基于嵌入式平台的颗粒状农作物图像分类算法研究

发布时间：2022-12-21 23:52

　　花生、大豆、玉米等颗粒状农作物在农业生产过程中,极易发生表皮破损的情况,影响农作物的品质和商业价值。传统的人工分拣方法需要大量的劳动力,并且效率低下。本文以花生作为颗粒状农作物的代表,研究基于嵌入式平台的颗粒状农作物图像分类算法。通过软硬件协同设计,在Zynq SoC平台对图像分类算法进行移植和实现。首先,设计系统平台。搭建硬件平台,包括以GPU平台为核心的模型训练平台和以Zynq SoC平台为核心的模型推断平台。完成花生图像采集和预处理,降低光源照射不均导致农作物图像产生阴影的影响,并构建图像数据集。其次,研究基于特征提取和支持向量机（SVM）的图像分类算法。针对SVM算法缺乏提取图像特征能力的问题,对比并分析了方向梯度直方图（HOG）、局部二值模式（LBP）和尺度不变特征转换（SIFT）三种图像特征提取算法,选取准确率较高、运行时间短的HOG算法作为适用于颗粒状农作物的特征提取算法,并根据嵌入式平台的特点,对算法进行简化,降低计算资源开销。然后,研究改进的卷积神经网络（CNN）图像分类算法。基于轻量化网络SqueezeNet改进了网络拓扑结构,并采用Msra参数初始化、自适应学习率... 

【文章页数】：80 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 课题研究的目的和意义
    1.2 国内外研究现状
        1.2.1 颗粒状农作物色选系统研究现状
        1.2.2 农作物图像分类算法研究现状
        1.2.3 机器学习硬件加速研究现状
    1.3 本文主要研究内容
第2章 系统平台设计
    2.1 引言
    2.2 整体方案设计
    2.3 硬件平台搭建
        2.3.1 模型训练平台搭建
        2.3.2 模型推断平台搭建
    2.4 颗粒状农作物图像数据集构建
        2.4.1 图像预处理
        2.4.2 图像数据增广
    2.5 本章小结
第3章 基于特征提取和SVM的图像分类算法
    3.1 引言
    3.2 SVM分类算法分析
        3.2.1 SVM分类算法原理
        3.2.2 原始图像SVM分类仿真
    3.3 颗粒状农作物图像特征提取
        3.3.1 HOG特征提取
        3.3.2 LBP特征提取
        3.3.3 SIFT特征提取
    3.4 特征提取与SVM分类联合仿真
        3.4.1 HOG特征SVM分类仿真
        3.4.2 LBP特征SVM分类仿真
        3.4.3 SIFT特征SVM分类仿真
        3.4.4 仿真结果分析
    3.5 针对嵌入式平台的算法简化
    3.6 本章小结
第4章 改进的CNN图像分类算法
    4.1 引言
    4.2 基于SqueezeNet的 CNN拓扑结构改进
        4.2.1 常规CNN拓扑结构
        4.2.2 改进的CNN拓扑结构
    4.3 CNN模型训练优化策略
        4.3.1 初始参数选取
        4.3.2 学习率调节
        4.3.3 梯度方向调整
        4.3.4 综合优化策略
    4.4 本章小结
第5章 FPGA硬件加速设计方法
    5.1 引言
    5.2 可复用FPGA硬件加速优化策略
    5.3 FPGA硬件加速设计方案
        5.3.1 卷积层
        5.3.2 池化层
        5.3.3 全连接层
        5.3.4 径向基函数层
    5.4 实验环境搭建
    5.5 实验测试与结果分析
        5.5.1 SVM图像分类算法实验
        5.5.2 CNN图像分类算法实验
        5.5.3 实验结果分析
    5.6 本章小结
结论
参考文献
攻读学位期间发表的学术论文及其他成果
致谢


【参考文献】：
期刊论文
[1]基于改进分离阈值法的农作物遥感精细分类特征选择[J]. 杨惠雯,方俊永,赵冬.  应用科学学报. 2019(01)
[2]卷积神经网络在黄瓜叶部病害识别中的应用[J]. 张善文,谢泽奇,张晴晴.  江苏农业学报. 2018(01)
[3]基于Zynq的图像角点及边缘检测系统的设计与实现[J]. 潘青松,张怡,杨宗明,秦剑秀.  计算机科学. 2017(S2)
[4]我国色选机发展概况与建议[J]. 孙六莲.  农业与技术. 2016(09)
[5]基于DSP的色选机分选控制系统[J]. 周敬东,黄云朋,周明刚,陈源,程钗,李敏慧.  湖北农业科学. 2016(04)
[6]基于支持向量机的多类分类算法综述[J]. 宋召青,陈垚.  海军航空工程学院学报. 2015(05)
[7]基于颜色特征和支持向量机的黄瓜叶部病害识别[J]. 李旺,唐少先,陈荣.  农机化研究. 2014(01)
[8]我国谷物色选机概况及发展[J]. 张会娟,胡志超,王海欧,吴峰,曹士峰.  农业机械. 2009(12)
[9]基于核K-均值聚类算法的植物叶部病害识别[J]. 王守志,何东健,李文,王艳春.  农业机械学报. 2009(03)



本文编号：3723012