基于深度学习的田间绿色柑橘检测方法研究
在水果生产过程中，信息化和智能化技术对于水果生长态势检测、智能喷施水肥、产量估计和自动采摘具有重要意义。其中，对绿色果实进行准确、快速的目标检测是实现果园智能化生产的关键技术之一。在田间非结构化环境下，光照多变、背景复杂以及果实形态多变，给绿色柑橘目标检测带来极大挑战。深度学习可以从大量图像数据中学习到强大的特征表征，基于深度学习的目标检测方法具有较高的检测精度。本论文采用深度学习技术进行绿色柑橘目标检测方法的研究，主要研究内容如下： （1）建立不同水果数据集。对于采集的绿色柑橘图像，先采用LabelImg软件进行人工标注，然后将图像按4：1比例随机划分成训练集和测试集。为增加模型训练时的数据量，对训练集图像采取亮度调整、旋转变换、水平镜像和随机擦除方法进行图像扩增。同时从公开文献中收集了苹果数据集进行测试。 （2）提出了一种基于改进Tiny-YOLOv3的绿色柑橘检测方法。在田间自然环境下，场景的背景复杂，Tiny网络层数少，提取的特征不够抽象，Tiny-YOLOv3模型检测效果较差。以Tiny-YOLOv3网络为基础，采用卷积层替换Tiny的池化层进行下采样以减少目标信息丢失，并增加注意力模块和多层密集块，以提高Tiny网络的特征提取能力。特征图可视化结果表明，改进后的特征提取网络较Tiny能更好地效抑制枝、叶等背景的干扰。实验结果表明，所建立的TADYv3模型较好地解决了果实的重叠和遮挡等问题，提高了田间绿色柑橘的检测精度。 （3）基于TADYv3的视频检测方法研究。由于图像视角单一，部分绿色柑橘被严重遮挡，TADYv3模型难以进行检测。利用视频获取柑橘果实的多视角信息，采用卡尔曼滤波和匈牙利匹配进行绿色柑橘目标的跟踪，实现了绿色柑橘目标的视频检测，分析了不同目标检测模型和间隔帧数对目标跟踪和视频检测结果的影响。实验结果表明，基于TADYv3的视频检测方法不仅进一步缓解了果实重叠和遮挡等现象，还较好的克服了单一视角中果实不可见的问题，较好地实现了田间绿色柑橘目标的实时检测。
绿色柑橘;目标检测;密集连接;注意力机制;目标跟踪
中国计量大学
硕士
仪器仪表工程
刘辉军;丛宪冬
2021
中文
TP391.41
2022-06-10（万方平台首次上网日期，不代表论文的发表时间）