基于卷积神经网络的未成熟芒果检测研究与实现
发布时间：2020-12-26 11:50
未成熟芒果的自动目标检测是实现智能喷施、生长态势监测和早期产量估计等芒果种植管理的重要前提。计算机视觉技术为水果目标检测提供了有效、便捷的方法,成为国内外主流的检测技术手段。在果园场景下,由于光照的多样性、背景的复杂性及芒果与树叶颜色的高度相似性,特别是树叶和枝干对果实的遮挡及果实相互重叠,给未成熟芒果检测带来极大的挑战。深度卷积神经网络通过深层卷积,可提取比传统手工设计特征更加丰富、抽象的卷积特征,具有更加精确、快速的目标检测能力,近年来受到极为广泛的关注。因此,本文基于区域生成、回归两类深度学习目标检测方法,研究果园场景下未成熟芒果的目标检测,并设计芒果检测视觉系统,实现了果园场景下的果实高精度、快速检测。主要研究工作与创新如下:（1）芒果图像数据集的建立。通过果园实地采集芒果图像与人工标注,建立芒果图像数据集。为降低自然场景图像受光照的影响,在HSI色彩模型中使用自适应直方图均衡化方法提高图像质量、提升图像多样性。针对自然场景下芒果易被遮挡或相互重叠等情形,提出用训练样本目标前景区域标注加强芒果前景区域卷积特征学习的方法,减少深度卷积网络训练过程中对非目标特征的提取。为进一步扩大...
【文章来源】：华南农业大学广东省
【文章页数】：76 页
【学位级别】：硕士
【部分图文】：
HOG特征提取
图 2.4 两层神经网络结构（未考虑偏置） 90 年代，LeCun 等人（1998）发表论文，确立并完善了nal Neural Network，CNN）结构。他们提出的手写字体识期经典的卷积神经网络结构。2006 年，Hinton（2006）在表论文，首次提出“深度置信网络”（DeepBeliefNetwork就此崭露头角。2012 年的 ImageNet 大规模视觉识别挑战Alex Krizhevsky 设计了多层的卷积神经网络，并用包含一集进行模型训练，以高出第二名约 11 个百分点的成绩夺络，就是著名的 AlexNet。自此，有关深度卷积神经网络图像识别、语音识别等众多领域取得了突破性成绩。ZFN ResNet 等均是近几年来众多卷积神经网络中的经典网络。特点
图 2.5 卷积运算示例（2）池化层池化层（Pooling Layer）又称下采样层，其功能为对该层输入进行下采样操作，主要作用是减小特征图尺寸，简化网络计算复杂度。通过稀疏特征图，网络模型不仅可以提取更主要的特征，还可以降低由输入的轻微位移、形变等造成的干扰，避免训练过拟合。常用的池化层类型有最大池化、均值池化、高斯池化等。图 2.6 所示为最大池化的实现过程。
【参考文献】：
期刊论文
[1]基于卷积神经网络的田间多簇猕猴桃图像识别方法[J]. 傅隆生,冯亚利,Elkamil Tola,刘智豪,李瑞,崔永杰. 农业工程学报. 2018(02)
[2]如何提高芒果种植效率[J]. 施茹萍. 农业与技术. 2017(08)
[3]2015年芒果产业发展报告及形势[J]. 徐磊磊. 世界热带农业信息. 2016(11)
[4]山地芒果高产优质种植技术的思考[J]. 农学明. 南方农业. 2016(27)
[5]基于显著性检测与改进Hough变换方法识别未成熟番茄[J]. 马翠花,张学平,李育涛,林松,肖德琴,张连宽. 农业工程学报. 2016(14)
[6]近色背景中树上绿色苹果识别方法[J]. 张春龙,张楫,张俊雄,李伟. 农业机械学报. 2014(10)
[7]变化光照下树上柑橘目标检测与遮挡轮廓恢复技术[J]. 卢军,桑农. 农业机械学报. 2014(04)
[8]基于量子遗传模糊神经网络的苹果果实识别[J]. 马晓丹,刘刚,周薇,冯娟. 农业机械学报. 2013(12)
[9]我国芒果产业现状与发展策略[J]. 李日旺,黄国弟,苏美花,周俊岸,陈永森. 南方农业学报. 2013(05)
[10]基于机器视觉自然场景下成熟柑橘识别[J]. 蔡健荣,周小军,李玉良,范军. 农业工程学报. 2008(01)
本文编号：2939643
【文章来源】：华南农业大学广东省
【文章页数】：76 页
【学位级别】：硕士
【部分图文】：
HOG特征提取
图 2.4 两层神经网络结构（未考虑偏置） 90 年代，LeCun 等人（1998）发表论文，确立并完善了nal Neural Network，CNN）结构。他们提出的手写字体识期经典的卷积神经网络结构。2006 年，Hinton（2006）在表论文，首次提出“深度置信网络”（DeepBeliefNetwork就此崭露头角。2012 年的 ImageNet 大规模视觉识别挑战Alex Krizhevsky 设计了多层的卷积神经网络，并用包含一集进行模型训练，以高出第二名约 11 个百分点的成绩夺络，就是著名的 AlexNet。自此，有关深度卷积神经网络图像识别、语音识别等众多领域取得了突破性成绩。ZFN ResNet 等均是近几年来众多卷积神经网络中的经典网络。特点
图 2.5 卷积运算示例（2）池化层池化层（Pooling Layer）又称下采样层，其功能为对该层输入进行下采样操作，主要作用是减小特征图尺寸，简化网络计算复杂度。通过稀疏特征图，网络模型不仅可以提取更主要的特征，还可以降低由输入的轻微位移、形变等造成的干扰，避免训练过拟合。常用的池化层类型有最大池化、均值池化、高斯池化等。图 2.6 所示为最大池化的实现过程。
【参考文献】：
期刊论文
[1]基于卷积神经网络的田间多簇猕猴桃图像识别方法[J]. 傅隆生,冯亚利,Elkamil Tola,刘智豪,李瑞,崔永杰. 农业工程学报. 2018(02)
[2]如何提高芒果种植效率[J]. 施茹萍. 农业与技术. 2017(08)
[3]2015年芒果产业发展报告及形势[J]. 徐磊磊. 世界热带农业信息. 2016(11)
[4]山地芒果高产优质种植技术的思考[J]. 农学明. 南方农业. 2016(27)
[5]基于显著性检测与改进Hough变换方法识别未成熟番茄[J]. 马翠花,张学平,李育涛,林松,肖德琴,张连宽. 农业工程学报. 2016(14)
[6]近色背景中树上绿色苹果识别方法[J]. 张春龙,张楫,张俊雄,李伟. 农业机械学报. 2014(10)
[7]变化光照下树上柑橘目标检测与遮挡轮廓恢复技术[J]. 卢军,桑农. 农业机械学报. 2014(04)
[8]基于量子遗传模糊神经网络的苹果果实识别[J]. 马晓丹,刘刚,周薇,冯娟. 农业机械学报. 2013(12)
[9]我国芒果产业现状与发展策略[J]. 李日旺,黄国弟,苏美花,周俊岸,陈永森. 南方农业学报. 2013(05)
[10]基于机器视觉自然场景下成熟柑橘识别[J]. 蔡健荣,周小军,李玉良,范军. 农业工程学报. 2008(01)
本文编号：2939643
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/2939643.html
