發(fā)布時(shí)間：2020-03-29 11:00

【摘要】：我國(guó)在果蔬種植方面具有很強(qiáng)的競(jìng)爭(zhēng)力,但根據(jù)中國(guó)果業(yè)的發(fā)展特點(diǎn)和趨勢(shì),仍有一些亟待解決的問(wèn)題,其中,水果采摘是整個(gè)行業(yè)中耗時(shí)最長(zhǎng),資金投入最多的步驟之一。目前中國(guó)的采摘工藝大部分是由人力資源完成的,然而隨著人口老齡化和生產(chǎn)成本增加等問(wèn)題的產(chǎn)生,迫切需要將基于人工智能的自動(dòng)化技術(shù)廣泛引入到果蔬采摘中。本論文對(duì)于采摘過(guò)程中果園蘋(píng)果的識(shí)別和定位兩個(gè)核心步驟進(jìn)行了深入研究,完成的主要工作及得出的結(jié)論如下:(1)利用基于神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)網(wǎng)絡(luò)進(jìn)行蘋(píng)果的識(shí)別。深入研究了 SSD(Single Shot Multibox Detector)算法原理,指出由于分類任務(wù)和定位任務(wù)的側(cè)重點(diǎn)不同,所需要的特征性質(zhì)也是不同的。針對(duì)這個(gè)問(wèn)題,本文對(duì)SSD的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行改進(jìn),提出了 FSF-SSD(Feature-separate-fuse SSD)算法,在一定程度上將類別預(yù)測(cè)和位置預(yù)測(cè)兩個(gè)任務(wù)分離,并對(duì)位置預(yù)測(cè)任務(wù)的特征圖采用特征融合操作,結(jié)合上層語(yǔ)義信息和低層外觀特征,使其獲得更多的定位與細(xì)節(jié)信息。(2)利用雙目立體視覺(jué)理論,在識(shí)別蘋(píng)果的基礎(chǔ)上定位其空間位置。論文在深入研究3D視覺(jué)理論基礎(chǔ)上,設(shè)計(jì)一種與FSF-SSD算法相結(jié)合的立體匹配算法。算法依次計(jì)算待匹配圖像中回歸框與參照?qǐng)D像中各個(gè)回歸框的IoU(Intersection over Union,交并比),得到在參照?qǐng)D像中與待匹配圖像IoU最大的回歸框序號(hào),若兩次得到的最大IoU回歸框的序號(hào)相同,則匹配成功。在成功匹配的基礎(chǔ)上利用視差法進(jìn)行了蘋(píng)果的定位并得到蘋(píng)果中心點(diǎn)的三維坐標(biāo),從而為機(jī)械臂的抓取提供數(shù)據(jù)支持。(3)基于以上研究,本文進(jìn)行了實(shí)驗(yàn)驗(yàn)證。對(duì)于果園蘋(píng)果的識(shí)別,FSF-SSD算法的平均檢測(cè)精度為95.25%,在SSD基礎(chǔ)上提升了 2.31%。為了證明模型的遷移能力,本文還在Pascal VOC 2007公開(kāi)數(shù)據(jù)集進(jìn)行了驗(yàn)證,平均檢測(cè)精度為74.92%,在SSD基礎(chǔ)上提升了 1.03%。對(duì)于蘋(píng)果定位環(huán)節(jié),本文首先進(jìn)行了匹配算法的驗(yàn)證工作,分析實(shí)驗(yàn)結(jié)果可以得出,對(duì)于遮擋較少的密集場(chǎng)景的匹配準(zhǔn)確率達(dá)到97.8%,對(duì)于有部分遮擋的場(chǎng)景匹配準(zhǔn)確率達(dá)到96.8%。最后在成功匹配的基礎(chǔ)上進(jìn)行視差法定位實(shí)驗(yàn),分析實(shí)驗(yàn)結(jié)果可以得出,基于中心點(diǎn)坐標(biāo)匹配的視差定位法精度可以滿足機(jī)械臂的誤差要求。至此,對(duì)果園蘋(píng)果完成了精確識(shí)別、立體匹配和空間定位,這一全新的采摘方案為機(jī)械臂抓取提供了算法基礎(chǔ)和數(shù)據(jù)支持,應(yīng)用前景十分廣闊。
【圖文】：

進(jìn)而在模式識(shí)別和圖像分類領(lǐng)域應(yīng)用十分廣泛。逡逑一個(gè)卷積神經(jīng)網(wǎng)絡(luò)最簡(jiǎn)單結(jié)構(gòu)包括輸入層、隱藏層和輸出層，其中隱逡逑藏層由卷積層和池化層組合而成，結(jié)構(gòu)如圖２－１所示。yL經(jīng)網(wǎng)絡(luò)的上一層逡逑神經(jīng)元通過(guò)激活函數(shù)作用，映射到下一層神經(jīng)元，每個(gè)神經(jīng)元之間有相對(duì)逡逑應(yīng)的權(quán)值，輸出即為分類類別。逡逑＂＾１邐邐——［ｍｉ邐邐Ｗ邐ｉ邐逡逑人＿＿＾積＿＿，１邋＿＿＾化＿＿＾積一＿，Ｊ＿＿＾化？？？？？？邋＿＿Ｊ逡逑目巨邐幽邐巨巨幽邐問(wèn)邐＾接逡逑＾１邐１＾１邋ｍｌ邋１＾１邐＼＾＼邋＼ｍ邋＼ｍ＼邐－邐層逡逑？逡逑＜—反向傳播—？前向傳播逡逑圖２－１卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖逡逑Ｆｉｇ．２－１邋Ｓｔｒｕｃｔｕｒａｌ邋ｓｃｈｅｍａｔｉｃ邋ｄｉａｇｒａｍ邋ｏｆ邋ＣＮＮ逡逑２．１．２隱藏層逡逑卷積層和池化層的疊加組合，構(gòu)成卷積神經(jīng)網(wǎng)絡(luò)的隱藏層。逡逑卷積層是卷積神經(jīng)網(wǎng)絡(luò)ＣＮＮ的核心層之一，它的作用是用來(lái)提取圖像逡逑特征，淺層卷積會(huì)提取到較為淺顯的特征，如外觀、線條和角度，隨著卷逡逑積層數(shù)的增加，不斷迭代之前提取到的特征，從而使深層卷積的特征更加逡逑抽象和復(fù)雜。卷積層中最重要的部分是卷積核參數(shù)

常見(jiàn)的激活函數(shù)如下：逡逑（１）邋ｓｉｇｍｏｉｄ函數(shù)。ｓｉｇｍｏｉｄ函數(shù)的作用是把輸入的連續(xù)值變換為０和逡逑１之間的輸出，如圖２－２所示。Ｓｉｇｍｏｉｄ函數(shù)雖然能起到激活作用，但過(guò)多逡逑的網(wǎng)絡(luò)層數(shù)易導(dǎo)致梯度爆炸甚至梯度消失。也正是由于這個(gè)原因，近年來(lái)，，逡逑ｓｉｇｍｏｉｄ的使用率越來(lái)越低，逐漸被其他性能更優(yōu)異的激活函數(shù)代替。逡逑ｆ（＾）邋＝邐ｎ邋ｎ逡逑１－ｈｅ邐（１－１）逡逑ｓｉｇｍｏｉｄ逡逑邐邐邐邋ｆｏ邋？邐邐邐逡逑—Ａｃｔｉｖａｔｉｏｎ逡逑—Ｇｒａｄｉｅｎｔ逡逑－５－４－３－２－１０１２３４５逡逑圖２－２邋ｓｉｇｍｏｉｄ函數(shù)及其函數(shù)梯度逡逑Ｆｉｇ．２－２邋Ｓｉｇｍｏｉｄ邋ｆｕｎｃｔｉｏｎ邋ａｎｄ邋ｉｔｓ邋ｇｒａｄｉｅｎｔ逡逑７逡逑
【學(xué)位授予單位】：北京交通大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：TP391.41;TP183;S225.93

【參考文獻(xiàn)】

相關(guān)期刊論文 前9條

1 王糧局;張立博;段運(yùn)紅;張鐵中;;基于視覺(jué)伺服的草莓采摘機(jī)器人果實(shí)定位方法[J];農(nóng)業(yè)工程學(xué)報(bào);2015年22期

2 尹寶才;王文通;王立春;;深度學(xué)習(xí)研究綜述[J];北京工業(yè)大學(xué)學(xué)報(bào);2015年01期

3 申海洋;李月娥;張?zhí)?;基于邊緣方向直方圖相關(guān)性匹配的圖像檢索[J];計(jì)算機(jī)應(yīng)用;2013年07期

4 盧軍;王賢鋒;后德家;;水果采摘機(jī)器人視覺(jué)系統(tǒng)研究進(jìn)展[J];湖北農(nóng)業(yè)科學(xué);2012年21期

5 孔軍;湯心溢;蔣敏;;多尺度特征提取的雙目視覺(jué)匹配[J];計(jì)算機(jī)工程與應(yīng)用;2010年33期

6 白明;莊嚴(yán);王偉;;雙目立體匹配算法的研究與進(jìn)展[J];控制與決策;2008年07期

7 趙萬(wàn)金;龔聲蓉;劉純平;沈項(xiàng)軍;;一種自適應(yīng)的Harris角點(diǎn)檢測(cè)算法[J];計(jì)算機(jī)工程;2008年10期

8 丁謹(jǐn);王新;;基于雙目計(jì)算機(jī)視覺(jué)的自適應(yīng)識(shí)別算法及其監(jiān)控應(yīng)用[J];中國(guó)圖象圖形學(xué)報(bào);2006年11期

9 陳棣湘,羅飛路,潘孟春;立體視覺(jué)測(cè)量中的圖像匹配策略研究[J];光學(xué)技術(shù);2002年05期

本文編號(hào)：2605875