基于机器视觉的树上柚子果实识别方法研究
发布时间：2020-12-21 13:14
采摘机器人完成采摘工作首先需要识别出复杂背景中的果实目标,因此识别能力是判别采摘机器人性能的主要技术指标之一。本文以对自然环境中树上的柚子果实作为对象,进行了柚子果实识别方法的研究。对比了复杂背景下多种识别方法的识别能力表现,将识别能力和可移植性作为评价指标选取最优的识别方法,并将其作为采摘机器人识别模块算法。主要研究内容和结论如下:数据集获取与划分。本文所用数据共1300幅包含柚子果实图像,数据获取的方式通过对图像进行拍摄,拍摄距离选取3个区间,分别为近距离拍摄区间[0.1-1.0m]、中等距离拍摄区间[1.0-2.0m]、远距离拍摄区间[2.0-3.0m]。分别选取向光生长和背光生长的柚子果实作为拍摄对象,拍摄的果实包括无遮挡果实、树枝或树叶遮挡下的果实、重叠生长的果实等果实类型。文中平均选取3个拍摄距离下的2种生长状态果实共60幅图像作为验证集,其余1010幅图像作为深度学习训练与测试集。基于图像分割的柚子果实识别。选取色差法与K-means聚类算法作为图像分割算法,分别使用2种方法对本文划定的验证集进行图像分割。色差法在选取1.6R-GB色差分量在数据集图像分割效果上有较好的分...
【文章来源】：华中农业大学湖北省 211工程院校 教育部直属院校
【文章页数】：67 页
【学位级别】：硕士
【部分图文】：
图像标定Fig.2-3Imagecalibration
像分割上有最佳的差异性，能够将目标物更好的从背景中分割的柚子图像是以 RGB 格式存储的，本文用于自然环境下的果实 RGB、HSV 和 Lab 这 3 种颜色空间模型。颜色空间模型最常用的颜色空间模型，同时也是其他颜色空间模型转换的基要通过相关的计算公式进行转换，它也最常用的颜色模型之一像都是由 R、G、B 颜色分量组成，3 种颜色通道的取值均为[色分量数值相互组合得到了各种色彩。通过 R 分量、G 分量、以确定这些分量所组成的颜色，同样，通过分析图像中颜色也的 R 分量、G 分量、B 分量的相关数值。对于目标物和背景物过颜色特征了解到目标物 R 分量、G 分量、B 分量之间的关系量、B 分量之间的关系，以及 2 者之间所存在的差异之处，利算法，能够将目标物从背景中突出显示出来，完成目标物与背象的识别提供了理论依据。图 3-1 为 RGB 颜色空间模型。
图 3-3 HSV 颜色模型Fig. 3-3 HSV color model与 RGB 颜色空间模型的转换，是将红[0,1]之间，如果 3 个数值中最大的是 色空间模型转换至 HSV 颜色空间模型( ) × ° = ( ) × ° = ) × ° = S = V = 子果实图像的 H、S、V 分量图进行提
【参考文献】：
期刊论文
[1]基于R-FCN深度卷积神经网络的机器人疏果前苹果目标的识别[J]. 王丹丹,何东健. 农业工程学报. 2019(03)
[2]基于YOLO深度卷积神经网络的复杂背景下机器人采摘苹果定位[J]. 赵德安,吴任迪,刘晓洋,赵宇艳. 农业工程学报. 2019(03)
[3]基于改进Faster R-CNN算法的舰船目标检测与识别[J]. 赵春晖,周瑶. 沈阳大学学报(自然科学版). 2018(05)
[4]现代农业——半自动化采摘机械研究[J]. 周浩涛,贾玮,梁明远,吴勇文. 南方农机. 2018(19)
[5]未成熟芒果的改进YOLOv2识别方法[J]. 薛月菊,黄宁,涂淑琴,毛亮,杨阿庆,朱勋沐,杨晓帆,陈鹏飞. 农业工程学报. 2018(07)
[6]自然环境下绿色柑橘视觉检测技术研究[J]. 熊俊涛,刘振,汤林越,林睿,卜榕彬,彭红星. 农业机械学报. 2018(04)
[7]ReLU激活函数优化研究[J]. 蒋昂波,王维维. 传感器与微系统. 2018(02)
[8]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)
[9]基于计算机视觉的瓜果采摘系统的运用研究[J]. 王彦辉,赵培琨,边东良. 农机化研究. 2018(01)
[10]基于改进激活函数的卷积神经网络研究[J]. 曲之琳,胡晓飞. 计算机技术与发展. 2017(12)
硕士论文
[1]基于深度学习卷积神经网络的目标检测[D]. 张哲.吉林大学 2018
[2]基于深度学习的目标检测算法研究[D]. 温捷文.广东工业大学 2018
[3]基于深度学习的舰船目标检测与识别[D]. 周瑶.哈尔滨工程大学 2018
[4]基于机器视觉的簇生猕猴桃果实多目标识别方法研究[D]. 陈礼鹏.西北农林科技大学 2018
[5]自然场景下猕猴桃识别方法研究[D]. 王瑞.西北农林科技大学 2017
[6]苹果采摘机器人重叠果实快速动态识别及定位研究[D]. 沈甜.江苏大学 2016
[7]基于卷积神经网络的行为识别研究[D]. 吴杰.电子科技大学 2015
[8]田间猕猴桃图像识别方法研究[D]. 詹文田.西北农林科技大学 2014
本文编号：2929888
【文章来源】：华中农业大学湖北省 211工程院校 教育部直属院校
【文章页数】：67 页
【学位级别】：硕士
【部分图文】：
图像标定Fig.2-3Imagecalibration
像分割上有最佳的差异性，能够将目标物更好的从背景中分割的柚子图像是以 RGB 格式存储的，本文用于自然环境下的果实 RGB、HSV 和 Lab 这 3 种颜色空间模型。颜色空间模型最常用的颜色空间模型，同时也是其他颜色空间模型转换的基要通过相关的计算公式进行转换，它也最常用的颜色模型之一像都是由 R、G、B 颜色分量组成，3 种颜色通道的取值均为[色分量数值相互组合得到了各种色彩。通过 R 分量、G 分量、以确定这些分量所组成的颜色，同样，通过分析图像中颜色也的 R 分量、G 分量、B 分量的相关数值。对于目标物和背景物过颜色特征了解到目标物 R 分量、G 分量、B 分量之间的关系量、B 分量之间的关系，以及 2 者之间所存在的差异之处，利算法，能够将目标物从背景中突出显示出来，完成目标物与背象的识别提供了理论依据。图 3-1 为 RGB 颜色空间模型。
图 3-3 HSV 颜色模型Fig. 3-3 HSV color model与 RGB 颜色空间模型的转换，是将红[0,1]之间，如果 3 个数值中最大的是 色空间模型转换至 HSV 颜色空间模型( ) × ° = ( ) × ° = ) × ° = S = V = 子果实图像的 H、S、V 分量图进行提
【参考文献】：
期刊论文
[1]基于R-FCN深度卷积神经网络的机器人疏果前苹果目标的识别[J]. 王丹丹,何东健. 农业工程学报. 2019(03)
[2]基于YOLO深度卷积神经网络的复杂背景下机器人采摘苹果定位[J]. 赵德安,吴任迪,刘晓洋,赵宇艳. 农业工程学报. 2019(03)
[3]基于改进Faster R-CNN算法的舰船目标检测与识别[J]. 赵春晖,周瑶. 沈阳大学学报(自然科学版). 2018(05)
[4]现代农业——半自动化采摘机械研究[J]. 周浩涛,贾玮,梁明远,吴勇文. 南方农机. 2018(19)
[5]未成熟芒果的改进YOLOv2识别方法[J]. 薛月菊,黄宁,涂淑琴,毛亮,杨阿庆,朱勋沐,杨晓帆,陈鹏飞. 农业工程学报. 2018(07)
[6]自然环境下绿色柑橘视觉检测技术研究[J]. 熊俊涛,刘振,汤林越,林睿,卜榕彬,彭红星. 农业机械学报. 2018(04)
[7]ReLU激活函数优化研究[J]. 蒋昂波,王维维. 传感器与微系统. 2018(02)
[8]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)
[9]基于计算机视觉的瓜果采摘系统的运用研究[J]. 王彦辉,赵培琨,边东良. 农机化研究. 2018(01)
[10]基于改进激活函数的卷积神经网络研究[J]. 曲之琳,胡晓飞. 计算机技术与发展. 2017(12)
硕士论文
[1]基于深度学习卷积神经网络的目标检测[D]. 张哲.吉林大学 2018
[2]基于深度学习的目标检测算法研究[D]. 温捷文.广东工业大学 2018
[3]基于深度学习的舰船目标检测与识别[D]. 周瑶.哈尔滨工程大学 2018
[4]基于机器视觉的簇生猕猴桃果实多目标识别方法研究[D]. 陈礼鹏.西北农林科技大学 2018
[5]自然场景下猕猴桃识别方法研究[D]. 王瑞.西北农林科技大学 2017
[6]苹果采摘机器人重叠果实快速动态识别及定位研究[D]. 沈甜.江苏大学 2016
[7]基于卷积神经网络的行为识别研究[D]. 吴杰.电子科技大学 2015
[8]田间猕猴桃图像识别方法研究[D]. 詹文田.西北农林科技大学 2014
本文编号：2929888
本文链接：https://www.wllwen.com/nykjlw/nygclw/2929888.html
