文献类型：期刊文章

作　　者：薛月菊[1,2,3,4] 黄宁[1,2] 涂淑琴[5] 毛亮[1] 杨阿庆[1] 朱勋沐[1] 杨晓帆[1] 陈鹏飞[1]

Xue Yueju;Huang Ning;Tu Shuqin;Mao Liang;Yang Aqing;Zhu Xunmu;Yang Xiaofan;Chen Pengfei(College of Electronic Engineering,South China Agricultural University,Guangzhou 510642,China;Guangdong Engineering Research Center for Datamation of Modern Pig Production,Guangzhou 510642,China;Guangdong Modern Agricultural Science and Technology Innovation Center for Intelligent Orchard,Guangzhou 510642,China;Guangdong Engineering Research Center for Information Monitoring in Agriculture,Guangzhou 510642,China;College of Mathematics and Informatics,South China Agricultural University,Guangzhou 510642,China)

机构地区：[1]华南农业大学电子工程学院,广州510642 [2]广东省现代养猪数据化工程技术研究中心,广州510642 [3]广东省智慧果园科技创新中心,广州510642 [4]广东省农情信息监测工程技术研究中心,广州510642 [5]华南农业大学数学与信息学院,广州510642

出　　处：《农业工程学报》

基　　金：国家自然科学基金-广东联合基金(U1301253);广东省科技计划项目(2015A020209148);广东省科技计划项目(2015A020224038);广州市科技计划项目(201605030013);广州市科技计划项目(201604016122)

年　　份：2018

卷　　号：34

期　　号：7

起止页码：173-179

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CAB、CAS、CSA、CSA-PROQEUST、CSCD、CSCD2017_2018、EI、FSTA、IC、JST、PROQUEST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：在果园场景下,由于光照的多样性、背景的复杂性及芒果与树叶颜色的高度相似性,特别是树叶和枝干对果实遮挡及果实重叠,给未成熟芒果检测带来极大的挑战。本文提出果园场景下未成熟芒果的改进YOLOv2检测方法。设计新的带密集连接的Tiny-yolo网络结构,实现网络多层特征的复用和融合,提高检测精度。为克服遮挡重叠果实检测困难,手工标注遮挡或重叠芒果的前景区域,然后用样本的前景区域训练YOLOv2网络,减小边界框内非前景区域特征的干扰,增强对目标前景区域卷积特征的学习。并以扩增的数据集,采用增大输入尺度和多尺度策略训练网络。最后,对本文方法进行性能评价与对比试验。试验结果表明,该方法在测试集上,芒果目标检测速度达83帧/s,准确率达97.02%,召回率达95.1%。对比Faster RCNN,该方法在杂物遮挡和果实重叠等复杂场景下,检测性能显著提升。

关 键 词：神经网络 特征提取 估产 芒果 密集连接  YOLOv2网络  

分 类 号：TP391.4]