基于双卷积链Fast R-CNN的番茄关键器官识别方法

• 作者: 周云成 苗腾 许童羽 邓寒冰
• 来源期刊: 沈阳农业大学学报
• 学科: 工学
• 关键词: 卷积神经网络 番茄 目标识别 双卷积链 激活单元 深度学习
• 年，卷（期）: 2018,（1）
• 所属期刊栏目: 研究报告
• 页码范围: 65-74
• 页数: 10页
• 分类号: TP183
• 字数: 8871字
• 语种: 中文
• DOI: 10.3969/j.issn.1000-1700.2018.01.010

摘要

为提高番茄器官目标识别的准确率,提出一种基于RGB和灰度图像输入的双卷积链Fast R-CNN番茄器官识别网络.该方法通过番茄器官图像数据集训练基于VGGNet基本结构的特征提取网络,并用其参数初始化Fast R-CNN,通过再训练,用以识别植株图像中的番茄花、果、茎器官.首先分析了网络深度和宽度、图像输入类型、激活单元对特征提取及网络分类性能的影响.详细阐述了基于Fast R-CNN的番茄器官识别网络的设计及训练方法,基于试验观察,提出了基于双卷积链的Fast R-CNN,融合自动提取的RGB和灰度图像特征,由全连接层对Selective Search算法生成的候选区域进行分类识别.结果表明:针对番茄器官图像数据集,5个卷积层的网络即可具有较高的特征提取和分类性能,增加或降低卷积层数都会使网络性能下降;与ReLU激活单元相比,PReLU和ELU能够显著提高番茄特征提取网络的性能,而提高效果和具体的网络结构有关;基于Fast R-CNN的识别方法能够对番茄的花、果、茎器官进行识别,且能够识别不同成熟度的果和不同形态的花;单卷积链Fast R-CNN网络对花、果、茎的识别平均精度(AP)最高分别为64.79%、66.76%和42.58%,双卷积链Fast R-CNN识别网络对三种器官的识别AP最高分别为70.33%、63.99%和44.95%,相较于单链网络,双卷积链Fast R-CNN的mAP提高2.56%,说明该方法对提高番茄器官识别性能是有效的.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	周云成	沈阳农业大学信息与电气工程学院	36	324	10.0	17.0
2	许童羽	沈阳农业大学信息与电气工程学院	118	718	16.0	21.0
3	邓寒冰	沈阳农业大学信息与电气工程学院	13	84	4.0	9.0
4	苗腾	沈阳农业大学信息与电气工程学院	15	26	3.0	5.0