摘要
灵武长枣是宁夏回族自治区一种十分重要的经济林果，目前主要依靠人工采摘完成，存在劳动强度大、采摘效率低等问题。为实现灵武长枣的自动化采摘，亟需设计一种灵武长枣智能化采摘机器人，而具有高识别率的视觉系统是该采摘机器人的核心部分。本文首先结合自然环境下灵武长枣检测所面临的实际问题，提出一种不使用预训练模型也能达到较高检测精度的灵武长枣图像轻量化目标检测方法。其次，为指导机器人采摘特定成熟度的灵武长枣和进一步实现灵武长枣后期加工商业化，提出一种满足灵武长枣成熟度分类任务要求的网络模型。最后，设计了一个具有灵武长枣检测与成熟度分类功能的系统，以方便用户使用。本文的主要研究内容如下: (1)灵武长枣目标检测问题的研究。首先，构建灵武长枣目标检测数据集。然后，针对加载预训练模型的传统SSD模型不能更改网络结构，设备内存资源有限时便无法使用这一问题，对SSD模型的网络结构进行改进，提出一种不使用预训练模型也能达到较高检测精度的灵武长枣图像轻量化目标检测方法。改进方式包括:1）使用改进DenseNet网络替换原主干网络ResNet50;2)使用Inception模块替换SSD模型中的前3个额外层;3）增加多级融合结构。介绍完试验设备和评价指标后，在灵武长枣目标检测数据集上进行试验。最终，对比试验结果表明，提出的改进方式均有效，改进SSD模型的平均准确率为96.60％，检测速度为28.05帧.s-1，参数量为1.99×106个，比SSD模型和SSD模型（预训练）的平均准确率分别高出2.02个百分点和0.05个百分点，网络结构参数量比SSD模型少11.14×106个，达到不使用预训练模型也能达到较好检测效果的目的，且满足轻量化网络的要求，可布署在内存资源有限的设备上。 (2)灵武长枣成熟度分类问题的研究。首先构建灵武长枣成熟度分类数据集，介绍完试验设备和评价指标后，在成熟度分类数据集上测试ResNet101、MobileNetV2、ShuffleNetV2、VGGNet、DenseNet、GhostNet和EfficientNetV2七个网络的性能，综合对比后选取ShuffleNetV2作为灵武长枣成熟度分类任务的基础网络模型。又遵循在保证分类速度和参数量的前提下尽可能提高正确率的原则，对ShuffleNetV2网络进行改进:1）将ShuffleNetV2模块右分支中的3×3卷积换为5×5卷积;2）在ShuffleNetV2模块中添加SRM注意力模块;3）将ShuffleNetV2模块组数由[4，8，4]改为[3，6，3]。最终，通过试验证明以上改进策略的有效性。改进后的网络ShuffleNetV2-5×5-SRM-[3，6，3]的分类正确率为90.56％，速度为93.03帧·s-1，网络结构参数量为0.33×106个，与ShuffleNetV2相比，尽管牺牲了部分速度，但分类正确率提高4.86个百分点，网络结构参数量减少0.02×106个，满足改进要求。 (3)灵武长枣检测与成熟度分类系统的设计。首先分析用户需求，再设计灵武长枣检测与成熟度分类系统的整体框架，最终测试该系统并展示界面。测试结果表明，通过加载改进SSD模型和ShuffleNetV2-5×5-SRM-[3，6，3]的训练参数，能够很好地完成灵武长枣目标检测和成熟度分类任务，可为该系统后续的实际应用奠定基础。 本文所设计的灵武长枣检测与成熟度分类系统，可解决灵武长枣的检测和成熟度分类两个问题，且简单易操作，可为灵武长枣智能化采摘机器人的研制提供视觉技术支持。
NETL