基于卷积神经网络的圣女果目标检测与分类研究
作者单位：安徽农业大学
学位级别：硕士
导师姓名：李旸;尹国防
授予年度：2021年
学科分类：0832[工学-食品科学与工程（可授工学、农学学位）] 12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 08[工学] 081104[工学-模式识别与智能系统] 080203[工学-机械设计及理论] 0835[工学-软件工程] 0802[工学-机械工程] 0811[工学-控制科学与工程] 083203[工学-农产品加工及贮藏工程] 0812[工学-计算机科学与技术（可授工学、理学学位）]
摘 要：在农业生产的过程当中引入机械化智能化是农业发展的必然趋势,果蔬分拣作为农业生产当中的重要环节,传统的人工分拣主要依靠目测和对比的方法,劳动强度大、效率低下,且受个体影响无法统一标准。并且在储存过程中如果把正常的果实与腐坏的果实堆放在一起,一定程度上会加速正常果实的腐坏速度,为了延长圣女果的保鲜期,需要尽早的将果实进行分类储存,最好能在采摘阶段就完成果实的分拣工作。目前基于机器视觉的水果自动分级方法一般是在理想的条件下进行,将研究对象放置在简单的背景下进行检测,当投入到实际使用当中时,效果往往达不到预期。同时,随着人们对卷积神经网络性能的不断追求,网络的层数也在不断加深,计算设备的成本也随之增加,更加不利于农业机械化智能化的推广。本文以圣女果为研究对象,将深度学习技术应用到圣女果的自动分拣当中,利用卷积神经网络强大的特征提取能力完成对圣女果的目标检测与分类。在制作相关实验的数据集时,会尽可能的模拟真实的采摘过程中涉及到的图像。为了降低计算设备的成本,本文使用轻量级网络Shuffle Net与Mobile Net作为模型的主干网络,并且进行了一系列优化措施进一步加快模型的训练与检测速度,设置了相关的对比试验。主要完成了以下几项工作:(1)数据集的制作:通过网络下载,自行拍摄等方式获得符合实验需求的圣女果图像,以此为基础制作成两个数据集分别应用于目标检测实验与分类实验。对于目标检测实验的数据集使用Labelimg软件对图像中的圣女果进行一一标注。对分类实验的数据集按照相应的标准分为好果与坏果两类。(2)构建圣女果目标检测算法:本文以YOLOv3为基础构建圣女果目标检测模型,使用Shuffle Net替换Darknet-53作为YOLOv3的主干网络,并根据实际需求减少anchor box的数量,使用K-means聚类获取6种不同尺度的先验框,引入GIo U算法作为度量来判别正负样本。为了加快模型的训练速度,使用了多进程与GPU计算的方法。试验结果表明优化后的目标检测模型漏检率与重复率分别降低了2.4%与1.7%,尤其当果实部分被叶片等遮挡时,优化后的模型具有更好的检测效果。(3)构建圣女果分类算法:本文基于快速下采样策略对Mobile Net V1的网络结构进行优化,在网络的浅层连续使用步长为2的卷积来快速降低特征图的尺寸,同时增加通道的数量,既减少了计算量,又保证了信息的容量。为了减少训练时间,使用了迁移学习的方法。并通过数据增强的方式增加模型的泛化能力。设置了对比实验以验证优化措施的有效性。并对训练完成后的模型进行测试。实验结果表明优化后的圣女果分类模型准确率达到了96%,提高了4个百分点。在检测速度上也有较大提升,优化后的Mobile Net检测速度提高了12.65%,相较于传统的VGG-16网络检测用时不到原本的1/10。本文利用卷积神经网络完成了对圣女果图像的目标检测与分类模型,数据集的制作更加贴合实际的应用场景,优化后的模型不仅在准确率上有一定提升,在训练与检测速度上更是有大幅提升。因此该模型可以更好的适用于移动设备与嵌入式设备,当应用到实际生产当中时计算成本也相对较低,有利于农业机械化智能化的推广与发展。
同方学位论文库