自然果园环境下基于深度学习的目标果实生长监测研究.pdfVIP

目录

摘要I

AbstractII

第一章绪论1

1.1研究背景及意义1

1.2国内外研究现状2

1.2.1目标检测方法3

1.2.2实例分割方法5

1.3主要研究内容7

1.4论文创新点9

1.5论文组织结构9

第二章绿色果实数据集11

2.1疏果期黄金梨数据集11

2.2MinneApple数据集13

2.3绿色柿子和绿色苹果数据集14

2.4本章小结14

第三章SODHead疏果期前簇状小尺度果实检测头16

3.1算法整体结构16

3.2小目标定位网络17

3.3边界框重定位18

3.4损失函数20

3.5实验与评价21

3.5.1评价指标21

3.5.2消融实验22

3.5.3对比实验22

3.5.4可视化结果25

3.6本章小结31

第四章ODLNet疏果期后稀疏小尺度果实检测网络32

4.1算法整体结构32

4.2特征提取33

4.3特征融合34

4.3.1语义增强模块35

4.3.2特征增强模块与位置增强模块37

4.3.3网络结构说明38

4.4CenterBox标签分配策略39

4.4.1常规的标签分配策略39

4.4.2CenterBox41

4.5损失函数43

4.5.1分类损失和置信度损失43

4.5.2边界框损失43

4.6实验与评价45

4.6.1消融实验45

4.6.2对比实验46

4.6.3可视化结果48

4.7本章小结53

第五章MaskPositioner生长中期被遮挡果实掩膜定位器54

5.1算法整体结构54

5.2细粒度细化网络55

5.3难以分割区域的像素筛选56

5.4序列解码器57

5.5损失函数59

5.6实验与评价60

5.6.1消融实验60

5.6.2对比试验61

5.6.3可视化结果63

5.7本章小结66

第六章总结与展望67

6.1总结67

6.2展望68

参考文献69

致谢79

攻读学位期间发表的学术论著80

山东师范大学硕士学位论文

摘要

深度卷积网络的快速发展推动了计算机视觉领域的革新，为智慧果园的建设提供了新

颖的思路和有力的技术支撑，例如为果实生长监测、自动化采摘、病虫害管理等任务提供

基础支持。在果实生长周期中的智能监测挑战主要集中在果实生长中前期，前期绿色果实

尺度小和中期复杂果园背景造成的遮挡等因素导致目标果实的识别精度偏低，影响果实生

长监测的质量。本研究以生长中前期的绿色果实为研究对象，制作疏果前、疏果后的小目

标果实数据集，以及生长中期的绿色果实数据集，针对不同生长期的绿色果实监测展开研

究，旨在提升果园装备对不同生长期果实的识别精确度。本研究主要研究内容如下：

（1）针对疏果期前簇状分布的小尺度绿色果实检测难题，本研究设计通用的小尺度

果实检测头SODHead，通过小目标定位网络从顶层特征图逐层向下定位存在目标果实的

区域，避免直接检测时大量冗余信息的干扰；嵌入边界框重定位操作，提升小尺度预测框

的回归稳定性。实验结果表明，SODHead在疏果前黄金梨和MinneApple数据集上的检测

精度分别达到52.6%和37.2%。