目录
摘 要 I
ABSTRACT II
第一章 文献综述 1
1 研究背景和意义 1
2 国内外研究现状 1
2.1 国内研究现状 1
2.2 国外研究现状 2
3 研究内容 3
第二章 基于深度学习的实例分割算法 4
1 ResNet 4
1.1 ResNet网络结构 4
1.2 残差块的两种结构 4
1.3 ResNet50和ResNet101 5
2 FPN 6
2.1 FPN网络结构 6
2.2 FPN+ResNet 7
3 RPN 7
3.1 RPN结构 7
3.2 FPN应用于RPN层 8
4 Mask RCNN 8
4.1 Mask RCNN主要思想 8
4.2 Mask RCNN的网络结构 9
4.3 损失函数 10
5 PointRend 11
5.1 PointRend主要思想 11
5.2 PointRend结构 11
第三章 基于深度学习的草莓图像实例分割 13
1 数据集构建 13
2 实验环境 15
3 基于Mask RCNN的草莓图像实例分割 15
3.1 训练方法 15
3.2 训练过程 16
4 基于PointRend的草莓图像实例分割 25
4.1 训练方法 25
4.2 训练过程 25
第四章 结果和分析 28
1 评价指标 28
1.1 IoU 28
1.2 COCO 标准评价指标 28
2 分割结果对比 28
2.1 不同状态的草莓的分割结果对比 28
2.2 模型评估对比 34
2.3 分割速度对比 35
第五章 结论与展望 36
1 结论 36
2 展望 36
 *51今日免费论文网|www.51jrft.com +Q: #351916072# 
参考文献 37
致 谢 39
基于深度学习的草莓图像实例分割
摘 要
随着农业生产自动化的需求增多，农业与深度学习技术的结合逐渐成为研究的热点，其中基于深度学习的实例分割技术在机器人抓取、工业筛检等领域具有重要应用意义。本文将实例分割技术应用在草莓的识别和分割上。农业上，草莓是世界各地广泛种植的高利润作物，但是受限于自动化采摘的技术的不成熟，一直以来都是人工采摘，成本巨大。基于深度学习的实例分割技术可以对地里草莓图像进行精准的识别和分割，为机器自动化采摘草莓提供技术基础。本文采用Mask RCNN、PointRend两种实例分割模型，通过微调模型参数和替换主干网络等方法来训练模型。其中主干网主要使用ResNet50和ResNet101，并结合FPN进行特征提取，在2800张图片上进行训练，在200张图片上进行测试。使用ResNet101和FPN作为Mask RCNN的主干网，得到的AP(Average Precision)值为82.317，每张图片均为同等大小，其分割速度最快为0.15s。使用ResNet50和FPN作为PointRend的主干网时得到的分割精度最高，AP值为82.128，接近Mask RCNN最高分割精度。PointRend对于边界分割精细度比Mask RCNN效果更佳，适用于高分辨率的图像分割。分析对比后，针对不同的应用需求从中选取最合适的草莓图像实例分割模型，并将实现的功能模块在网页上进行展示，主要功能包括从网页上调用模型进行实例分割和网络模型可视化展示。

原文链接：http://www.jxszl.com/jsj/jsjkxyjs/610071.html