基于卷积神经网络的自然光照下油茶果识别技术研究

发布时间：2020-06-04 17:23

【摘要】：采摘机器人的应用有助于节省油茶果采收所需的人工工作量与费用,能够大大的提高工作效率。如何在采摘过程中对传感器采集到的自然图像进行高效的识别检测与目标分割已成为制约采摘机器人应用的重要技术节点。因此,对自然光照环境下油茶果识别技术进行研究,对于油茶行业具有十分重要的现实意义与广阔的应用前景。本论文主要针对以下几个方面展开研究工作:针对自然光照环境下油茶果图像的自身特点,分析现有的特征提取与识别分类方法所存在的不足,提出了基于改进卷积自编码机的油茶果识别分类网络。在卷积自编码器的基础上,对特征提取模块进行改造,利用并联的不同尺寸的分解卷积核实现对不同类型特征的学习,提高网络的学习能力、识别性能、速度性能以及稳定性。基于采摘机器人的图像识别任务流程,提出了一种基于改进mask rcnn网络的油茶果检测分割方法。鉴于油茶果识别任务对网络深度要求较低,速度性能要求较高的特点,将改进卷积自编码机网络作为改进mask rcnn网络的特征提取网络,提高网络的速度性能使得网络具有实时性。利用金字塔特征网络对上下文特征进行融合,对不同尺度下的特征图像进行学习。在此基础上,利用区域推荐网络生成候选窗口,并对其进行分类与分割,实现实际图像上对油茶果的检测、识别、分类与分割一体化处理。结合油茶果自身生长特性,光照环境的多样性以及对应的两种网络的特性,对油茶果图像进行进一步的处理,分别构建合适的数据集。利用上述数据集以及对比算法,结合自然光照条件下采集到的油茶果图像对两种网络进行了仿真实验。实验证明,改进卷积自编码器网络具有良好的识别分类能力与速度性能,网络结构也拥有较好的稳定性;改进mask rcnn网络继承了mask rcnn网络在识别、检测与分割任务上的高性能,并在速度性能上有进一步的提高,具有一定的实时性。同时对检测分割网络进行了实地检测,实验证明了改进mask rcnn网络在实际条件下的可行性,验证了网络的实用性与有效性。
【图文】：

自编码,解码器,编码器,隐层

图１．１自编码机结构逡逑Ｆｉｇ邋１．１邋Ｓｔｒｕｃｔｕｒｅ邋ｏｆ邋ａｕｔｏ－ｅｎｃｏｄｅｒ逡逑构通常是“编码器－解码器”的模式，上图是一个编码器与解码器均为单层全连接神经网络。输入Ｘｇｐ：逡逑／？邋＝邋ｆ｛Ｗ，ｘ邋＋邋ｂ，，）非线性激活函数，一般为ｓｉｇｍｏｉｄ或者ＲｅＬＵ函数。输入ｘ，，即：逡逑ｘ，＝ｆ（Ｗ２ｈ邋＋邋ｂ２）编码机选取其隐层输出作为数据的特征，因为隐层也被称作瓶颈特征。而在一些应用中，也会将隐层征维度大，此时隐层学习到的特征是输入特征的过；通常这种场景会配介稀疏性约束一起应叫，以完成经过编码器后再经过一个解码器，得到原始数据的重

自编码,卷积

卷积自编码器对输入图像进行卷积操作以获得输出的特征图像输出并得到隐逡逑藏层，这个过程被称为卷积编码；解码器使用反卷积操作将隐藏层重建得到与输逡逑入层相同维度的输出层，称为卷积解码。图２．］是卷积自编码器的操作示意图。逡逑卷积自编码器中需要学习参数＝逦其中６与丨ｒ是编码过程中的参数，斤与逡逑ＨＺ？是解码过程中的参数，具体实现中一般选择关联Ｆ与Ｆ邋＝逡逑ｘ逦ｙ邋＾邋ｘ逡逑ｎ＇ｘＨｊＤ逦Ｗ２ｘＨ，ｘＫ邋ＪＶ＾ｘＨ，邋ｘＤ逡逑图２．１卷积自编码器逡逑Ｆｉｇ邋２．１邋Ｃｏｎｖｏｌｕｔｉｏｎ邋ａｕｔｏ－ｅｎｃｏｄｅｒ逡逑参照深度信念网络的组成思想，将多个自编码机仿照ＲＢＭ通过堆叠的方式构逡逑造起来的深度神经网络被称为栈式自编码机…（ＳｔａｃｋｅｄＡｕｔｏ－ｅｎｃｏｄｅｒ）。其训练逡逑１２逡逑
【学位授予单位】：中南林业科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：S794.4;TP391.41;TP183

【参考文献】