發(fā)布時(shí)間：2023-03-11 08:57

　　馬鈴薯作為世界各國(guó)的主要糧食作物之一,在維護(hù)世界食品安全和穩(wěn)定方面占有重要地位。馬鈴薯種薯切塊方面,由于其作業(yè)要求高,目前種薯的切塊主要是由人工完成。人工切塊對(duì)勞動(dòng)人員的專業(yè)技能要求較高,且不同的勞動(dòng)人員加工的切塊差異顯著。同時(shí),人工切塊存在勞動(dòng)強(qiáng)度大、費(fèi)用高等問題,尤其是隨著人工成本的增加和勞動(dòng)力的減少,人工切塊面臨的挑戰(zhàn)日益嚴(yán)峻,種薯的自動(dòng)切塊問題亟待解決。馬鈴薯芽眼檢測(cè)是實(shí)現(xiàn)種薯自動(dòng)切塊的關(guān)鍵因素,芽眼檢測(cè)性能的高低直接影響后期的切塊質(zhì)量,進(jìn)而影響馬鈴薯產(chǎn)量。當(dāng)下關(guān)于馬鈴薯芽眼檢測(cè)相關(guān)的研究很少,現(xiàn)有的方法大多是基于傳統(tǒng)方法,檢測(cè)時(shí)間長(zhǎng)且檢測(cè)性能低,無法為后續(xù)種薯自動(dòng)切塊的實(shí)現(xiàn)奠定良好的基礎(chǔ)。為改善馬鈴薯芽眼的檢測(cè)時(shí)間、提高檢測(cè)性能,保障后期切塊質(zhì)量和馬鈴薯產(chǎn)量,本研究提出一種基于卷積神經(jīng)網(wǎng)絡(luò)的馬鈴薯芽眼檢測(cè)方法。主要研究?jī)?nèi)容和創(chuàng)新點(diǎn)如下:(1)利用遷移學(xué)習(xí)和“微調(diào)”的方法對(duì)不同的卷積神經(jīng)網(wǎng)絡(luò)在馬鈴薯芽眼檢測(cè)中的檢測(cè)性能和檢測(cè)時(shí)間進(jìn)行研究。以Faster R-CNN為檢測(cè)框架,對(duì)在ImageNet數(shù)據(jù)集上預(yù)訓(xùn)練的AlexNet、VGG-16、VGG-19、GoogleNet、Sq...

【文章頁(yè)數(shù)】：118 頁(yè)

【學(xué)位級(jí)別】：博士

【文章目錄】：
中文摘要
Abstract
1 引言
    1.1 研究背景和意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 馬鈴薯芽眼檢測(cè)的國(guó)內(nèi)外研究現(xiàn)狀
        1.2.2 現(xiàn)有方法存在的問題
        1.2.3 深度學(xué)習(xí)的發(fā)展和國(guó)內(nèi)外研究現(xiàn)狀
            1.2.3.1 深度學(xué)習(xí)的演進(jìn)史
            1.2.3.2 深度學(xué)習(xí)在農(nóng)業(yè)領(lǐng)域的研究現(xiàn)狀
            1.2.3.3 卷積神經(jīng)網(wǎng)絡(luò)在農(nóng)業(yè)領(lǐng)域目標(biāo)檢測(cè)的研究現(xiàn)狀
    1.3 本文主要研究?jī)?nèi)容
    1.4 技術(shù)路線及論文結(jié)構(gòu)
2 卷積神經(jīng)網(wǎng)絡(luò)的相關(guān)理論及技術(shù)
    2.1 卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)發(fā)展
    2.2 卷積神經(jīng)網(wǎng)絡(luò)的基本原理
        2.2.1 卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)
        2.2.2 卷積神經(jīng)網(wǎng)絡(luò)的特性
    2.3 卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程
    2.4 本章小結(jié)
3 基于Faster R-CNN的不同卷積神經(jīng)網(wǎng)絡(luò)的馬鈴薯芽眼檢測(cè)
    3.1 引言
    3.2 Faster R-CNN
        3.2.1 基礎(chǔ)網(wǎng)絡(luò)
        3.2.2 RPN
        3.2.3 ROI池化
        3.2.4 分類層和回歸層
    3.3 數(shù)據(jù)集構(gòu)建
        3.3.1 圖像采集
        3.3.2 數(shù)據(jù)增強(qiáng)
    3.4 不同卷積神經(jīng)網(wǎng)絡(luò)對(duì)馬鈴薯芽眼的檢測(cè)
        3.4.1 遷移學(xué)習(xí)和“微調(diào)”
        3.4.2 試驗(yàn)設(shè)置
        3.4.3 評(píng)價(jià)指標(biāo)
        3.4.4 試驗(yàn)結(jié)果與分析
    3.5 本章小結(jié)
4 改進(jìn)的Faster R-CNN模型
    4.1 引言
    4.2 多尺度特征連接方法
    4.3 優(yōu)化的非極大值抑制算法
    4.4 基于混沌優(yōu)化K均值算法的錨框改進(jìn)方法
        4.4.1 相關(guān)理論研究
            4.4.1.1 K均值算法
            4.4.1.2 混沌理論
        4.4.2 默認(rèn)錨框的優(yōu)化
        4.4.3 試驗(yàn)結(jié)果和分析
    4.5 本章小結(jié)
5 基于改進(jìn)的Faster R-CNN模型的馬鈴薯芽眼檢測(cè)
    5.1 試驗(yàn)設(shè)置
    5.2 評(píng)價(jià)指標(biāo)
    5.3 試驗(yàn)結(jié)果及分析
        5.3.1 改進(jìn)的Faster R-CNN模型的檢測(cè)結(jié)果
            5.3.1.1 定量結(jié)果
            5.3.1.2 定性結(jié)果
        5.3.2 與其他模型的比較
            5.3.2.1 定量比較
            5.3.2.2 定性比較
    5.4 消融試驗(yàn)
    5.5 討論
    5.6 本章小結(jié)
6 結(jié)論和展望
    6.1 結(jié)論
    6.2 研究創(chuàng)新點(diǎn)
    6.3 工作展望
參考文獻(xiàn)
致謝
攻讀博士學(xué)位期間的科研成果



本文編號(hào)：3759578