基于卷积神经网络红提葡萄果穗成熟度检测研究.pdfVIP

摘 要 红提葡萄是鲜食葡萄的优质品种，其产量在我国葡萄产量中居于首位。红提是非呼吸跃变型果 实，采摘后无后熟期，选择最佳采摘期对采后红提葡萄品质至关重要，而依靠人眼判断葡萄成熟度 效率低，由于易发生果穗成熟度误判而导致过早采摘或过熟采摘。因此，如何快速准确判断红提葡 萄果穗的成熟度是提高红提葡萄商品率亟待解决的问题。 本研究针对自然环境下红提葡萄果穗，采用图像法开展葡萄成熟度分类的研究，首先采用卷积 神经网络不同迁移模型对田间红提葡萄果穗进行识别，然后采用合适的方法对识别出的果穗图像进 行背景分割，再采用圆形Hough 变换法检测葡萄果粒，并结合颜色特征判断葡萄果粒成熟度，最后 开发算法实现红提葡萄果穗成熟度较准确判别。本研究取得的主要结果如下： （1）在5 种卷积神经网络分别作为区域候选网络与Fast R-CNN 结合的迁移学习的网络模型中， VGG 16 网络的综合识别效果最好，将学习率调整为0.000 1，循环次数调整为20 次时，得到最优红 提葡萄果穗Faster R-CNN 识别模型，平均检测时间26 ms，精度达99.07%，模型识别置信度均在0.88 以上。 （2 ）K 最近邻 （K-nearest neighbor ，KNN ）算法最适于葡萄果穗图像进行背景分割，当K 近邻 数为5 且采用马氏距离计算方式得到的分割效果最佳，其准确率为84.61%，可达到对红提葡萄背景 良好分割的目的。 （3 ）选择Log 算子对背景分割图像一阶导数的梯度图像进行边缘提取，然后根据葡萄果粒的圆 形特征，采用圆形Hough 变换法检测边缘图像中的葡萄果粒，将边缘阈值和灵敏度分别调整为0.15 和0.94 时，圆形Hough 变换法可以在较高运算速度下检测更多边缘被遮挡的葡萄果粒，准确率达 96.56% 。 （4 ）根据HSV 空间中红提葡萄果粒像素的H 通道均值，将果粒分为4 个成熟度等级，开发的 葡萄果穗成熟度判断算法将葡萄果穗分为4 个成熟度等级，对4 个成熟度等级葡萄果穗判断的总体 准确率为91.14% 。 本研究所提出的方法实现了葡萄果穗成熟度的准确检测，可为果农适宜期收获提供指导，同时 为红提葡萄机械化采摘提供参考，对提高红提葡萄商品率具有重要意义。 关键词：果穗；成熟度；Faster R-CNN ；迁移学习；Hough 变换 I Abstract “Red Globe” grape is a high-quality variety of table grape, and the output ranks first among productions in Chinese grape. “Red Globe” grape is a non-climacteric fruit, so it has no post-ripening period after harvest. Thus, it is most important for “Red Globe” grape to select appropriate harvest time. The grape clusters often were harvested too early or too late due to misjudgment of the maturity. Therefore, there is an urgent need to quickly and accurately judge the grape cluster maturity to increase the commodity rate of “Red Globe” grape. The image method was used in this study to determinate the maturity of “Red Globe” grape cluster in the natural environment. Firstly, “Red Globe” grape clusters were identified by different transfer l