[發明專利]一種基于全卷積神經網絡的成熟蘋果識別方法

在審

• 申請號: 201711031490.1
• 申請日: 2017-10-30
• 公開（公告）號: CN107862326A
• 公開（公告）日: 2018-03-30
• 發明（設計）人: 張印輝;武玉琪;何自芬;伍星;王森
• 申請（專利權）人: 昆明理工大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

技術領域

本發明涉及一種基于全卷積神經網絡的成熟蘋果識別方法，屬于數字圖像處理目標檢測識別技術領域。

背景技術

我國的水果產量一直以來都穩居于世界第一位的位置，而且水果種植面積正在逐年增高，但是在這個水果種植面積飛速發展的時代，我國蘋果采摘的形式仍舊十分落后還是以人工采摘為主，這種采摘方式不僅效率低、采摘質量不高，非常不符合農業現代化的發展趨勢。比如，由于人在一個時刻只能摘一棵樹的蘋果，極大的限定了人的采摘效率。不能及時對已成熟蘋果進行采摘，會導致蘋果過熟甚至腐爛。為此，機器人在農業采摘工作中起到了很大的重要，但是現階段，國內外農業采摘機器人面臨的主要問題有：識別準確度低，效率低以及適用性差。

隨著人們對機器視覺的研究越來越深入，研究人員們也不斷努力開發出新技術，新的識別方法，希望能開發出更好的系統在復雜背景下準確識別已成熟蘋果。

發明內容

為了解決現有技術的不足，本發明提供了一種基于全卷積神經網絡的成熟蘋果識別方法，以用于通過該方法有效地識別已成熟蘋果。

本發明的技術方案是：一種基于全卷積神經網絡的成熟蘋果識別方法，所述方法具體步驟如下：

Step1、收集蘋果圖片并對已成熟蘋果進行標注，制作成一個訓練數據集；

Step2、輸入圖片并進行降噪處理；

Step3、設計全卷積神經網絡的結構；

Step4、使用降噪處理后的訓練數據集對全卷積神經網絡進行訓練；

Step5、使用訓練完成的全卷積神經網絡對已成熟蘋果進行識別分割。

所述步驟Step1中，已成熟蘋果標注為手工像素級別標注。

所述步驟Step2中，降噪處理使用的是中值濾波和圖像銳化的組合方法。

所述全卷積神經網絡結構是由13個卷積層、5個池化層和3個反卷積層構成的網絡。

所述步驟Step3中，全卷積神經網絡具體結構為：

第一層，卷積層，卷積核大小為3x3x3x64，步長為1；

第二層，卷積層，卷積核大小為3x3x64x64，步長為1；

第三層，最大池化層，池化區間為2x2，步長為2；

第四層，卷積層，卷積核大小為3x3x64x128，步長為1；

第五層，卷積層，卷積核大小為3x3x128x128，步長為1；

第六層，最大池化層，池化區間為2x2，步長為2；

第七層，卷積層，卷積核大小為3x3x128x256，步長為1；

第八層，卷積層，卷積核大小為3x3x256x256，步長為1；

第九層，卷積層，卷積核大小為3x3x256x256，步長為1；

第十層，最大池化層，池化區間為2x2，步長為2；

第十一層，卷積層，卷積核大小為3x3x256x512，步長為1；

第十二層，卷積層，卷積核大小為3x3x512x512，步長為1；

第十三層，卷積層，卷積核大小為3x3x512x512，步長為1；

第十四層，最大池化層，池化區間為2x2，步長為2；

第十五層，卷積層，卷積核大小為3x3，步長為1；

第十六層，卷積層，卷積核大小為3x3，步長為1；

第十七層，卷積層，卷積核大小為3x3，步長為1；

第十八層，最大池化層，池化區間為2x2，步長為2；

第十九層，反卷積層，卷積核大小為4x4，步長為1；

第二十層，反卷積層，卷積核大小為4x4，步長為1；

第二十一層，反卷積層，卷積核大小為16x16，步長為1。

所述全卷積神經網絡結構還包括一個誤差層，用于計算誤差。

所述全卷積神經網絡結構中的卷積層之后池化層之前增加一個非線性響應單元。

所述全卷積神經網絡結構中的池化層之后反卷積層之前增加一個非線性響應單元。

所述非線性響應單元采用糾正線性單元。

所述步驟Step4中，所述全卷積神經網絡訓練使用批量梯度下降法。

本發明的有益效果是：利用數字圖像處理技術，實現對已成熟蘋果的自動識別分割。具體的本發明通過全卷積神經網絡對圖像進行分割，能夠得到輸出圖片每一個像素點的預測類別，從而能夠得到精確的蘋果位置，避免了背景過于復雜的情況下，蘋果識別準確度不夠準確的問題。準確率、效率、實時性高，且實現過程方便、通用技術強。另外，本發明減少了全卷積神經網絡傳統結構的層數，加快了計算速度，擁有較好的時效性。

附圖說明