基于深度学习的名优茶芽识别与定位及采摘研究

扫码查看

原文链接

NETL

中文摘要：目前高端名优茶芽采摘仍以人工为主，但人工采摘成本高、效率低往往导致茶芽产量不高。随着名优茶芽销量和均价逐年上升，研制一款名优茶芽自主采摘机变的愈发重要。为此，本文使用计算机视觉技术和机器人技术重点进行了基于深度学习的名优茶芽识别与分割算法的研究、茶芽采摘点的提取及相机定位误差的研究、采茶机采摘末端执行器和云平台的设计。主要研究内容和结论如下： (1) 对于茶芽的识别与分割，本文以深度学习中的目标检测算法和语义分割算法两种方法展开研究。在茶芽的识别过程中，对比了单阶段检测代表算法YOLO-V3和两阶段检测代表算法Faster R-CNN的性能，并选择了YOLO-V3作为后续研究的视觉模型。而后使用YOLO-V3的评价指标，通过不同茶芽数量、不同拍摄角度、不同拍摄背景的10种子数据集分析了相机拍摄方式。在茶芽的分割过程中，通过分析四种各具特点的语义分割算法的评价指标，选出了基于HRNet_W18的茶芽粗分割，并使用平滑滤波和连接组件标记算法进行最终的茶芽分割。试验可知，YOLO-V3对茶芽的准确率为72%，相机架设满足较少目标、垂直且背景单一的方式为佳；HRNet_W18 对于茶芽分割则在四种分割算法中具有最高81%的平均交并比。 (2)基于YOLO-V3和HRNet_W18 对茶芽的识别和分割，提出了两种新的茶芽采摘点提取方式。在基于YOLO-V3的方法中，结合预测框坐标信息分割出茶芽主脉，再使用骨架提取算法提取茶芽主脉，最终确定出茶芽主脉与茶梗交接处为平面采摘点。而在基于HRNet_W18的方法中，使用已经分割出的茶芽检测了角点，利用图像的质心和中心连线判断出茶芽的大致生长朝向，最终以距离连线最近的角点为茶芽平面采摘点。经试验验证后可得，基于 YOLO-V3 提取茶芽平面采摘点的方法主脉分割准确率为 78%，采摘点定位准确率为83%；而在基于HRNet_W18采摘点提取中，最终整体定位成功的采摘点仅为 57% 。因此选用了定位准确率较高的基于 YOLO-V3 的采摘点方式进行了后续空间采摘点的提取。 (3)对于茶芽的甄别式采摘，设计了茶芽采摘末端执行器并搭建了相关的云平台。茶芽采摘末端执行器结合了激光对射传感器和颜色模块以自主调整姿态，并且在执行机构末端裹上柔性生胶减少茶芽在采摘时的损伤，最后将采摘后的茶芽利用 OpenMV 智能相机迁移学习的方法，进行了茶芽品质的二级分类；云平台则是设计了数据统计、数据集存储、远程计算、模型在线训练等功能，以实现数据双向反馈和智能决策。

作者：

陈春霖

展开 >

关键词：

名优茶芽采摘机茶芽识别采摘点提取甄别式采摘深度学习

授予学位：

硕士

学科专业：

机械

导师：

卢劲竹、刘雪垠

学位年度：

2023

学位授予单位：

西华大学

语种：

中文

中图分类号：