改进Faster-RCNN自然环境下识别刺梨果实

• 作者: 何林 刘红芸 张乐伟 张富贵 樊卫国 苏小东 赵源 闫建伟
• 来源期刊: 农业工程学报
• 学科: 工学
• 关键词: 卷积神经网络 Faster RCNN 机器视觉 深度学习 刺梨果实 目标识别
• 年，卷（期）: 2019,（18）
• 所属期刊栏目: 农业信息与电气技术
• 页码范围: 144-151
• 页数: 8页
• 分类号: TP391.41
• 字数: 5959字
• 语种: 中文
• DOI: 10.11975/j.issn.1002-6819.2019.18.018

摘要

为了实现自然环境下刺梨果实的快速准确识别,根据刺梨果实的特点,该文提出了一种基于改进的Faster RCNN刺梨果实识别方法.该文卷积神经网络采用双线性插值方法,选用 Faster RCNN 的交替优化训练方式(alternating optimization),将卷积神经网络中的感兴趣区域池化(ROI pooling)改进为感兴趣区域校准(ROI align)的区域特征聚集方式,使得检测结果中的目标矩形框更加精确.通过比较Faster RCNN框架下的VGG16、VGG_CNN_M1024以及ZF 3种网络模型训练的精度-召回率,最终选择VGG16网络模型,该网络模型对11类刺梨果实的识别精度分别为94.00%、90.85%、83.74%、98.55%、96.42%、98.43%、89.18%、90.61%、100.00%、88.47%和90.91%,平均识别精度为92.01%.通过对300幅自然环境下随机拍摄的未参与识别模型训练的刺梨果实图像进行检测,并选择以召回率、准确率以及F1值作为识别模型性能评价的3个指标.检测结果表明:改进算法训练出来的识别模型对刺梨果实的11种形态的召回率最低为81.40%,最高达96.93%;准确率最低为85.63%,最高达95.53%;F1值最低为87.50%,最高达94.99%.检测的平均速度能够达到0.2 s/幅.该文算法对自然条件下刺梨果实的识别具有较高的正确率和实时性.