基于深度学习的移动端葡萄图像识别研究与实现
发布时间：2022-10-06 18:04
在人工智能浪潮的推动下,对果园实行智能化管理势在必行,这其中对果实的自动识别检测又是实现智能化种植、采摘的重要前提。自然环境下果园葡萄的检测存在叶片、葡萄相互遮挡和光线照射不均匀等问题,对于绿色葡萄的检测来说更为突出的问题是前景（绿色葡萄）和背景（葡萄叶片）相似,使得通过手动进行特征提取的常规检测方法难以进行准确检测,而基于卷积神经网络的检测方法因可以自动提取更加丰富的特征,并采用端到端的方式进行训练和检测,能够满足葡萄果园场景的检测需求。本文以葡萄果园场景中的葡萄作为研究对象,利用深度卷积神经网络对自然场景下果园葡萄进行自动检测,并设计果园葡萄检测系统,实现了对于果园葡萄快速、高效的检测,为葡萄的智能化采摘打下坚实的基础。主要研究工作与结论如下:（1）葡萄果园数据集的建立。鉴于国内缺少葡萄果园数据集,本文通过在果园实地拍摄的方式,采集了共11种葡萄的3223张图像,并进行手动人工标注,建立Pascal VOC格式的果园葡萄图像数据集。数据集中包含不同光照条件、不同拍摄距离、不同拍摄角度下的葡萄图像。为进一步扩大数据集,提高训练数据多样性,对数据集使用水平翻转、平移、随机块采样等方法进...
【文章页数】：69 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 研究背景与意义
1.2 水果目标检测研究现状
1.3 轻量化网络模型研究现状
1.4 主要研究内容
1.5 本文结构安排
第二章 卷积神经网络与目标检测算法
2.1 卷积神经网络
2.2 常用卷积神经网络模型
2.2.1 VGG网络模型
2.2.2 Res Net网络模型
2.3 基于卷积神经网络的目标检测算法
2.4 本章小结
第三章 基于ROI Align的 Faster R-CNN果园葡萄检测研究
3.1 实验样本与图像采集
3.2 数据集标注
3.3 数据扩增
3.4 基于ROI Align的 Faster R-CNN果园葡萄检测研究
3.4.1 Faster R-CNN网络
3.4.2 特征提取网络的改进
3.4.3 对ROI pooling的改进
3.5 实验结果和分析
3.5.1 实验环境和评价指标
3.5.2 不同特征提取网络对比
3.5.3 ROI Pooling和 ROI Align对比
3.5.4 Faster R-CNN检测结果可视化
3.6 本章小结
第四章 基于Mobile Net的 SSD果园葡萄检测研究
4.1 SSD网络
4.2 Mobile Net V1 网络
4.3 Mobile Net V1_SSD网络
4.4 Mobile Net V2 网络
4.5 Mobile Net V2_SSD网络
4.6 Focal loss损失函数
4.7 融合FPN的 SSD网络
4.7.1 FPN结构
4.7.2 Mobile Net V2_SSD融合FPN网络结构
4.8 实验结果及分析
4.8.1 不同基础特征提取网络对比分析
4.8.2 损失函数的优化
4.8.3 模型压缩实验
4.8.4 FPN与 SSD融合实验
4.9 本章小结
第五章 移动端葡萄果园图像识别系统的设计与实现
5.1 葡萄果园图像识别系统的需求分析
5.2 基于安卓操作系统的葡萄果园图像识别系统
5.2.1 安卓知识简介
5.2.2 Tensor Flow Serving
5.2.3 Tensor Flow Lite
5.2.4 系统结构设计与实现
5.3 基于Jetson Nano的葡萄果园图像识别系统
5.3.1 Jetson Nano介绍
5.3.2 Tensor RT
5.3.3 果园葡萄检测算法在Jetson Nano上的实现
5.3.4 多线程处理下的模型加速
5.3.5 实验结果分析
5.4 本章小结
第六章 总结展望
6.1 总结
6.2 展望
参考文献
致谢
【参考文献】：
期刊论文
[1]改进深度学习框架Faster-RCNN的苹果目标检测[J]. 李林升,曾平平. 机械设计与研究. 2019(05)
[2]基于深度学习芒果图像在线识别与计数方法研究[J]. 岑冠军,华俊达,潘怡颖,刘大河,苏贝贝,钟政,张连宽,高燕. 热带作物学报. 2020(03)
[3]深度神经网络压缩综述[J]. 李青华,李翠平,张静,陈红,王绍卿. 计算机科学. 2019(09)
[4]基于改进YOLOv3-LITE轻量级神经网络的柑橘识别方法[J]. 吕石磊,卢思华,李震,洪添胜,薛月菊,吴奔雷. 农业工程学报. 2019(17)
[5]基于改进AlexNet的广域复杂环境下遮挡猕猴桃目标识别[J]. 穆龙涛,高宗斌,崔永杰,李凯,刘浩洲,傅隆生. 农业机械学报. 2019(10)
[6]轻量化卷积神经网络技术研究[J]. 毕鹏程,罗健欣,陈卫卫. 计算机工程与应用. 2019(16)
[7]深度学习在图像识别中的应用研究综述[J]. 郑远攀,李广阳,李晔. 计算机工程与应用. 2019(12)
[8]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)
[9]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)
[10]基于改进型MobileNet网络的车型识别方法[J]. 黄跃珍,王乃洲,梁添才,金晓峰. 电子技术与软件工程. 2019(01)
硕士论文
[1]基于深度学习的特征融合及其在医学图像中的应用[D]. 刘义.武汉科技大学 2019
[2]基于深度学习的移动端图像识别算法[D]. 黄萱昆.北京邮电大学 2018
[3]基于深度学习的考场智能视觉监控系统[D]. 白皓.北京邮电大学 2018
本文编号：3687130
【文章页数】：69 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 研究背景与意义
1.2 水果目标检测研究现状
1.3 轻量化网络模型研究现状
1.4 主要研究内容
1.5 本文结构安排
第二章 卷积神经网络与目标检测算法
2.1 卷积神经网络
2.2 常用卷积神经网络模型
2.2.1 VGG网络模型
2.2.2 Res Net网络模型
2.3 基于卷积神经网络的目标检测算法
2.4 本章小结
第三章 基于ROI Align的 Faster R-CNN果园葡萄检测研究
3.1 实验样本与图像采集
3.2 数据集标注
3.3 数据扩增
3.4 基于ROI Align的 Faster R-CNN果园葡萄检测研究
3.4.1 Faster R-CNN网络
3.4.2 特征提取网络的改进
3.4.3 对ROI pooling的改进
3.5 实验结果和分析
3.5.1 实验环境和评价指标
3.5.2 不同特征提取网络对比
3.5.3 ROI Pooling和 ROI Align对比
3.5.4 Faster R-CNN检测结果可视化
3.6 本章小结
第四章 基于Mobile Net的 SSD果园葡萄检测研究
4.1 SSD网络
4.2 Mobile Net V1 网络
4.3 Mobile Net V1_SSD网络
4.4 Mobile Net V2 网络
4.5 Mobile Net V2_SSD网络
4.6 Focal loss损失函数
4.7 融合FPN的 SSD网络
4.7.1 FPN结构
4.7.2 Mobile Net V2_SSD融合FPN网络结构
4.8 实验结果及分析
4.8.1 不同基础特征提取网络对比分析
4.8.2 损失函数的优化
4.8.3 模型压缩实验
4.8.4 FPN与 SSD融合实验
4.9 本章小结
第五章 移动端葡萄果园图像识别系统的设计与实现
5.1 葡萄果园图像识别系统的需求分析
5.2 基于安卓操作系统的葡萄果园图像识别系统
5.2.1 安卓知识简介
5.2.2 Tensor Flow Serving
5.2.3 Tensor Flow Lite
5.2.4 系统结构设计与实现
5.3 基于Jetson Nano的葡萄果园图像识别系统
5.3.1 Jetson Nano介绍
5.3.2 Tensor RT
5.3.3 果园葡萄检测算法在Jetson Nano上的实现
5.3.4 多线程处理下的模型加速
5.3.5 实验结果分析
5.4 本章小结
第六章 总结展望
6.1 总结
6.2 展望
参考文献
致谢
【参考文献】：
期刊论文
[1]改进深度学习框架Faster-RCNN的苹果目标检测[J]. 李林升,曾平平. 机械设计与研究. 2019(05)
[2]基于深度学习芒果图像在线识别与计数方法研究[J]. 岑冠军,华俊达,潘怡颖,刘大河,苏贝贝,钟政,张连宽,高燕. 热带作物学报. 2020(03)
[3]深度神经网络压缩综述[J]. 李青华,李翠平,张静,陈红,王绍卿. 计算机科学. 2019(09)
[4]基于改进YOLOv3-LITE轻量级神经网络的柑橘识别方法[J]. 吕石磊,卢思华,李震,洪添胜,薛月菊,吴奔雷. 农业工程学报. 2019(17)
[5]基于改进AlexNet的广域复杂环境下遮挡猕猴桃目标识别[J]. 穆龙涛,高宗斌,崔永杰,李凯,刘浩洲,傅隆生. 农业机械学报. 2019(10)
[6]轻量化卷积神经网络技术研究[J]. 毕鹏程,罗健欣,陈卫卫. 计算机工程与应用. 2019(16)
[7]深度学习在图像识别中的应用研究综述[J]. 郑远攀,李广阳,李晔. 计算机工程与应用. 2019(12)
[8]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)
[9]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)
[10]基于改进型MobileNet网络的车型识别方法[J]. 黄跃珍,王乃洲,梁添才,金晓峰. 电子技术与软件工程. 2019(01)
硕士论文
[1]基于深度学习的特征融合及其在医学图像中的应用[D]. 刘义.武汉科技大学 2019
[2]基于深度学习的移动端图像识别算法[D]. 黄萱昆.北京邮电大学 2018
[3]基于深度学习的考场智能视觉监控系统[D]. 白皓.北京邮电大学 2018
本文编号：3687130
本文链接：https://www.wllwen.com/nykjlw/yylw/3687130.html
