基于多特征融合的双路深度信念神经网络水果分类技术研究
发布时间：2020-12-21 14:54
深度学习构成了一种用于图像处理和数据分析的最新现代技术,在图像处理和数据分析方面具有巨大应用前景,智慧农业的发展也已经引入了深度学习。中国农产品中果品的栽种规模以及生产规模都在世界上处于举足轻重的地位,但是果品种类的产后分拣处理技术制约着商品化市场经济的发展,实现水果种类的自动分类识别处理成为国内农业现代化发展的基础条件。面对需求,浅层学习方法的研究需要依靠大量的人为特征信息提取,并且在水果图像中存在类间相似的现象,造成人工提取特征很难达到理想的分类识别效果。本文基于深度信念网络模型的强大自动训练学习能力,高效的完成多特征信息自动提取,提高了水果图像的识别率,为智慧农业研究拓展了思路。本文的主要工作如下:(1)完成数据集双线性插值计算,实现标准尺度上的统一,使用自动阈值分割消除干扰得到彩色目标体。在特征处理方面进行多任务学习,尽可能多层次的对水果图像特征进行扩展以及提高所提取特征的区分性,设计了一种融合纹理特征与颜色特征的深度信念网络特征训练模型。对于颜色特征的定位,选择更加符合机器视觉的HSV色彩空间。在对纹理特征图像处理过程中,选用多层级纹理提取,着重对局部纹理进行提取。首先经过分...
【文章来源】：青岛大学山东省
【文章页数】：75 页
【学位级别】：硕士
【部分图文】：
果园分布面积
青岛大学硕士学位论文2图1.1果园分布面积图1.2不同水果产量分布图面对如此大规模的水果产量，如何将其准确的分类识别是一个大问题。不同种类水果的产后处理情况也影响着水果行业的销售规模。传统水果的产后处理技术主要依靠人力完成，依靠人工对水果的形状、大孝颜色进行不同种类的分拣。整个过程较为繁琐，同时也需要大量的人力，可谓是耗时耗力，最大的缺陷就是劳动效率偏低，周期长。随着对高质量和符合安全标准的农产品的要求的增长，人们对能准确、快速和客观的识别水果的需求也在持续增长[3]。伴随着研究领域的扩展，相关研究人员结合图像处理与模式识别相关技术实现水果种类产后技术的革新。数字图像识别技术一般是检测提取图像各部位的固有属性，包括颜色、形状及纹理特征等，然后利用分类器进行训练判决，再进行分类识别。水果分类识别在果品智能采摘、产后分类以及新零售等领域有着非常广阔的应用前景。在智能采摘领域，通过结合计算机视觉的水果识别技术，可以更加高效便捷的对不同种类果品进行智能采摘，
第一章绪论3极大提高农作物收益；在产后分类领域，依靠深度学习算法对不同需求的水果实现分类，节省了人力劳作；在新零售领域，将大数据与水果分类识别技术结合，可以加快经济效益的提高，加快智能出售和无人超市等科技生活的建设。所以，凭借深度学习技术应用与数字图像识别算法的有效结合可以完成对不同水果品种产后分类识别的课题研究。21世纪在科学技术的强大助推下已然变成一个飞速发展的数字化时代。数字化科技的兴起不仅推动经济持续增长，而且也在各个方面影响的人类的生产生活方式。2018年进入人工智能元年，“互联网+”概念贯穿生产的始末，新零售方式带来不一样的体验。深度学习方法是对已有的机器学习方法的拓展，高效率的深度学习技术主要依靠将底层数据特征进行有效组合成抽象的高层次数据类别特征，从而找到分布式数据的特征规则。深度学习技术的应用推进了智慧农业的建设，特别是在种子质量检测，果类种植智能化与自动化，土壤自动灌溉等方面实现农业智能化机械设备的创新型研发。图1.3深度学习技术在农业方面的应用水果这样的经济作物在生活中屡见不鲜，而眼睛所见到的水果都已经是人工分拣好的。面对农业大国，产量超出想象的经济作物，必须要用一种更加科学高效的方式解决好产后处理。不同种类的水果识别分类可以在很多场景中进行应用，如大型农场中可以使用智能机器人进行采摘；采摘之后可以对其进行种类或者成熟度识别节省人工成本以及缩短运输到市场的周期；在市场销售过程中可以借助自动识别的技术给消费者带来便捷。课题研究从人性化与科技化方面切入，采集不同种类的水果借助深度学习模型机制完成正确的分类识别，在水果分类方面进行改善，促进市场水果的流通，增强市场经济的竞争力。
【参考文献】：
期刊论文
[1]基于深度学习水果检测的研究与改进[J]. 黄豪杰,段先华,黄欣辰. 计算机工程与应用. 2020(03)
[2]基于HOG特征提取和模糊支持向量机的西夏文字识别[J]. 刘兴长,孟昱煜. 西北师范大学学报(自然科学版). 2019(05)
[3]深度学习在我国农业中的应用研究现状[J]. 吕盛坪,李灯辉,冼荣亨. 计算机工程与应用. 2019(20)
[4]一种改进的Otsu多阈值SAR图像分割方法[J]. 杨蕴,李玉,王玉,赵泉华. 遥感信息. 2019(04)
[5]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)
[6]形态学与RCF相结合的唐卡图像边缘检测算法[J]. 刘千,葛阿雷,史伟. 计算机应用与软件. 2019(06)
[7]基于深度卷积神经网络的柑橘目标识别方法[J]. 毕松,高峰,陈俊文,张潞. 农业机械学报. 2019(05)
[8]基于卷积神经网络的水果图像分类识别研究[J]. 曾平平,李林升. 机械设计与研究. 2019(01)
[9]基于噪声检测和动态窗口的图像去噪算法[J]. 王文豪,严云洋,姜明新,高尚兵,于永涛. 图学学报. 2019(01)
[10]基于灰度共生矩阵和区域生长算法的红外光伏面板图像分割[J]. 洪向共,周世芬. 科学技术与工程. 2018(34)
硕士论文
[1]苹果图像特征提取与分类算法的研究与应用[D]. 郭永豪.重庆大学 2010
本文编号：2930017
【文章来源】：青岛大学山东省
【文章页数】：75 页
【学位级别】：硕士
【部分图文】：
果园分布面积
青岛大学硕士学位论文2图1.1果园分布面积图1.2不同水果产量分布图面对如此大规模的水果产量，如何将其准确的分类识别是一个大问题。不同种类水果的产后处理情况也影响着水果行业的销售规模。传统水果的产后处理技术主要依靠人力完成，依靠人工对水果的形状、大孝颜色进行不同种类的分拣。整个过程较为繁琐，同时也需要大量的人力，可谓是耗时耗力，最大的缺陷就是劳动效率偏低，周期长。随着对高质量和符合安全标准的农产品的要求的增长，人们对能准确、快速和客观的识别水果的需求也在持续增长[3]。伴随着研究领域的扩展，相关研究人员结合图像处理与模式识别相关技术实现水果种类产后技术的革新。数字图像识别技术一般是检测提取图像各部位的固有属性，包括颜色、形状及纹理特征等，然后利用分类器进行训练判决，再进行分类识别。水果分类识别在果品智能采摘、产后分类以及新零售等领域有着非常广阔的应用前景。在智能采摘领域，通过结合计算机视觉的水果识别技术，可以更加高效便捷的对不同种类果品进行智能采摘，
第一章绪论3极大提高农作物收益；在产后分类领域，依靠深度学习算法对不同需求的水果实现分类，节省了人力劳作；在新零售领域，将大数据与水果分类识别技术结合，可以加快经济效益的提高，加快智能出售和无人超市等科技生活的建设。所以，凭借深度学习技术应用与数字图像识别算法的有效结合可以完成对不同水果品种产后分类识别的课题研究。21世纪在科学技术的强大助推下已然变成一个飞速发展的数字化时代。数字化科技的兴起不仅推动经济持续增长，而且也在各个方面影响的人类的生产生活方式。2018年进入人工智能元年，“互联网+”概念贯穿生产的始末，新零售方式带来不一样的体验。深度学习方法是对已有的机器学习方法的拓展，高效率的深度学习技术主要依靠将底层数据特征进行有效组合成抽象的高层次数据类别特征，从而找到分布式数据的特征规则。深度学习技术的应用推进了智慧农业的建设，特别是在种子质量检测，果类种植智能化与自动化，土壤自动灌溉等方面实现农业智能化机械设备的创新型研发。图1.3深度学习技术在农业方面的应用水果这样的经济作物在生活中屡见不鲜，而眼睛所见到的水果都已经是人工分拣好的。面对农业大国，产量超出想象的经济作物，必须要用一种更加科学高效的方式解决好产后处理。不同种类的水果识别分类可以在很多场景中进行应用，如大型农场中可以使用智能机器人进行采摘；采摘之后可以对其进行种类或者成熟度识别节省人工成本以及缩短运输到市场的周期；在市场销售过程中可以借助自动识别的技术给消费者带来便捷。课题研究从人性化与科技化方面切入，采集不同种类的水果借助深度学习模型机制完成正确的分类识别，在水果分类方面进行改善，促进市场水果的流通，增强市场经济的竞争力。
【参考文献】：
期刊论文
[1]基于深度学习水果检测的研究与改进[J]. 黄豪杰,段先华,黄欣辰. 计算机工程与应用. 2020(03)
[2]基于HOG特征提取和模糊支持向量机的西夏文字识别[J]. 刘兴长,孟昱煜. 西北师范大学学报(自然科学版). 2019(05)
[3]深度学习在我国农业中的应用研究现状[J]. 吕盛坪,李灯辉,冼荣亨. 计算机工程与应用. 2019(20)
[4]一种改进的Otsu多阈值SAR图像分割方法[J]. 杨蕴,李玉,王玉,赵泉华. 遥感信息. 2019(04)
[5]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)
[6]形态学与RCF相结合的唐卡图像边缘检测算法[J]. 刘千,葛阿雷,史伟. 计算机应用与软件. 2019(06)
[7]基于深度卷积神经网络的柑橘目标识别方法[J]. 毕松,高峰,陈俊文,张潞. 农业机械学报. 2019(05)
[8]基于卷积神经网络的水果图像分类识别研究[J]. 曾平平,李林升. 机械设计与研究. 2019(01)
[9]基于噪声检测和动态窗口的图像去噪算法[J]. 王文豪,严云洋,姜明新,高尚兵,于永涛. 图学学报. 2019(01)
[10]基于灰度共生矩阵和区域生长算法的红外光伏面板图像分割[J]. 洪向共,周世芬. 科学技术与工程. 2018(34)
硕士论文
[1]苹果图像特征提取与分类算法的研究与应用[D]. 郭永豪.重庆大学 2010
本文编号：2930017
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/2930017.html
