基于卷积神经网络的马铃薯芽眼检测方法研究

发布时间：2023-03-11 08:57

　　马铃薯作为世界各国的主要粮食作物之一,在维护世界食品安全和稳定方面占有重要地位。马铃薯种薯切块方面,由于其作业要求高,目前种薯的切块主要是由人工完成。人工切块对劳动人员的专业技能要求较高,且不同的劳动人员加工的切块差异显著。同时,人工切块存在劳动强度大、费用高等问题,尤其是随着人工成本的增加和劳动力的减少,人工切块面临的挑战日益严峻,种薯的自动切块问题亟待解决。马铃薯芽眼检测是实现种薯自动切块的关键因素,芽眼检测性能的高低直接影响后期的切块质量,进而影响马铃薯产量。当下关于马铃薯芽眼检测相关的研究很少,现有的方法大多是基于传统方法,检测时间长且检测性能低,无法为后续种薯自动切块的实现奠定良好的基础。为改善马铃薯芽眼的检测时间、提高检测性能,保障后期切块质量和马铃薯产量,本研究提出一种基于卷积神经网络的马铃薯芽眼检测方法。主要研究内容和创新点如下:(1)利用迁移学习和“微调”的方法对不同的卷积神经网络在马铃薯芽眼检测中的检测性能和检测时间进行研究。以Faster R-CNN为检测框架,对在ImageNet数据集上预训练的AlexNet、VGG-16、VGG-19、GoogleNet、Sq...

【文章页数】：118 页

【学位级别】：博士

【文章目录】：
中文摘要
Abstract
1 引言
    1.1 研究背景和意义
    1.2 国内外研究现状
        1.2.1 马铃薯芽眼检测的国内外研究现状
        1.2.2 现有方法存在的问题
        1.2.3 深度学习的发展和国内外研究现状
            1.2.3.1 深度学习的演进史
            1.2.3.2 深度学习在农业领域的研究现状
            1.2.3.3 卷积神经网络在农业领域目标检测的研究现状
    1.3 本文主要研究内容
    1.4 技术路线及论文结构
2 卷积神经网络的相关理论及技术
    2.1 卷积神经网络的结构发展
    2.2 卷积神经网络的基本原理
        2.2.1 卷积神经网络的基本结构
        2.2.2 卷积神经网络的特性
    2.3 卷积神经网络的训练过程
    2.4 本章小结
3 基于Faster R-CNN的不同卷积神经网络的马铃薯芽眼检测
    3.1 引言
    3.2 Faster R-CNN
        3.2.1 基础网络
        3.2.2 RPN
        3.2.3 ROI池化
        3.2.4 分类层和回归层
    3.3 数据集构建
        3.3.1 图像采集
        3.3.2 数据增强
    3.4 不同卷积神经网络对马铃薯芽眼的检测
        3.4.1 迁移学习和“微调”
        3.4.2 试验设置
        3.4.3 评价指标
        3.4.4 试验结果与分析
    3.5 本章小结
4 改进的Faster R-CNN模型
    4.1 引言
    4.2 多尺度特征连接方法
    4.3 优化的非极大值抑制算法
    4.4 基于混沌优化K均值算法的锚框改进方法
        4.4.1 相关理论研究
            4.4.1.1 K均值算法
            4.4.1.2 混沌理论
        4.4.2 默认锚框的优化
        4.4.3 试验结果和分析
    4.5 本章小结
5 基于改进的Faster R-CNN模型的马铃薯芽眼检测
    5.1 试验设置
    5.2 评价指标
    5.3 试验结果及分析
        5.3.1 改进的Faster R-CNN模型的检测结果
            5.3.1.1 定量结果
            5.3.1.2 定性结果
        5.3.2 与其他模型的比较
            5.3.2.1 定量比较
            5.3.2.2 定性比较
    5.4 消融试验
    5.5 讨论
    5.6 本章小结
6 结论和展望
    6.1 结论
    6.2 研究创新点
    6.3 工作展望
参考文献
致谢
攻读博士学位期间的科研成果



本文编号：3759578