隨著農(nóng)業(yè)現(xiàn)代化的快速推進,通過計算機視覺技術對水果目標的檢測是實現(xiàn)水果自動采摘的關鍵。然而傳統(tǒng)的目標檢測算法需要人工設計特征,且人工設計的特征并不通用,導致檢測精度低。近年來隨著深度學習技術的日益成熟,基于深度學習的目標檢測算法逐漸成為研究熱門,在檢測精度上有了大幅度提升,但是自然環(huán)境下的水果形狀大小不同,且往往容易互相遮擋或者被樹葉遮擋,從而在一定程度上影響檢測精度。因此本文采用基于候選區(qū)域的目標檢測算法Faster R-CNN,并在此基礎上進行改進,通過在獲取的水果數(shù)據(jù)集上實驗驗證,有效提高了多尺度水果和遮擋水果的檢測精度。本文主要研究工作如下:首先針對基于深度學習的自然環(huán)境下水果檢測圖像訓練需要大量真實樣本的問題,在已獲得的數(shù)據(jù)集基礎上進行仿射變換,從而起到數(shù)據(jù)增強的效果,提高訓練模型的魯棒性。然后針對水果檢測過程中小目標易漏檢的情況,提出了一種基于改進的多尺度水果檢測算法,重新設計了候選框的比例和尺度,并將不同層次的特征圖相融合,使用多尺度的特征圖進行特征提取。實驗表明,改進的多尺度水果檢測算法的平均準確率均值達到了83.65%,在整體檢測精度提高的同時減少了小目標漏檢情況。最...

【文章頁數(shù)】：68 頁

【學位級別】：碩士

【部分圖文】：

圖1-12009-2017年我國水果產(chǎn)量變化圖

第1章緒論第1章緒論題研究背景及意義是一個全球性的農(nóng)業(yè)生產(chǎn)大國，其水果產(chǎn)量居世界各國之首。近斷發(fā)展，我國農(nóng)業(yè)機械化程度不斷提高，水果產(chǎn)量逐年增加，如圖我國水果總產(chǎn)量達到29502.2萬噸。但是與發(fā)達國家相比，我國程度不高，水果產(chǎn)量效率不高，僅僅依靠高額的產(chǎn)量在....

圖1-2歷年農(nóng)村以及農(nóng)村勞動力人數(shù)近年來，隨著人工智能[1]

圖1-2歷年農(nóng)村以及農(nóng)村勞動力人數(shù)來，隨著人工智能[1]和計算機視覺[2-5]技術的快速發(fā)展，水果自動的關注，由機器代替人工進行水果采摘已經(jīng)慢慢出現(xiàn)在人們的視者針對不同種類的水果已經(jīng)研究出了各種采摘機器人，但是通過速準確的識別和定位出需要采摘的水果是能夠很好的實現(xiàn)水果自先利用....

圖2-1傳統(tǒng)目標檢測算法框架

燕山大學工程碩士學位論文第2章目標檢測相關算法2.1引言目標檢測一直以來受到研究人員的重視，并且隨著互聯(lián)網(wǎng)技術的蓬勃發(fā)展，目標檢測在現(xiàn)實生活中的應用范圍也越來越廣，其根據(jù)研究對象狀態(tài)可分別基于視頻或者圖片進行目標檢測。本文主要進行基于圖片的目標檢測，即在采集的圖像中檢測并....

圖2-2中值濾波原理圖

式表示為：1(,)(,)fsgxyfxyM(2-5)其中，g(x,y)表示均值濾波后的圖像，f(x,y)表示包含噪聲的原圖像，s表示點(x,y)鄰域范圍內(nèi)點坐標的集合，M表示均值濾波器窗口內(nèi)點的總數(shù)。均值濾波處理簡....

本文編號：3999540