基于深度学习和RGB-D深度信息的水果识别与定位研究

发布时间：2023-03-19 18:45

　　水果识别定位是机器人采摘视觉系统的关键组成部分,也是计算机视觉重要的研究领域。一直以来传统的识别算法受限于遮挡、光照、形状差异等问题,使得水果的识别定位面临着诸多的困难,算法在非结构环境中缺乏鲁棒性成为制约采摘机器人发展的主要瓶颈。随着识别技术的不断发展,卷积神经网络以其具有非线性特征表达能力强,泛化性能好等优势,能够很好的完成物体的识别检测任务,使得深度学习识别检测技术为实现自动化采摘提供了可能。作为实现水果自动化采摘的重要环节,本文主要以此为背景,研究探讨多类水果的检测和定位技术,着重研究脐橙、荔枝、贡柑、苹果四类水果在非结构环境下的检测定位方案,提高水果检测和定位系统的整体精度和鲁棒性。本文利用计算机视觉和深度学习中的理论对多类水果的识别和定位进行了深入的研究分析,围绕本文的主题开展了如下工作:(1)分别使用传统识别和深度学习的方法对非结构环境下的水果识别检测进行了研究。通过对水果的颜色模型进行分析,确定了基于YCrCb颜色模型的Cr分量作为大津法阈值分割的对象,结果表明不同光照下综合F1值为61.45%。针对大津法无法满足非结构环境下的目标检测问题,提出基于SSD方法的水果检测...

【文章页数】：68 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
1 绪论
    1.1 研究背景
    1.2 国内外研究现状
        1.2.1 水果识别研究现状
        1.2.2 目标检测研究现状
    1.3 本文研究内容及意义
    1.4 本文的组织结构
2 深度学习算法
    2.1 神经网络模型
        2.1.1 神经网络的前向传播
        2.1.2 反向传播算法
    2.2 卷积神经网络模型
        2.2.1 卷积层
        2.2.2 池化层
        2.2.3 全连接层
    2.3 迁移学习
    2.4 本章小结
3 结构环境下的水果识别检测
    3.1 传统的水果识别方法
        3.1.1 大津法阈值分割
        3.1.2 图像去噪
        3.1.3 空洞填充
        3.1.4 连通图筛选
    3.2 SSD检测框架
        3.2.1 检测模型
        3.2.2 默认框的生成
        3.2.3 模型损失函数
    3.3 水果数据集的采集和预处理
        3.3.1 数据集的采集
        3.3.2 数据集的标注
    3.4 实验对比与结果分析
        3.4.1 实验部署
        3.4.2 评价标准
        3.4.3 实验结果
    3.5 本章小结
4 基于改进的SSD水果识别检测
    4.1 基于残差模块的检测方法
    4.2 特征金字塔融合
    4.3 水果数据库预处理
        4.3.1 批量归一化
        4.3.2 数据增强
    4.4 实验对比与分析
        4.4.1 特征可视化
        4.4.2 评价标准
        4.4.3 实验结果
    4.5 本章小结
5 基于RGB-D深度相机的水果定位
    5.1 相机标定
    5.2 立体测距
        5.2.1 深度图像配准
        5.2.2 深度误差补偿分析
    5.3 识别检测系统实现
    5.4 本章小结
6 总结与展望
    6.1 本文总结
    6.2 研究展望
致谢
参考文献
附录



本文编号：3765761