自然环境下的柑橘目标识别方法研究

发布时间：2020-07-11 23:05

【摘要】：作为世界上重要的水果生产国,截至2017年我国的柑橘产量已达到3816.78万吨,但水果采摘环境复杂性使得当前水果采摘作业依然以人工采摘为主。随着我国城镇化的快速发展,农业从业人员的大幅下降和劳动力成本的上升使得水果产业面临劳动力不足的问题,不利于水果种植行业快速发展。因此,实现水果自动化采摘对于解决水果产业劳动力不足、提高果品的市场竞争力等方面有重要意义。自然环境下的柑橘识别是实现柑橘自动采摘的重要支撑技术。现有的柑橘目标识别算法多数从目标的颜色、纹理和形状等视觉特征入手设计目标识别算法,上述方法在限定的环境条件下取得了较好识别结果。由于自然环境具有复杂、非结构化的特点,目标果实会受到光照变化、亮度不匀、前背景相似、果实及枝叶相互遮挡、阴影覆盖等干扰因素影响,从而使其外观特征随环境的变化而产生较大变化,导致获得覆盖上述环境干扰因素的目标完备特征集较为困难,在多个干扰因素同时出现的情况下,现有算法的果实目标识别效果不理想。深度卷积神经网络业已被证明是一种有效的图像目标特征提取网络,其可从大量训练数据中通过卷积结构提取低层特征,并通过池化结构获得高层特征。通过特征学习方法获得的语义特征对复杂环境具有良好的适应性,为提高复杂环境中的目标识别准确率提供了良好的基础。本文基于深度卷积网络设计了自然采摘环境下的柑橘目标识别算法,识别算法在光照变化、阴影覆盖、着色度变化、枝叶遮挡、果实重叠等不同识别条件下依然具有较高的识别正确率,;同时为保证采摘机器人的采摘末端移动时能够快速的跟踪目标,本文设计了目标尺度自适应KCF跟踪算法以克服目标在图像中尺度变化对跟踪的影响,从而引导机器人采摘末端快速对准柑橘目标。通过综合上述目标识别和目标跟踪方法,实现了自然环境中的柑橘目标识别系统。相较于经典目标识别算法——可变性部件模型(Deformable part model,DPM),本文设计的基于深度卷积网络的目标识别系统在复杂环境下具有良好的目标识别能力。相较于经典的KCF目标跟踪算法,本文设计的目标尺度自适应KCF跟踪算法,在采摘机器人末端移动时,该算法具有良好的目标跟踪能力。本文基于实际采摘现场采集的柑橘目标图像样本构造了符合VOC2007格式的目标数据集,在该数据集上测试本文设计的算法获得良好的识别结果。本文所提出的方法对自然采摘环境具有良好的适应能力,为设计可实际应用的柑橘自动采摘机器人提供了一种可行的目标识别和跟踪的方法。
【学位授予单位】：北方工业大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：S225.93;TP391.41
【图文】：

遍历操作,滑动窗口法,目标区域

１．目标区域定位逡逑经典的目标识别算法需要对整张图像做区域穷举遍历，其中代表性方法就是逡逑滑动窗口法，ＤＰＭ也是用的该方法。滑动窗口对整张图像做窗口遍历，如图２＿１。逡逑＿邋■圃逡逑图２－１滑动窗口法提取目标区域逡逑在同一张图上会进行多次遍历操作，在实际操作中为了更加精准的框中目标，还逡逑需要设置不同的纵横比。这种方法可以确保框中目标位置，但缺点也是显而易见逡逑的，首先遍历操作耗费时间较多，再者由于提取出的候选区域太多，包含较多的逡逑重复区域，将拖慢后续的特征提取和分类步骤的运行速度。对候选区域完成特征逡逑提取后，对该区域运用支持向量机分类算法打分，以此来判断该区域是否存在目逡逑标。实际上，该种搜索方法效率很低，较难应用到实时识别中。逡逑９逡逑

特征提取,区块,经典,遍历操作

样本,支持向量,空置,超平面

Ｔ逦（２－３）逡逑若超平面能将训练样本正确分类，即能有0ｃ，，ｘ．）ｅＤ，Ｄ是样本合集，如图２－３，逡逑若分类后的样本能满足如下表示式：逡逑（＾ｘｉ＋ｂ＞＋ｌ，ｙｉ＝＋ｌ逦（２＿４）逡逑＜ｙＴｘ７邋－ｆｉ＜－ｌ５＾７邋＝－ｌ逡逑ｘ２ｉ邋！逦Ｕ？ＴＸ邋＋邋令＝１邋＇，篇，■人逡逑４＋Ｗ１逡逑：＋．．？今“，逡逑／邋ｚ邋／邋——逡逑／b6＇：逡逑°—：邋邋逦ｒｒ逡逑图２－３支持向量与间隔逡逑如图２－３，对于分类好的样本，在超平面±１的范围内，应该是空置区，所以样本逡逑必须在该空置区之外，此时一定会有样本位于±１的边界线上使得２．４式成立，这逡逑些样本被称为“支持向量”，＋１和－１两边界上的支持向量到超平面的距离之和（间逡逑隔）可表７Ｆ为：逡逑至此，完成样本分类问题就转换成了寻找最大间隔（Ｍａｘｉｍｕｍ邋ｍａｒｇｉｎ）问题，即逡逑找到满足２－４式约束的参数＆和６

【相似文献】