文献类型：期刊文章

作　　者：朱旭[1] 马淏[1,2,3] 姬江涛[1,2,3] 金鑫[1,2,3] 赵凯旋[1,2,3] 张开[1]

ZHU Xu;MAHao;JI Jiang-tao;JIN Xin;ZHAO Kai-xuan;ZHANG Kai(College of Agricultural Equipment Engineering,Henan University of Science and Technology,Luoyang,Henan 471003,China;Henan International Joint Laboratory of Intelligent Agricultural Equipment Technology,Luoyang,Henan 471003,China;Collaborative Innovation Center of Machinery Equipment Advanced Manufacturing of Henan Province,Luoyang,Henan 471003,China)

机构地区：[1]河南科技大学农业装备工程学院,河南洛阳471003 [2]河南省智能农业装备技术国际联合实验室,河南洛阳471003 [3]机械装备先进制造河南省协同创新中心,河南洛阳471003

出　　处：《南方农业学报》

基　　金：国家自然科学基金青年基金项目(61805073);国家重点研发计划项目(2018YFD0700302-02);河南省科技攻关项目(182102110201);河南省高等学校重点科研项目(17A416003)。

年　　份：2020

卷　　号：51

期　　号：6

起止页码：1493-1501

语　　种：中文

收录情况：BDHX、BDHX2017、CAB、CAS、CSCD、CSCD_E2019_2020、IC、JST、RCCSE、WOS、ZGKJHX、核心刊

摘　　要：【目的】基于Faster R-CNN模型对不同成熟度蓝莓果实进行精准识别分类,为浆果类果实的自动化采摘、产量预估等提供技术支撑。【方法】选取成熟果、半成熟果、未成熟果剪切图像各4000幅和8000幅背景图像作为训练集,1000幅原始图像用于验证集开展试验,改进Faster R-CNN算法,设计一种对背景干扰、果实遮挡等因素具有良好鲁棒性和准确率的蓝莓果实识别模型,模型通过卷积神经网络(CNN)、区域候选网络(RPN)、感兴趣区域池化(ROI Pooling)和分类网络来实现蓝莓图像背景消除及果实识别并与DPM算法进行对比。【结果】以WOA算法优化的训练参数作为参考,在蓝莓数据集上训练网络模型。在分析P-R曲线后计算F发现,Faster R-CNN算法在成熟果、半成熟果和未成熟果上的F值分别为95.48%、95.59%和94.70%,与DPM算法相比平均高10.00%。在对3类蓝莓果实的识别精度方面,Faster R-CNN同样有着优秀的识别效果。对成熟果、半成熟果和未成熟果的识别准确率分别为97.00%、95.00%和92.00%,平均识别准确率为94.67%,比DPM算法高20.00%左右。该网络模型在高精度的识别效果下,对于蓝莓果实的平均识别速度依然达0.25 s/幅,能满足实时在线识别的需求。【建议】获取多角度、复杂环境下的图像用来提高模型识别率;利用迁移学习建立蓝莓识别模型;数据集样本扩充并分类。

关 键 词：蓝莓 冠层果实  Faster R-CNN  精准识别  产量预估  不同成熟度

分 类 号：S24]