基于MSR-CNN的果蔬检测与识别算法研究
发布时间：2022-01-22 09:29
我国是果蔬进出口大国,由于世界各国的地理位置和气候的不同,各国之间的果蔬种类差异化非常明显,果蔬差异会影响我国的果蔬进出口交易;此外,超市中果蔬的零售过程仍然采取人工称重的方式,浪费人力并且效率低下,严重影响顾客的购物体验。针对这些情况,本文提出了一种基于Mask Scoring R-CNN的果蔬检测与识别算法,能够实现果蔬检测、识别与分割等任务,该算法未来不仅可以用于移动端进行果蔬检测与科普,还可以实现果蔬的智能称量。本文的研究内容和贡献如下:（1）本文构建了一个包含多种日常水果蔬菜的果蔬图像数据集,并且命名为Veg F,适用于果蔬检测、识别与分割等任务。Veg F总共包含了36000张果蔬图像,总共36种果蔬类别,其中水果24类,蔬菜12类,不仅包含了每种类别的单个目标图像,还有同类别的多目标图像以及多类别的混合图像,充分考虑了目标检测与识别中可能会出现的情况。目前国内外并没有适用于果蔬检测与识别的果蔬图像数据集,Veg F数据集的出现,有助于日后果蔬检测与识别算法的研究。（2）针对特征金字塔网络存在的问题,本文采用Aug FPN结构,缩小特征之间的语义差异,使其更适合后续的特征融...
【文章来源】：华南理工大学广东省 211工程院校 985工程院校 教育部直属院校
【文章页数】：81 页
【学位级别】：硕士
【图文】：
LeNet-5结构图[51]
第二章相关技术研究与介绍95×5的特征图，接着进入C5，C5的结构中有120个卷积核，与S4的输出构成了全连接操作，再进入采用Sigmoid激活函数的全连接层F6，F6的结构包含了84个隐层节点，最后到达由欧式径向的基函数单元组成的网络结构底层，通过大量计算才能输出最后的识别结果。图2-1LeNet-5结构图[51]卷积层，即特征提取层，是整个网络的核心所在，每一个卷积神经网络中都会有很多个卷积层，每个卷积层具有大小不一的卷积核，可以用来获取各种各样的特征，从而达到多特征提取的目的。相邻的卷积层是连接在一起的，通过局部连接的方式，因此不同层次之间的权值能够被共享。接下来主要介绍卷积神经网络卷积层的特性。图2-2卷积层卷积操作（1）卷积操作图2-2显示了卷积层的关键操作，即卷积操作。该图显示了用于卷积运算的5×5输入和3×3卷积内核的卷积过程。计算公式为：
华南理工大学硕士学位论文10=+∈(21)其中，表示网络第层第个特征图，卷积核用表示，()代表激励函数，表示输入特征图的集合，表示卷积运算，代表偏置项。（2）局部连接特性空间中的图像不是相互独立的，而是具有一定结构而相互依存的，相邻的像素点具有一定的联系，这跟本文前面提到的感受野是类似的。在一个很小的区域中，像素相互连接，因此每个神经元只需要将相邻的特定范围内的像素作为输入即可，其他的像素点都与它无关，在获取原图像信息的时候，需要将所有神经元的输出作为考量依据，然后整合这些输出。卷积神经网络各层之间的连接基于此原理，将以前的全连接模式替换成局部连接，也称为稀疏连接，能够大大降低参数的数量级。如图2-3所示，表示的是在同一层神经元中，使用不同的连接方式会使输入对输出有什么影响，通过图片描述我们可以更清晰直观地了解局部连接的概念。本文只讨论输入对输出y的影响。图a)是全连接模式，输入的大小，会影响所有的是输出，而图b)采用的是局部连接的方式，只有，，这三个输出单元受到输入的影响。图2-4表示的是在同一层神经元中，使用不同的连接方式会使输出受到输入的影响。同样地，本文只讨论输出受输入的影响。图a)全连接方式下，输出受到全部输入单元的影响，而图b)因为采用局部连接，输出只受到，，三个输入的影响。图2-3不同连接方式输入对输出的影响
【参考文献】：
期刊论文
[1]基于BP神经网络的水果识别研究[J]. 于悦洋,王冰,王静,汤乔. 智能计算机与应用. 2019(04)
[2]基于HALCON的水果识别算法研究[J]. 戴仲豪,王泽进,陈厚儒,吴意,刘颖君. 机械工程师. 2018(12)
[3]一种用于机器人水果采摘的快速识别方法[J]. 邹谜,伍世虔,王欣. 农机化研究. 2019(01)
[4]形状相似水果自动化识别研究[J]. 程荣花,马飞,梁亚红. 山东农业科学. 2015(08)
[5]农业智能机器人水果采摘优化控制模型仿真[J]. 钟厦. 计算机仿真. 2015(04)
[6]用高光谱成像和PCA检测苹果的损伤和早期腐烂[J]. 张保华,黄文倩,李江波,赵春江,刘成良,黄丹枫. 红外与激光工程. 2013(S2)
[7]人工智能的突破与科学方法的创新[J]. 钟义信. 模式识别与人工智能. 2012(03)
[8]基于多示例学习的超市农产品图像识别[J]. 罗承成,李书琴,唐晶磊. 计算机应用. 2012(06)
[9]基于纹理信息的水果图像识别方法仿真研究[J]. 孟大伟. 计算机仿真. 2011(12)
[10]水果自动识别的BP神经网络方法[J]. 陈源,张长江. 微型机与应用. 2010(22)
硕士论文
[1]基于计算机视觉的果蔬识别方法研究[D]. 阳江平.大连理工大学 2011
本文编号：3601949
【文章来源】：华南理工大学广东省 211工程院校 985工程院校 教育部直属院校
【文章页数】：81 页
【学位级别】：硕士
【图文】：
LeNet-5结构图[51]
第二章相关技术研究与介绍95×5的特征图，接着进入C5，C5的结构中有120个卷积核，与S4的输出构成了全连接操作，再进入采用Sigmoid激活函数的全连接层F6，F6的结构包含了84个隐层节点，最后到达由欧式径向的基函数单元组成的网络结构底层，通过大量计算才能输出最后的识别结果。图2-1LeNet-5结构图[51]卷积层，即特征提取层，是整个网络的核心所在，每一个卷积神经网络中都会有很多个卷积层，每个卷积层具有大小不一的卷积核，可以用来获取各种各样的特征，从而达到多特征提取的目的。相邻的卷积层是连接在一起的，通过局部连接的方式，因此不同层次之间的权值能够被共享。接下来主要介绍卷积神经网络卷积层的特性。图2-2卷积层卷积操作（1）卷积操作图2-2显示了卷积层的关键操作，即卷积操作。该图显示了用于卷积运算的5×5输入和3×3卷积内核的卷积过程。计算公式为：
华南理工大学硕士学位论文10=+∈(21)其中，表示网络第层第个特征图，卷积核用表示，()代表激励函数，表示输入特征图的集合，表示卷积运算，代表偏置项。（2）局部连接特性空间中的图像不是相互独立的，而是具有一定结构而相互依存的，相邻的像素点具有一定的联系，这跟本文前面提到的感受野是类似的。在一个很小的区域中，像素相互连接，因此每个神经元只需要将相邻的特定范围内的像素作为输入即可，其他的像素点都与它无关，在获取原图像信息的时候，需要将所有神经元的输出作为考量依据，然后整合这些输出。卷积神经网络各层之间的连接基于此原理，将以前的全连接模式替换成局部连接，也称为稀疏连接，能够大大降低参数的数量级。如图2-3所示，表示的是在同一层神经元中，使用不同的连接方式会使输入对输出有什么影响，通过图片描述我们可以更清晰直观地了解局部连接的概念。本文只讨论输入对输出y的影响。图a)是全连接模式，输入的大小，会影响所有的是输出，而图b)采用的是局部连接的方式，只有，，这三个输出单元受到输入的影响。图2-4表示的是在同一层神经元中，使用不同的连接方式会使输出受到输入的影响。同样地，本文只讨论输出受输入的影响。图a)全连接方式下，输出受到全部输入单元的影响，而图b)因为采用局部连接，输出只受到，，三个输入的影响。图2-3不同连接方式输入对输出的影响
【参考文献】：
期刊论文
[1]基于BP神经网络的水果识别研究[J]. 于悦洋,王冰,王静,汤乔. 智能计算机与应用. 2019(04)
[2]基于HALCON的水果识别算法研究[J]. 戴仲豪,王泽进,陈厚儒,吴意,刘颖君. 机械工程师. 2018(12)
[3]一种用于机器人水果采摘的快速识别方法[J]. 邹谜,伍世虔,王欣. 农机化研究. 2019(01)
[4]形状相似水果自动化识别研究[J]. 程荣花,马飞,梁亚红. 山东农业科学. 2015(08)
[5]农业智能机器人水果采摘优化控制模型仿真[J]. 钟厦. 计算机仿真. 2015(04)
[6]用高光谱成像和PCA检测苹果的损伤和早期腐烂[J]. 张保华,黄文倩,李江波,赵春江,刘成良,黄丹枫. 红外与激光工程. 2013(S2)
[7]人工智能的突破与科学方法的创新[J]. 钟义信. 模式识别与人工智能. 2012(03)
[8]基于多示例学习的超市农产品图像识别[J]. 罗承成,李书琴,唐晶磊. 计算机应用. 2012(06)
[9]基于纹理信息的水果图像识别方法仿真研究[J]. 孟大伟. 计算机仿真. 2011(12)
[10]水果自动识别的BP神经网络方法[J]. 陈源,张长江. 微型机与应用. 2010(22)
硕士论文
[1]基于计算机视觉的果蔬识别方法研究[D]. 阳江平.大连理工大学 2011
本文编号：3601949
本文链接：https://www.wllwen.com/kejilunwen/nykj/3601949.html
