论文部分内容阅读
我国水果生产市场巨大,水果的生产种植面积不断扩增,但由于我国从事农业生产人数的不断减少以及我国水果产业的自动化采摘程度不高,这些因素对我国的水果市场产生一定影响。为保证水果市场的持续健康、快速发展,加大力度发展水果自动化采摘技术的相关研究,对社会发展带来的经济效益和广阔的市场前景都有至关重要的作用。通过计算机视觉技术完成对目标水果检测是水果自动化采摘发展的重要课题。近年来,随着深度学习在目标检测领域中凭借其强大的特征提取能力,取得了突破性进展,让基于深度学习的目标检测迅速成为各大领域的研究热门。本文采用基于回归的目标检测算法SSD(Single Shot Multi Box Detector),并通过对经典SSD算法的改进与优化,有效提高了自然环境下小目标水果的检测精度。本文主要研究工作可以分为以下几点:首先选定4类实验水果对象并制作相应的水果数据集,在实验图片获取有限的条件下,经数据增强中翻转、裁剪、移位和缩放等方式扩增数据集数量。经数据增强后,数据集上每类水果样本增长至1500张图片。然后对经典SSD检测模型进行改进,提高模型对小目标检测的精度。将经典SSD模型中基础网络VGG-16替换为残差网络Res Net101,并按照特征金字塔网络(Feature Pyramid Networks,FPN)结构搭建改进SSD模型,利用多尺度特征融合的方式将高层的特征通过上采样的方式传递到低层,获得高分辨率、高语义的特征图,以此提高模型对小目标检测的精度。改进后的SSD模型通过在水果数据集上的实验验证,其对目标水果检测的平均精确率均值达到了84.34%,较经典SSD模型的整体精确度提高的同时,对小目标水果的漏检率也下降了。最后优化改进模型,并应用在自然环境下水果检测。为更加符合本文在自然环境下水果检测的研究,针对自然环境中水果存在的遮挡问题,在改进的SSD网络模型中,采用聚类算法重新设置默认候选框的长宽比,贴合真实框同时减少网络训练参数;并对非极大值抑制算法(Non-Maximum Suppression,NMS)进行候选边框筛选进行改进,提高遮挡情况下水果的检测精度。经实验验证,优化后的改进SSD模型平均精确率均值达到了88.15%,较优化前模型精度提高了3.81个百分点,单张图片的检测速度也下降了36.8毫秒。