(nóng)業(yè)科技與信息;2016年31期

8 呼生春;張永飛;張旭東;黨常勝;王文舉;張亞紅;;不同藥劑對靈武長棗坐果、品質(zhì)及產(chǎn)量的影響[J];湖北農(nóng)業(yè)科學(xué);2016年06期

9 周麗紅;;寧夏靈武長棗產(chǎn)業(yè)發(fā)展中存在的問題及對策[J];果樹實(shí)用技術(shù)與信息;2015年02期

10 魏衛(wèi)東;朱宜蓁;陳艷玲;喻菊芳;芮欣虹;;靈武長棗2號的優(yōu)良性狀及發(fā)展前景[J];寧夏農(nóng)林科技;2015年02期

相關(guān)會議論文 前10條

1 張雁南;劉毓t

本文編號：2629887