积分商城

最新搜索： RC522 蓝牙计数器 LABview max31865 eplan 核心板
您现在的位置是：首页 > 技术资料 > 基于卷积神经网络的田间多簇猕猴桃图像识别方法
推荐星级：
  • 1
  • 2
  • 3
  • 4
  • 5

基于卷积神经网络的田间多簇猕猴桃图像识别方法

更新时间：2019-12-26 09:44:15 大小：1M 上传用户：IC老兵查看TA发布的资源 标签：卷积神经网络图像识别 下载积分：1分 评价赚积分 （如何评价?） 打赏 收藏 评论(0) 举报

资料介绍

为实现田间条件下快速、准确地识别多簇猕猴桃果实,该文根据猕猴桃的棚架式栽培模式,采用竖直向上获取果实图像的拍摄方式,提出一种基于Le Net卷积神经网络的深度学习模型进行多簇猕猴桃果实图像的识别方法。该文构建的卷积神经网络通过批量归一化方法,以Re LU为激活函数,Max-pooling为下采样方法,并采用Softmax回归分类器,对卷积神经网络结构进行优化。通过对100幅田间多簇猕猴桃图像的识别,试验结果表明:该识别方法对遮挡果实、重叠果实、相邻果实和独立果实的识别率分别为78.97%、83.11%、91.01%和94.78%。通过与5种现有算法进行对比试验,该文算法相对相同环境下的识别方法提高了5.73个百分点,且识别速度达到了0.27 s/个,识别速度较其他算法速度最快。证明了该文算法对田间猕猴桃图像具有较高的识别率和实时性,表明卷积神经网络在田间果实识别方面具有良好的应用前景。


部分文件列表

文件名 大小
基于卷积神经网络的田间多簇猕猴桃图像识别方法.pdf 1M

【关注公众号立即送20积分】

部分页面预览

（完整内容请下载后查看）
第 34 卷  
2018 年  
第 2 期  
1 月  
农 业 工 程 学 报  
Vol.34 No.2  
Jan. 2018  
Transactions of the Chinese Society of Agricultural Engineering  
205  
基于卷积神经网络的田间多簇猕猴桃图像识别方法  
傅隆生 1,2，冯亚利 1，Elkamil Tola3，刘智豪 1，李 瑞 1，崔永杰 1,2  
（1. 西北农林科技大学机械与电子工程学院，杨凌 712100； 2. 农业部农业物联网重点实验室，杨凌 712100；  
3. Precision Agriculture Research Chair, King Saud University, Riyadh 11451, Saudi Arabia）  
摘
要：为实现田间条件下快速、准确地识别多簇猕猴桃果实，该文根据猕猴桃的棚架式栽培模式，采用竖直向上获取  
果实图像的拍摄方式，提出一种基于 LeNet 卷积神经网络的深度学习模型进行多簇猕猴桃果实图像的识别方法。该文构  
建的卷积神经网络通过批量归一化方法，以 ReLU 为激活函数，Max-pooling 为下采样方法，并采用 Softmax 回归分类器，  
对卷积神经网络结构进行优化。通过对 100 幅田间多簇猕猴桃图像的识别，试验结果表明：该识别方法对遮挡果实、重  
叠果实、相邻果实和独立果实的识别率分别为 78.97%、83.11%、91.01%和 94.78%。通过与 5 种现有算法进行对比试验，  
该文算法相对相同环境下的识别方法提高了 5.73 个百分点，且识别速度达到了 0.27 s/个，识别速度较其他算法速度最快。  
证明了该文算法对田间猕猴桃图像具有较高的识别率和实时性，表明卷积神经网络在田间果实识别方面具有良好的应用  
前景。  
关键词：图像处理；图像识别；算法；深度学习；卷积神经网络；猕猴桃  
doi：10.11975/j.issn.1002-6819.2018.02.028  
中图分类号：TP391.41  
傅隆生，冯亚利，Elkamil Tola，刘智豪，李 瑞，崔永杰. 基于卷积神经网络的田间多簇猕猴桃图像识别方法[J]. 农  
业工程学报，2018，34(2)：205－211.  
doi：10.11975/j.issn.1002-
文献标志码：A  
文章编号：1002-6819(2018)-02-0205-07  
Fu Longsheng, Feng Yali, Elkamil Tola, Liu Zhihao, Li Rui, Cui Yongjie. Image recognition method of multi-cluster kiwifruit in  
field based on convolutional neural networks[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of  
the CSAE), 2018, 34(2): 205 － 211. (in Chinese with English abstract)  
doi ： 10.11975/j.issn.1002-6819.2018.02.028  
利用 Otsu 算法在 a*通道进行图像分割，基于正椭圆  
Hough 变换提取 Canny 算子获取的猕猴桃果实边缘图像  
进行识别，但不能很好识别远处的果实。对于竖直向上  
获取的图像，Scarfe 等[13]采用固定阈值法去除背景，提取  
Sobel 边缘后，利用模板匹配的方法识别猕猴桃，但未利  
用果实的形状信息；Fu 等[14]提出 1.1R-G 颜色特性进行夜  
间猕猴桃图像分割，并结合最小外接矩形法和椭圆形  
Hough 变换识别每个果实，但只能识别单簇果实；傅隆  
生等[9]利用竖直向上成像时果萼都显现且与果实有区别  
的特点，进行基于果萼的夜间猕猴桃识别，但未涉及遮  
挡与重叠果实的识别，且对多果簇识别效果不佳。田间  
环境下的猕猴桃果实图像特征多样、背景复杂且形态特  
征差异大。已有识别方法主要根据经验，受样本和人为  
主观性的影响，很难具有普适性，鲁棒性差，难以用一  
种方法同时识别所有类型的猕猴桃果实，且不能同时识  
别多簇果实，不能满足复杂田间环境下的应用需求。  
相 比 常 规 方 法 ， 近 年 兴 起 的 卷 积 神 经 网 络 [15]  
（convolutional neural network，CNN）方法直接由数据本  
身驱动特征及表达关系的自我学习，对图像具有极强的数  
0
引
言  
中国是猕猴桃栽培面积最大的国家[1]，大都是手工收  
获果实[2]。在乡村劳动力向城镇转移的大背景下，发展猕  
猴桃自动化采摘技术，特别是研发猕猴桃采摘机器人，  
具有重要的意义[3-7]。猕猴桃采摘机器人的首要及关键技  
术之一是果实的快速有效识别[7]。在自然场景下，由于猕  
猴桃果实颜色与枯叶、枝干、果柄等复杂背景的颜色相  
近[8]，果实成簇并存在大量重叠与遮挡果实。因此，对田  
间环境下猕猴桃果实的特征学习从而进行识别是猕猴桃  
采摘机器人急需解决的一个关键性问题[9]。  
近年来，科研工作者对自然环境下猕猴桃果实的识  
别进行了深入研究。总体分为 2 部分，从果实斜侧面获  
取图像进行识别和从果实底部竖直向上采集图像进行识  
别。对于从斜侧面获取的图像，丁亚兰等[10]利用 R-B 颜  
色因子，采用固定阈值进行猕猴桃图像分割，但无法有  
效识别强反光及暗影区的果实；崔永杰等[11]利用 L*a*b*  
颜色空间 a*通道进行猕猴桃图像分割，采用椭圆形  
Hough 变换拟合单个果实轮廓，但对田间背景下的猕猴  
桃果实分割效果不理想；崔永杰等[8]通过对比不同颜色空  
间，提出利用 0.9R-G 颜色特征，结合椭圆形 Hough 变换  
进行果实的识别，但识别的果实针对特定类型，在实际  
应用中其适用性受到抑制；詹文田等[5]基于 Adaboost 算  
法，通过引入 RGB、HIS、L*a*b*颜色模型构建识别猕  
猴桃果实的分类器，但识别速度有待提高；慕军营等[12]  
据表征能力。CNN 已在手写字符识别[16-18]、人脸识别[19-21]  
行为识别[22-23]以及农作物识别[24-25]等方面，获得了较好  
的效果。学者们也开始 CNN 在果实识别方面的研究，  
王前程[26]将 CNN 应用于处理后的 6 种水果图像数据集  
进行识别，证明了 CNN 在水果图像识别上的有效性；  
Sa 等[27]基于 CNN 模型建立果实的深度网络识别模型，  
、
农业工程学报（）  
2018 年  
206  
对不同的果实图像进行测试，取得不错的效果。以上研  
究的开展为 CNN 应用于果实识别提供了参考和可行性  
依据，同时也表明 CNN 在图像识别中可以克服传统方  
法的不足。  
本文在采集大量田间样本图像的基础上，通过 CNN  
对复杂背景下的猕猴桃果实进行识别，避免人为主观因  
素影响识别结果。依据田间环境下猕猴桃图像的特点，  
优化 LeNet 卷积神经网络的结构与参数，从而建立一种  
基于卷积神经网络的田间猕猴桃果实图像的识别模型，  
以实现田间复杂环境下多簇猕猴桃果实的快速有效识  
别。  
图 2 试验部分数据集样本示例  
Fig.2 Example images of partial dataset  
1
材料与方法  
模型训练完成后，将剩余的 100 幅猕猴桃原始图像  
（上午和下午各 50 幅）作为模型效果验证的测试集，为  
减少计算量及运行时间，将原图像缩放为 600×400 像  
数进行测试，训练数据集与测试图像间不重叠。最后本  
文将与已有的猕猴桃识别方法进行对比分析。由于测试  
数据集中两个不同时间段样本数量呈均衡分布，因此可  
将测试结果的平均准确率作为本文模型的识别效果评  
1.1 图像采集  
试验供试图像于 2016 年 10 月—11 月采集自陕西省  
眉县猕猴桃试验站（34°07'39''N，107°59'50''E，海拔  
648 m），将数码相机（Canon EOS 40D）通过三脚架置  
于猕猴桃果实下方 100 cm 左右对“海沃德”品种进行拍  
照。共采集原始图像 700 幅，晴天上午、下午 2 个不同  
时间段各 350 幅，图像格式为 JPEG，分辨率为 2 352×1 568  
像素，如图 1 所示。  
价指标[28]  
。
1.3 卷积神经网络的构建  
本文使用Matlab的MatConvnet工具箱[29]建立卷积神  
经网络。LeNet[30]是典型的卷积神经网络，最初成功用于  
手写数字识别。由于猕猴桃果实的识别亦是对某一未知  
猕猴桃果实图像进行识别和匹配，该过程与 LeNet 手写  
字符的识别相似。因此可以将卷积神经网络 LeNet 作为  
基础网络架构，并对其重要的结构参数和训练策略进行  
优化，以获取适合猕猴桃果实图像识别的模型架构。  
LeNet 卷积神经网络具体算法描述如下：  
a. 上午  
a. Morning  
b. 下午  
b. Afternoon  
图 1 田间自然环境下的猕猴桃图像  
Fig.1 Kiwifruit image under natural conditions in field  
1）卷积层  
卷积核的尺寸与数量对于 CNN 的性能至关重要。输  
入图像通过 j 个不同的卷积核卷积，生成 j 个不同的特征  
图，卷积层如式（1）所示。  
1.2 样本数据集与试验方法  
猕猴桃采用棚架式栽培方式形成果实自然下垂且位  
于枝叶下方的特点，底部竖直向上成像后，每个果实的  
果萼部分都显现。该文随机选取 600 幅（上午和下午各  
300 幅）图像，截取具有萼的单果作为目标区域，并剔除  
无效的图像区域，所截取的样本图像最小尺寸为 74×76  
像素。再由人工对原始采集的图片进行筛选，从而避免  
数据样本的错误选定和单一性。最终试验所用数据集由  
正样本（6 000 幅）和负样本（4 020 幅）组成，为 2 个  
不同时间段均匀分布（上午和下午各 5 010 幅）。数据集  
均用于卷积神经网络的训练和参数优化验证，分别从正、  
负样本中随机选择 80%样本构建训练集，20%作为验证  
集。部分正、负样本图样如图 2 所示。  
xl f (  
xl1W l bl )  
（1）  
j
i
ij  
j
iM j  
式中 xlj 表示在 l 层（卷积层）的第 j 个特征图，f()表示激  
活函数，Mj 代表输入图像的特征量，W l 为卷积核，bl 为  
ij  
j
偏置项。  
2）下采样层  
下采样层对输入进行抽样，如式（2）所示。  
xlj f (lj down(xlj1 ) blj )  
（2）  
式中 down()为下采样函数， lj 输出特征的偏置。  
2
基于卷积神经网络的猕猴桃果实识别  
2.1 试验软件及硬件  
本文处理平台为笔记本计算机，处理器为 Inter（R）  
Core（TM）i3，主频为 2.40 GHz，4 GB 内存，500 GB  
硬盘，运行环境为：Windows 7 64 位，Matlab R2016a，  
Microsoft Visual Studio 12.0。  

相关下载

全部评论(0)

暂无评论
评论赚积分>>

上传资源 上传优质资源有赏金

热门标签

更多>>

最新上传

  • 打赏
  • 30日榜单

热门下载

推荐下载

本站上的所有资源均为源于网上收集或者由用户自行上传，仅供学习和研究使用，无任何商业目的，版权归原作如有侵权，请 来信指出，本站将立即改正。

ICP许可证号：京ICP证070360号     21IC电子网 2000- 版权所有

京ICP备11013301号

京公网安备 11010802024343号