论文部分内容阅读
准确、快速的果实识别方法是柑橘采摘机器人实现智能、高效作业的重要前提,传统识别方法精确度有限,泛化能力不强,特别是识别速度较慢,难以满足柑橘实时识别要求。本文提出了基于改进SSD深度学习模型的柑橘实时识别方法,主要内容如下:首先,对经典SSD模型进行改进,设计了SSD_MobileNetV2模型。在基础卷积层,使用轻量化的MobileNetV2网络替代权重众多的VGG-16网络;在辅助卷积层,使用反向残差结构替代传统卷积结构,充当该层的基础结构;设置更加符合柑橘果实几何特征的先验框宽高比。然后,构建柑橘图像和视频数据集。对不同像素面积、不同光照条件、不同果实状态的柑橘果实进行图像采集。利用自适应直方图均衡化方法对不良图像进行预处理。使用镜像、旋转等方法进行数据扩增。为了提高模型对遮挡重叠果实的识别能力,手工标注遮挡重叠果实的前景区域。对果实区域采用仰视、水平和俯视三个角度进行视频采集,增强柑橘样本的多样性。最后,进行柑橘识别模型训练和试验。利用迁移学习的方式加快训练速度。确定训练总损失函数和训练参数,采用学习率衰减法、动量项等方法优化训练过程,选择性能最佳的模型作为本文的柑橘实时识别模型,并与模型改进前、未采用目标前景区域标注方式、其他识别方法进行试验对比,分析其结果。最后进行基于树莓派设备的视频流柑橘识别试验。试验表明,改进后的识别模型准确率、召回率和平均准确率分别达到94.68%、88.31%和85.50%,与改进前相比,分别提高了1.07%、2.14%和5.08%,特别是识别速度达到41.31帧/s,参数量减少为原来的1/6,识别速度提高了2.52倍。在对遮挡重叠果实识别时,使用目标前景区域标注方式,识别模型的平均准确率提高了3.76%。与Faster R-CNN模型和HOG特征提取结合SVM方法对柑橘识别相比,本文采用的识别模型的平均准确率分别高出7.54%和17.38%,识别速度分别提高了9倍和15倍。识别模型在树莓派嵌入式设备上的移植效果良好,可以基本实现在该设备上的视频流柑橘识别。基于改进SSD深度学习模型的柑橘实时识别方法在保证较高识别精准度和鲁棒性的前提下,识别速度提高效果更加明显,满足实时性要求,为果实实时识别方法提供了技术参考,对于提高采摘机器人性能具有一定的应用价值。