检索结果-南通市图书馆

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于计算机视觉的番茄检测方法研究

基于计算机视觉的番茄检测方法研究

作者：王冲山东大学

学位级别：硕士

番茄营养丰富,是我国农业生产中种植最为普遍的蔬菜之一,但是人工采摘番茄是一项劳动密集而且耗时耗力的工作。随着科学技术的发展,农业生产中很多工作被采摘机器人取代。采摘机器人首先利用计算机视觉系统进行果实检测,然后根据检测结... 详细信息

番茄营养丰富,是我国农业生产中种植最为普遍的蔬菜之一,但是人工采摘番茄是一项劳动密集而且耗时耗力的工作。随着科学技术的发展,农业生产中很多工作被采摘机器人取代。采摘机器人首先利用计算机视觉系统进行果实检测,然后根据检测结果引导机械臂进行采摘作业。其中,果实检测是采摘机器人的首要任务和技术难点,检测效果的优劣直接关系到机器人采摘的准确度和采摘效率。本文针对番茄采摘机器人视觉系统检测果实不准确的问题,开展了基于计算机视觉的番茄检测方法的相关研究,主要研究内容如下:(1)提出了一种基于形态学重构和阈值分割的番茄检测方法。首先分析了不同颜色空间的特征,通过R-G色差法得到番茄果实的色差灰度图,经过转换的色差图像能够显著地增强番茄果实和背景之间的对比度。其次对图像进行中值滤波和孔洞填充操作,去除图像中的噪点,消除细小的孔洞。然后基于形态学重构生成灰度特质均匀且易于分割的图像,再利用Otsu自适应阈值分割方法从图像中分割提取出目标果实区域。最后基于分割后的图像利用Canny算子提取果实边缘轮廓,通过霍夫变换拟合圆形轮廓,从而有效地检测出成熟番茄果实。(2)提出了一种基于Swin Transformer改进的Mask R-CNN模型,用于番茄目标检测。为了更好地提取特征,该模型采用Swin Transformer作为骨干网络提取特征,并采用多尺度训练技术进一步提升了模型的检测精度。该模型不仅可以识别图像中每个番茄的品种(正常番茄和樱桃番茄)以及番茄成熟阶段(完全成熟、半成熟和未熟),也可以准确地将番茄从背景环境中检测和分割出来。通过对比实验分析,该模型对番茄目标检测和实例分割的平均精度mAP分别为89.4%和89.2%。实验结果表明该模型分割的掩膜图像能够精准地拟合果实区域。

关键词：番茄检测形态学重构阈值分割 Mask R-CNN Swin Transformer

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

改进YOLOv8n的果园番茄目标检测算法

计算机工程与应用 2024年

作者：杨国亮盛杨杨洪鑫芳张佳琦江西理工大学电气工程与自动化学院

针对自然果园环境下，不同生长周期的番茄姿态多变，易受光线、绿色叶片背景影响导致图像特征不明显，番茄果实生长时易出现扎堆密集以及枝叶藤蔓遮挡等情况，时常造成漏检、误检等问题，提出了一种基于改进YOLOv8n的番茄生长周期采摘... 详细信息

针对自然果园环境下，不同生长周期的番茄姿态多变，易受光线、绿色叶片背景影响导致图像特征不明显，番茄果实生长时易出现扎堆密集以及枝叶藤蔓遮挡等情况，时常造成漏检、误检等问题，提出了一种基于改进YOLOv8n的番茄生长周期采摘检测方法。首先，在Backbone中设计超分辨率自适应注意力模块（Super-Resolution Adaptive Attention Module，SPAAM），有效提升特征图像分辨率，改善小目标番茄特征提取不充分的问题，并结合坐标注意力机制（Coordinate Attention，CA）提高关键位置信息提取能力；其次，设计C2f-DCF替换原有C2f，用于自适应番茄姿态形变特征，提高对形变物体空间布局的建模能力，同时提升计算效率；设计GSCHead降低头部参数量，并且添加四倍下采样分支提高对小目标番茄的约束效果；最后，引入Wise-IoU损失函数，提升模型在不同质量图像上训练的泛化性能。改进后的算法在测试集上精确率达到93.9%，相较于原模型提升1.9%，参数量降低0.18M，有效改善了遮挡情况的漏检率和小目标番茄的检测性能，同时检测速度达到139FPS，可以便捷的部署到终端完成实时检测。

关键词：番茄检测 YOLOv8n 超分辨率自适应注意力模块 C2f-DCF GSCHead 损失函数

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于深度学习的番茄成熟度检测系统研究

基于深度学习的番茄成熟度检测系统研究

作者：任宇明福建农林大学

学位级别：硕士

随着我国经济的发展,消费者对高品质的番茄需求连年递增,同时,因人工对番茄成熟度分级不及时,导致许多已成熟番茄在运输途中过熟,直至腐烂,同时存在未成熟番茄过早采摘的情况。因此开展温室环境下番茄成熟度检测系统研究,能够助力提升... 详细信息

随着我国经济的发展,消费者对高品质的番茄需求连年递增,同时,因人工对番茄成熟度分级不及时,导致许多已成熟番茄在运输途中过熟,直至腐烂,同时存在未成熟番茄过早采摘的情况。因此开展温室环境下番茄成熟度检测系统研究,能够助力提升番茄采收品质,具有重要的现实意义。目标检测算法已广泛应用到果实检测领域中,基于计算机视觉的目标检测方法具有高效、精确和可视化等优点,在农业领域广泛应用。但尚存在以下问题:基于传统特征提取的番茄检测模型鲁棒性差,难以在实际温室环境中有效检测;基于深度学习的检测网络参数量多、计算量大,在设备内存和计算能力有限的嵌入式设备中运行时,检测速度缓慢;YOLO作为one-stage检测网络不能有效区分前景和背景,容易产生误检。为此,本研究设计温室环境下番茄成熟度检测系统,论文主要研究内容如下:(1)温室番茄检测系统设计及数据集制作。基于番茄温室作业场景的实际使用需求,对系统底盘、图片采集以及番茄检测模块进行设计,完成番茄检测系统的方案设计,最终完成图形处理器Jetson Nano、微型控制器STM32、工业相机DF500-1944P等硬件层的选型,同时选择Ubuntu18.04版本ROS系统作为检测系统的系统层,选用O-penCV、CUDA、Pytorch等开源库作为平台层,实现应用层的移动行走、图像采集以及图像检测功能。温室环境中采集948张番茄图片,对采集样本进行标注并使用亮度变换、运动模糊、图像裁剪等数据增强方法扩增至4260张,解决成熟番茄标签过少导致的样本不平衡问题,提高模型泛化能力。(2)基于YOLOv5的轻量级番茄检测算法设计。构建实验开发环境,对比目标检测网络Faster R-CNN、SSD、YOLOv5及YOLOv7-tiny,选择参数量少、检测精度尚可的YOLOv5s作为本研究的基础。使用ShuffleNet v2网络替代原有的主干网络DarkNet,进一步降低计算量和参数量。对比SENet、scSENet、CBAM以及ECA四种注意力机制的,选择前景背景区分能力强,且检测精度高、检测速度快的scSENet网络构建轻量级YOLOv5s网络,解决YOLO算法无法有效区分前景和背景问题。实验结果表明,改进后的TSS-YOLOv5s检测网络平均精度均值比原网络提高了1.7%,参数量减少至1.55M,权重文件大小降低至3.4M,同时检测速度维持在较高水平,计算机平台每秒可检测80张图片。(3)基于Nvidia Jetson Nano的算法部署及试验。在Jetson Nano平台烧录Ubuntu18.04版本系统,使用Docker容器技术,编写Dcokerfile文件配置检测模型所需环境依赖,后在Jetson Nano上完成容器的部署。在Jetson Nano平台检测单张图片用时38ms,检测平均帧数为26FPS。于实验室环境和实际温室环境展开试验,试验结果表明,平均每秒检测22张图片,且置信度在80%以上,具有较好检测性能。

关键词：番茄检测温室环境 YOLOv5 数据增强深度学习

基于YOLO的轻量化番茄实时检测算法及移动端部署

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于YOLO的轻量化番茄实时检测算法及移动端部署

作者：曾泰恒福建农林大学

学位级别：硕士

近些年来,深度学习在图像识别、语音识别、自然语言处理等领域取得显著进展,但在移动设备上应用深度学习模型存在诸多问题,有限的内存及计算资源影响了其在移动端的实用型和实时性。深度学习模型在目标检测领域亦得到了广泛应用,但同样... 详细信息

近些年来,深度学习在图像识别、语音识别、自然语言处理等领域取得显著进展,但在移动设备上应用深度学习模型存在诸多问题,有限的内存及计算资源影响了其在移动端的实用型和实时性。深度学习模型在目标检测领域亦得到了广泛应用,但同样的,其在移动设备上的应用部署依然存在着难点和限制。为了解决这些问题,学者们提出了许多改进策略,如模型加速、压缩、算法优化和硬件加速等方案。针对目前基于深度学习的番茄目标检测算法参数量多、计算量大、耗时长,且依赖于GPU等高算力设备的问题,本研究提出一种基于轻量化改进的YOLOv5算法实现对番茄果实的实时定位和成熟度检测,具体研究内容如下:(1)基于网络轻量化设计及模型剪枝技术,对YOLOv5s进行轻量化改进,主要工作为以下四点:首先使用单层下采样层代替原始的Focus层,有效提升了检测速度;其次利用轻量化网络Mobile Net V3的bneck模块重构YOLOv5的主干网,对特征提取进行加速,与基准模型YOLOv5s相比,参数量和体积大幅缩减了49.71%和61.58%,运算量也随之降低了48.61%;接下来对于Neck层进行通道剪枝,在0.5的剪枝系数下,模型体积进一步缩减了56%;最后使用遗传算法进行超参数优化,提升检测精度。本研究在自制的包含1700张不同成熟度番茄数据集上评估了改进后的算法,实验结果表明,改进后的模型THYOLO的参数量(params)和运算量(FLOPs)相较于基准YOLOv5s压缩了78%和84.15%,m AP则达到了0.969,在CPU平台上的检测速度为42.5ms,大幅提升了64.88%。(2)为了获得低延迟、高吞吐量的部署推理,使其达到实时检测的目标,本研究进一步利用NCNN(Nihui Convolutional Neural Networks)框架对改进后模型进行量化操作,通过实验数据分析与可视化结果可以看出,量化后的算法有较好的检测效果,特别是16bit量化后的模型在算力较低的移动端达到了平均26.5FPS的检测帧数,较基准YOLOv5s提升了268%,这样的结果能满足大多数场景在移动端平台上的实时性要求,同时模型体积缩减51.1%,且达到了93%的相近于基准YOLOv5s的检测精度。(3)针对目前基于深度学习的目标检测算法依赖于服务器等高昂设备,且在农业生产环境下部署不便的问题,本研究开发了一款基于Android端的番茄实时检测APP,搭载了经过轻量化改进及量化后的THYOLO模型,该APP可通过对手机摄像头的调用,在本地端实现对番茄果实的定位及成熟度判断,并且达到了实时性要求(24帧以上)。该APP上手简单,且手机作为便携式设备具有体积小,价格低廉的优点,更加适用于实际的农业生产环境。

关键词： YOLO MobileNetV3 番茄检测模型剪枝模型量化

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于计算机视觉的番茄识别和成熟度检测研究

基于计算机视觉的番茄识别和成熟度检测研究

作者：高倩江苏大学

学位级别：硕士

近年来,随着番茄生产规模的扩大,番茄的产量和品质都有了很大的提高。传统的人工采摘方式由于社会人口老龄化严重,农业劳动力日益短缺的问题而难以满足生产需要,因此实现番茄产业机械化和智能化已成为当务之急。计算机视觉领域的崛起,... 详细信息

近年来,随着番茄生产规模的扩大,番茄的产量和品质都有了很大的提高。传统的人工采摘方式由于社会人口老龄化严重,农业劳动力日益短缺的问题而难以满足生产需要,因此实现番茄产业机械化和智能化已成为当务之急。计算机视觉领域的崛起,使得番茄产业智能化成为可能。本文利用计算机视觉算法,对于番茄识别和成熟度检测问题进行研究,具体研究内容如下:首先,针对番茄采摘机器人采摘过程中涉及的不同环境,选择白天和黑夜两个时间段进行图像采集:白天图像采集分别选择顺光、背光和逆光三种不同条件,而夜间图像采集则通过增加辅助光源来实现有效采集,并通过数据増广方法扩充整个数据集。然后选择图像预处理算法对夜间番茄图像进行去暗光处理。最后,建立属于自己的番茄图像数据集用来做后续图像识别与检测。其次,对于番茄识别检测问题,采集大量番茄图像作为样本,通过Labelme软件对图像一一进行标注,获得json格式数据集。提出了一种基于Mask RCNN的番茄识别检测方法,详细分析了Mask RCNN模型的结构并对其进行改进。主干网络中引入Inception模块,在RPN(Region Proposal Network)阶段提出了一种新型Ro I提取器来代替传统的Ro I提取器,并在网络模型中使用空洞卷积算法。然后在自制番茄数据集上,对番茄检测模型进行了实验验证,与原始Mask RCNN算法相比AP和AR值均有提升,检测结果表明本文改进算法不仅实现了对番茄识别,还实现了实例分割。最后,对于采摘番茄成熟度问题,设计了一种基于计算机视觉的番茄成熟度检测方法。通过YOLOv3(You Only Look Once)算法对目标区域(即番茄果实)进行获取;对两个特征提取网络RGB Net和HSV Net分别进行预训练,在此基础上,将提取到的RGB和HSV颜色特征进行特征融合,并利用分类网络来实现番茄颜色特征识别;根据对应番茄颜色来判定出番茄成熟度状况。测试结果展示出,与其他经典网络模型相比而言,本文所设计的以颜色为主要识别特征的番茄成熟度检测方法,能够以较高的识别准确率实现对番茄果实的颜色识别,并可以有效区分出番茄成熟度。上述图像预处理、番茄识别和成熟度检测方法,为实现番茄智能化采摘提供了一种有效解决方案,对推动番茄产业智能化发展具有重要意义。

关键词：番茄检测计算机视觉 Mask RCNN网络 YOLOv3 RGB Net HSV Net

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于改进YOLOv5的番茄识别检测算法

福建理工大学学报 2023年第6期21卷 585-591页

作者：丁仁集陈丙三福建理工大学机械与汽车工程学院福建福州350118

为提升果园自动采摘机器人的工作效率,提高对番茄果实识别的准确率,提出了一种基于改进YOLOv5的番茄识别检测算法。该识别检测算法以YOLOv5算法为基础,改进了原算法中颈部网络的BottleneckCSP模块,通过增加批归一化层与SiLU激活函数提... 详细信息

为提升果园自动采摘机器人的工作效率,提高对番茄果实识别的准确率,提出了一种基于改进YOLOv5的番茄识别检测算法。该识别检测算法以YOLOv5算法为基础,改进了原算法中颈部网络的BottleneckCSP模块,通过增加批归一化层与SiLU激活函数提升了网络对目标深层语义信息的提取能力;采用轻量级通用上采样算子CARAFE扩大感受野,减少漏检并保持轻量化;结合轻量化注意力机制SimAM为网络提供三维的注意力权重,过滤掉冗余信息,提高模型的准确性和鲁棒性;用SIoU替换CIoU损失函数,有效减少冗余框的同时加快了预测框的收敛和回归。研究结果表明,改进后算法对番茄目标检测的平均精度均值达到96.5%,比原始算法提高3.4%,对小番茄及番茄被遮挡时的漏检率也有效降低,且满足实时要求。

关键词：番茄检测改进YOLOv5 SimAM CARAFE

维普期刊数据库

基于改进型YOLOv5s的番茄实时识别方法

在线全文

学校读者我要写书评

暂无评论

江苏农业科学 2023年第15期51卷 187-193页

作者：杨国亮王吉祥聂子玲江西理工大学电气工程与自动化学院江西赣州341000

针对现有番茄检测精度低、没有品质检测和部署难度高等问题,提出基于YOLOv5s改进的番茄及品质实时检测方法,并与原始YOLOv5模型及其他经典模型进行对比研究。结果表明,针对番茄大小不同的问题,采用K-Means++算法重新计算先验锚框提高模... 详细信息

针对现有番茄检测精度低、没有品质检测和部署难度高等问题,提出基于YOLOv5s改进的番茄及品质实时检测方法,并与原始YOLOv5模型及其他经典模型进行对比研究。结果表明,针对番茄大小不同的问题,采用K-Means++算法重新计算先验锚框提高模型定位精度;在YOLOv5s主干网络末端添加GAM注意力模块,提升模型检测精度并改善鲁棒性;应用加权双向特征金字塔网络(BiFPN)修改原有结构,完成更深层次的加权特征融合;颈部添加转换器(transformer),增强网络对多尺度目标的检测能力。改进后的YOLOv5s番茄识别算法检测速度达到72帧/s。在测试集中对番茄检测均值平均精度(mAP)达到93.9%,分别比SSD、Faster-RCNN、YOLOv4-Tiny、原始YOLOv5s模型提高17.2、13.1、5.5、3.3百分点。本研究提出的番茄实时检测方法,在保持检测速度的同时,可降低背景因素干扰,实现复杂场景下对番茄的精准识别,具有非常好的应用前景,为实现番茄自动采摘提供相应技术支持。

关键词：番茄检测 YOLOv5s K-means++ GAM注意力模块加权双向特征金字塔

维普期刊数据库博看期刊

基于深度学习和双目视觉的番茄自动采摘方法研究

在线全文

学校读者我要写书评

暂无评论

基于深度学习和双目视觉的番茄自动采摘方法研究

作者：朱槐雨电子科技大学

学位级别：硕士

番茄采摘是番茄加工的必要工序,番茄的采摘质量将直接影响番茄后续的加工过程,番茄的产出量大,成熟番茄采摘窗口期较短,需要集中快速地对番茄进行采摘。目前番茄采摘工作主要依靠人工完成,但是番茄采摘具有季节性,采摘工作大量消耗人力... 详细信息

番茄采摘是番茄加工的必要工序,番茄的采摘质量将直接影响番茄后续的加工过程,番茄的产出量大,成熟番茄采摘窗口期较短,需要集中快速地对番茄进行采摘。目前番茄采摘工作主要依靠人工完成,但是番茄采摘具有季节性,采摘工作大量消耗人力资源,并且人工采摘具有主观性,不利于产品的品质控制。对于自动化采摘而言,番茄生长在茂密的枝叶中,并且番茄在自身生长周期中外观呈现出不同的大小、颜色和形状,因此要在具有复杂背景的场景下快速准确地识别和定位成熟番茄目标非常困难。传统的机器视觉算法受光照、遮挡物和背景影响较大,鲁棒性较差,不能满足实际的番茄采摘生产要求。在深度学习中,番茄目标属于较小的目标,图像特征不明显,现有的深度学习模型易出现漏识别的情况,因此针对番茄采摘过程中的问题,开展了基于深度学习的成熟番茄果实识别方法研究,并进一步对识别到的成熟番茄展开空间定位方法的研究。本文分析了SSD模型构架,新增了较浅的Conv3＿3特征层;引入了特征金字塔特征融合以及连续特征层上采样结构;同时改变了先验框大小,使其更为匹配实际目标的尺寸。经过结构改进后的SSD模型,在降低一定检测速度的情况下,其检测精度提升了22.1%,显著提高了原有模型对番茄的检测率。在模型结构改进的基础上,将模型的矩形先验框替换为圆形先验框,改进了交并比和损失函数计算方法,改进后模型的检测精度进一步提升了1.1%,番茄中心图像坐标的位置准确率提升了21.9%,改进后的模型对番茄边缘有着更好的回归效果,为番茄的空间定位提供了更精确的图像坐标。本文基于双目视觉对双目相机进行了双目标定、立体匹配和RGB图像与深度图配准的实验。在RGB-D图像的基础上,提出一种利用增广矩阵求解空间坐标系转换关系的方法,实验表明:该方法在番茄空间定位中,最大绝对误差为9.775 mm,最大相对误差为1.298%。建立番茄自动采摘集成系统,整合番茄目标检测系统与番茄目标定位系统,番茄目标检测系统的番茄图像坐标通过本地文件传递给番茄目标定位系统,调试系统,完成测试。

关键词：番茄检测深度学习 SSD模型先验框双目视觉

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的番茄识别与实例分割

软件导刊 2023年第2期22卷 75-80页

作者：高倩诸德宏封浩江苏大学电气信息工程学院江苏镇江212003

目前番茄采摘主要依靠人工,实现番茄产业机械化和智能化刻不容缓,而番茄检测是最基础也最重要的一步。针对该问题,提出一种基于改进Mask RCNN的番茄检测算法。该算法选择ResNet50和FPN作为主干网络,提出一种新型RoI提取器,并在算法模型... 详细信息

目前番茄采摘主要依靠人工,实现番茄产业机械化和智能化刻不容缓,而番茄检测是最基础也最重要的一步。针对该问题,提出一种基于改进Mask RCNN的番茄检测算法。该算法选择ResNet50和FPN作为主干网络,提出一种新型RoI提取器,并在算法模型中使用空洞卷积(Atrous)。通过Labelme自制番茄数据集,将改进算法在自制数据集上进行训练和测试。结果表明,与Faster RCNN和Mask RCNN模型相比,改进后的模型AP值分别提高了5.5%和4.7%,AR值分别提升了6.8%和4.6%。该算法不仅提高了番茄的识别准确率,还更好地实现了实例分割。

关键词：番茄检测 Mask RCNN 新型RoI提取器空洞卷积实例分割

维普期刊数据库博看期刊