【摘 要】
：
随着“十四·五”计划开展,乡村振兴战略的全面实行,智能农业的快速发展势在必行。柑橘是我国重要的农业副产品,在南方地区广泛种植。柑橘生产械化作业,尤其是柑橘机械化、自动化采摘作业,是当前制约柑橘产业发展的重要因素。计算机视觉技术对柑橘目标检测是实现柑橘自动化采摘必不可少的技术手段。传统的目标检测算法要依靠人为设计特征,费时费力且鲁棒性差、效率低。随着科学技术的发展,深度学习技术逐渐成为目标检测的主流
论文部分内容阅读
随着“十四·五”计划开展,乡村振兴战略的全面实行,智能农业的快速发展势在必行。柑橘是我国重要的农业副产品,在南方地区广泛种植。柑橘生产械化作业,尤其是柑橘机械化、自动化采摘作业,是当前制约柑橘产业发展的重要因素。计算机视觉技术对柑橘目标检测是实现柑橘自动化采摘必不可少的技术手段。传统的目标检测算法要依靠人为设计特征,费时费力且鲁棒性差、效率低。随着科学技术的发展,深度学习技术逐渐成为目标检测的主流,深度学习可以主动学习目标的特征,在准确性和实时性方面都有巨大的提升。但在自然环境下进行柑橘采摘,存在光照不均、果实重叠、枝叶遮挡等一系列复杂外界因素,大大增加了柑橘在线检测的难度。现有的目标检测算法大多在理想的数据集进行训练学习,针对复杂的自然环境下算法的适应性较低。本文对比分析了两阶段的代表算法Faster-RCNN和端到端的一阶段算法SSD、YOLO,在考虑柑橘自动化采摘的实际需求的情况下,选择了兼并准确性和实时性的YOLO算法为本研究的基础算法,针对柑橘采摘存在目标重叠、遮挡、小目标等问题,对YOLOv4算法进行改进优化,搭建柑橘在线识别系统,通过多组自然环境下的柑橘图像验证算法的有效性。本文主要工作如下:（1）改进YOLOv4算法,主要从多尺度特征融合、锚框聚类、目标损失函数三个方面对YOLOv4进行优化。针对小目标漏检的情况,增加了152×152大尺度的特征融合;锚框聚类算法由K-means算法改用K-means++算法,使用了随机性更小的k-means++聚类算法对锚框进行聚类,有效降低原始算法在初始聚类点所造成的聚类偏差;改进损失函数提高边界框损失函数误差敏感度。（2）制作柑橘数据集,在采集图像时,保证所选取的图像样本具有较好的均衡性和多样性。采用Label Img进行数据集的标注,使用矩形框外接柑橘目标轮廓。为了获得良好的检测效果除了使用更好的模型,同时也要避免模型陷入过拟合,数据增强是一种可以在不降低检测精度的情况下提高算法鲁棒性的通用做法。改进后的YOLOv4模型的平均准确率为84.2%,相较于原网络提升了1.8个百分点,实验结果表明本文算法在柑橘识别准确率上有较高的提升。（3）搭建了柑橘在线识别系统实验平台,设计开发了对应的在线识别系统软件,实现了自然环境下柑橘在线识别。在自然环境中进行柑橘识别测试,验证改进后算法的可行性和优越性。
其他文献
曲率测量技术在建筑结构健康监测、地球物理、地质灾害监测等领域起着举足轻重的作用。目前,已经有很多种类的光纤曲率传感器,比较常见的有光纤布拉格光栅曲率传感器、长周期光纤光栅曲率传感器、光纤马赫-曾德尔干涉仪曲率传感器等。这些光纤曲率传感器各有优缺点,第一种光纤曲率传感器分辨率高,但是灵敏度较低;第二种光纤曲率传感器灵敏度比前者高,但是对外界环境折射率敏感;第三种光纤曲率传感器灵敏度更高但制作相对困难
我国是水果生产大国,每年各种水果的产量数以千万吨,因此,果业已成为我国农业发展的重点之一。但目前,我国的水果产业,尤其是在水果的识别和分拣阶段,由于对水果的自动识别分类技术并不成熟,往往还是通过人工的方式来完成识别分拣工作,这种方式不仅增加人力成本而且工作效率也不高。但是通过计算机视觉中的卷积神经网络（CNN）这一技术在农业领域中的运用,为解决以上这些问题提供了可能。针对在水果识别分拣过程中存在的
无线传感器网络因其网络可拓展性强、易于维护和自组织等特点成为当今世界重要的技术之一。但无线传感器网络中节点能量的有限性且更换供能模块难度较大,网络的生存时间一直以来是制约无线传感器网络发展的关键,而且在网络通信后期会出现由于部分节点失效死亡导致网络的覆盖范围急速下降的问题,所以如何提高无线传感器节点的能量利用率和减缓后期网络覆盖率急速下降成为近几年来学者们研究的热点之一。针对无线传感器网络中出现的
微小位移传感在诸多领域都起着至关重要的作用,例如结构健康监测领域、滑坡监测以及微观制造领域等。光纤表面等离子体共振（Surface Plasmons Resonance,SPR）传感器作为一种新型的高精度、高灵敏度、抗干扰的光纤传感器,已普遍应用于生物医学、食品安全和化学试剂检测等领域。然而,其在微位移测量方面的研究和应用却十分匮乏,在多维微位移检测方面的应用更是寥寥无几,且目前已提出的光纤SPR
声音无处不在,人听到声音后,不断地有意识地或潜意识地处理和理解这些音频,从而向我们提供有关周围环境的信息。智能环境声音分类是在众多实际应用中不断发展的研究领域。尽管在音频领域（例如语音和音乐）进行了大量研究,但对环境中的声音进行分类的工作相对较少。而利用深度学习对声音图像化处理后的分类还未出现,这就引出了利用卷积神经网络对随着时间而发生的离散声音信号进行分类的研究。本研究是将深度学习技术应用于环境
随着近年来物联网与信息传感技术的快速发展,以及我国乡村振兴战略正式提出的发展背景,现代设施农业迎来了新一轮发展浪潮。截止于2018年末,我国温室大棚占地面积为196.37万公顷,占全球80%以上,位居世界第一。总产量虽高,但由于智能化程度不高、管理不便、成本高,致使我国大棚亩产量仅为发达国家的1/8,总体生产效益低。国外温室大棚测控系统由于起步较早,自动化程度较高,但设备系统庞大、直接引进成本高,
图像配准的目标是将来自不同时间、不同方位,或者不同的传感器作用下拍摄的同一场景的两幅图像或多幅图像进行映射、对齐、叠加或者拼接成功的过程。一直以来,图像配准都是计算机视觉、模式识别、医学图像处理和遥感领域的热点。迄今为止,图像配准技术还在不断的完善和优化,当前算法在某些性能上的表现越来越不够理想,那么如何提高运算效率、加强技术的稳定性依旧是当前亟待优化的问题。本文主要围绕基于特征点的图像配准算法展
卷积神经网络（CNN）在图像识别领域的应用已经日益成熟,但随着物联网时代的到来,数据量呈现指数级别的飞速增长,庞大的训练数据需要耗费大量的计算资源和训练时间,传统的集中式方法不适合解决这些大规模优化问题。一方面,集中式框架受到性能限制,如较高的通信和计算要求、单点故障以及有限的灵活性和可扩展性。另一方面,将以分布式方式收集的数据传输到中心节点的成本过高,且可能造成敏感信息泄露。因此,研究分布式优化
农作物图像分类作为农业发展中亟待解决的难题之一,能够对可见光图像中的普通农作物进行快速准确的识别是现今实现智慧农业的重要手段。随着社会的不断发展和科学技术的不断进步,人工智能、机器学习和大数据技术得到了广泛的应用。图像识别技术在农业方面得到了高度的发展与应用,它在农业领域涉及了视觉模拟,农作物病虫害监控,农产品分类等方面,它是识别农作物产品、提早发现各类病虫害的重要手段。针对多数叶片可见光图像的分