文献类型：期刊文章

作　　者：吕石磊[1,2,3] 卢思华[1] 李震[1,2,3] 洪添胜[1,2,4] 薛月菊[1,2,3] 吴奔雷[1]

Lü Shilei;Lu Sihua;Li Zhen;Hong Tiansheng;Xue Yueju;Wu Benlei(College of Electronic Engineering,South China Agricultural University,Guangzhou 510642,China;Division of Citrus Machinery,China Agriculture Research System,Guangzhou 510642,China;Guangdong Engineering Research Center for Monitoring Agricultural Information,Guangzhou 510642,China;College of Engineering,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]国家柑橘产业技术体系机械化研究室,广州510642 [3]广东省农情信息监测工程技术研究中心,广州510642 [4]华南农业大学工程学院,广州510642

出　　处：《农业工程学报》

基　　金：国家自然科学基金项目(61601189,31971797);现代农业产业技术体系建设专项资金(CARS-26);广东省科技计划项目(2016A020210088);广州市科技计划项目(201803020037)

年　　份：2019

卷　　号：35

期　　号：17

起止页码：205-214

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CAB、CAS、CSA、CSA-PROQEUST、CSCD、CSCD2019_2020、EI、FSTA、IC、JST、PROQUEST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：柑橘识别是实现柑橘园果实自动采摘、果树精细化管理以及实现果园产量预测的关键技术环节。为实现自然环境下柑橘果实的快速精准识别,该文提出一种基于改进YOLOv3-LITE轻量级神经网络的柑橘识别方法。在采摘机器人领域,果实识别回归框的准确率直接决定了机器手的采摘成功率,该方法通过引入GIoU边框回归损失函数来提高果实识别回归框准确率;为便于迁移到移动终端,提出一种YOLOv3-LITE轻量级网络模型,使用MobileNet-v2作为模型的骨干网络;使用混合训练与迁移学习结合的预训练方式来提高模型的泛化能力。通过与Faster-RCNN以及SSD模型对比在不同遮挡程度的测试样本下模型的识别效果,用F1值与AP值评估各模型的差异,试验结果表明:该文提出的模型识别效果提升显著,对于果实轻度遮挡的数据集,该文提出的柑橘识别模型的F1值和AP值分别为95.27%和92.75%,AverageIoU为88.65%;在全部测试集上,F1值和AP值分别为93.69%和91.13%,Average IoU为87.32%,在GPU上对柑橘目标检测速度可达246帧/s,对单张416×416的图片推断速度为16.9 ms,在CPU上检测速度可达22帧/s,推断速度为80.9 ms,模型占用内存为28 MB。因此,该文提出的柑橘识别方法具有模型占用内存低、识别准确率高及识别速度快等优点,可为柑橘采摘机器人以及柑橘产业产量预测提出新的解决方案,为柑橘产业智能化提供新的思路。

关 键 词：神经网络 果树 算法  柑橘 YOLOv3-LITE  混合训练  迁移学习  GIoU边框回归损失函数  

分 类 号：TP301.6]