采摘機(jī)器人完成采摘工作首先需要識(shí)別出復(fù)雜背景中的果實(shí)目標(biāo),因此識(shí)別能力是判別采摘機(jī)器人性能的主要技術(shù)指標(biāo)之一。本文以對(duì)自然環(huán)境中樹上的柚子果實(shí)作為對(duì)象,進(jìn)行了柚子果實(shí)識(shí)別方法的研究。對(duì)比了復(fù)雜背景下多種識(shí)別方法的識(shí)別能力表現(xiàn),將識(shí)別能力和可移植性作為評(píng)價(jià)指標(biāo)選取最優(yōu)的識(shí)別方法,并將其作為采摘機(jī)器人識(shí)別模塊算法。主要研究?jī)?nèi)容和結(jié)論如下:數(shù)據(jù)集獲取與劃分。本文所用數(shù)據(jù)共1300幅包含柚子果實(shí)圖像,數(shù)據(jù)獲取的方式通過對(duì)圖像進(jìn)行拍攝,拍攝距離選取3個(gè)區(qū)間,分別為近距離拍攝區(qū)間[0.1-1.0m]、中等距離拍攝區(qū)間[1.0-2.0m]、遠(yuǎn)距離拍攝區(qū)間[2.0-3.0m]。分別選取向光生長(zhǎng)和背光生長(zhǎng)的柚子果實(shí)作為拍攝對(duì)象,拍攝的果實(shí)包括無遮擋果實(shí)、樹枝或樹葉遮擋下的果實(shí)、重疊生長(zhǎng)的果實(shí)等果實(shí)類型。文中平均選取3個(gè)拍攝距離下的2種生長(zhǎng)狀態(tài)果實(shí)共60幅圖像作為驗(yàn)證集,其余1010幅圖像作為深度學(xué)習(xí)訓(xùn)練與測(cè)試集�；趫D像分割的柚子果實(shí)識(shí)別。選取色差法與K-means聚類算法作為圖像分割算法,分別使用2種方法對(duì)本文劃定的驗(yàn)證集進(jìn)行圖像分割。色差法在選取1.6R-GB色差分量在數(shù)據(jù)集圖像分割效果上有較好的分... 

【文章來源】：華中農(nóng)業(yè)大學(xué)湖北省 211工程院校 教育部直屬院校

【文章頁數(shù)】：67 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖像標(biāo)定Fig.2-3Imagecalibration

像分割上有最佳的差異性，能夠?qū)⒛繕?biāo)物更好的從背景中分割的柚子圖像是以 RGB 格式存儲(chǔ)的，本文用于自然環(huán)境下的果實(shí) RGB、HSV 和 Lab 這 3 種顏色空間模型。顏色空間模型最常用的顏色空間模型，同時(shí)也是其他顏色空間模型轉(zhuǎn)換的基要通過相關(guān)的計(jì)算公式進(jìn)行轉(zhuǎn)換，它也最常用的顏色模型之一像都是由 R、G、B 顏色分量組成，3 種顏色通道的取值均為[色分量數(shù)值相互組合得到了各種色彩。通過 R 分量、G 分量、以確定這些分量所組成的顏色，同樣，通過分析圖像中顏色也的 R 分量、G 分量、B 分量的相關(guān)數(shù)值。對(duì)于目標(biāo)物和背景物過顏色特征了解到目標(biāo)物 R 分量、G 分量、B 分量之間的關(guān)系量、B 分量之間的關(guān)系，以及 2 者之間所存在的差異之處，利算法，能夠?qū)⒛繕?biāo)物從背景中突出顯示出來，完成目標(biāo)物與背象的識(shí)別提供了理論依據(jù)。圖 3-1 為 RGB 顏色空間模型。

圖 3-3 HSV 顏色模型Fig. 3-3 HSV color model與 RGB 顏色空間模型的轉(zhuǎn)換，是將紅[0,1]之間，如果 3 個(gè)數(shù)值中最大的是 色空間模型轉(zhuǎn)換至 HSV 顏色空間模型( ) × ° = ( ) × ° = ) × ° = S = V = 子果實(shí)圖像的 H、S、V 分量圖進(jìn)行提

【參考文獻(xiàn)】：
期刊論文
[1]基于R-FCN深度卷積神經(jīng)網(wǎng)絡(luò)的機(jī)器人疏果前蘋果目標(biāo)的識(shí)別[J]. 王丹丹,何東健.  農(nóng)業(yè)工程學(xué)報(bào). 2019(03)
[2]基于YOLO深度卷積神經(jīng)網(wǎng)絡(luò)的復(fù)雜背景下機(jī)器人采摘蘋果定位[J]. 趙德安,吳任迪,劉曉洋,趙宇艷.  農(nóng)業(yè)工程學(xué)報(bào). 2019(03)
[3]基于改進(jìn)Faster R-CNN算法的艦船目標(biāo)檢測(cè)與識(shí)別[J]. 趙春暉,周瑤.  沈陽大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(05)
[4]現(xiàn)代農(nóng)業(yè)——半自動(dòng)化采摘機(jī)械研究[J]. 周浩濤,賈瑋,梁明遠(yuǎn),吳勇文.  南方農(nóng)機(jī). 2018(19)
[5]未成熟芒果的改進(jìn)YOLOv2識(shí)別方法[J]. 薛月菊,黃寧,涂淑琴,毛亮,楊阿慶,朱勛沐,楊曉帆,陳鵬飛.  農(nóng)業(yè)工程學(xué)報(bào). 2018(07)
[6]自然環(huán)境下綠色柑橘視覺檢測(cè)技術(shù)研究[J]. 熊俊濤,劉振,湯林越,林睿,卜榕彬,彭紅星.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2018(04)
[7]ReLU激活函數(shù)優(yōu)化研究[J]. 蔣昂波,王維維.  傳感器與微系統(tǒng). 2018(02)
[8]基于卷積神經(jīng)網(wǎng)絡(luò)的田間多簇獼猴桃圖像識(shí)別方法[J]. 傅隆生,馮亞利,Elkamil Tola,劉智豪,李瑞,崔永杰.  農(nóng)業(yè)工程學(xué)報(bào). 2018(02)
[9]基于計(jì)算機(jī)視覺的瓜果采摘系統(tǒng)的運(yùn)用研究[J]. 王彥輝,趙培琨,邊東良.  農(nóng)機(jī)化研究. 2018(01)
[10]基于改進(jìn)激活函數(shù)的卷積神經(jīng)網(wǎng)絡(luò)研究[J]. 曲之琳,胡曉飛.  計(jì)算機(jī)技術(shù)與發(fā)展. 2017(12)

碩士論文
[1]基于深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)[D]. 張哲.吉林大學(xué) 2018
[2]基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法研究[D]. 溫捷文.廣東工業(yè)大學(xué) 2018
[3]基于深度學(xué)習(xí)的艦船目標(biāo)檢測(cè)與識(shí)別[D]. 周瑤.哈爾濱工程大學(xué) 2018
[4]基于機(jī)器視覺的簇生獼猴桃果實(shí)多目標(biāo)識(shí)別方法研究[D]. 陳禮鵬.西北農(nóng)林科技大學(xué) 2018
[5]自然場(chǎng)景下獼猴桃識(shí)別方法研究[D]. 王瑞.西北農(nóng)林科技大學(xué) 2017
[6]蘋果采摘機(jī)器人重疊果實(shí)快速動(dòng)態(tài)識(shí)別及定位研究[D]. 沈甜.江蘇大學(xué) 2016
[7]基于卷積神經(jīng)網(wǎng)絡(luò)的行為識(shí)別研究[D]. 吳杰.電子科技大學(xué) 2015
[8]田間獼猴桃圖像識(shí)別方法研究[D]. 詹文田.西北農(nóng)林科技大學(xué) 2014



本文編號(hào)：2929888