基于深度卷积网络的葡萄簇检测与分割

• 作者: 娄甜田 杨华 胡志伟
• 来源期刊: 山西农业大学学报(自然科学版)
• 关键词: 目标检测 实例分割 Mask R-CNN Cascade Mask R-CNN ResNet50 ResNet101
• 年，卷（期）: 2020,（5）
• 所属期刊栏目: 农业信息与工程
• 页码范围: 109-119
• 页数: 11页
• 分类号: TP391
• 语种: 中文
• DOI: 10.13842/j.cnki.issn1671-8151.202004024

摘要

[目的]在果园场景下,簇粘连、杂物遮挡给高精度葡萄簇检测与分割造成很大难题.[方法]该文以真实种植场景下的葡萄簇为研究对象,以相机拍摄图像为数据源,提出基于2大骨干网络R50、R101与2种任务网络Mask R-CNN、Cascade Mask R-CNN交叉结合的多种葡萄簇检测与分割并行化模型.对5个品种137张共2020个实例标注葡萄簇个体进行研究,为丰富数据集、提升模型泛化能力,对原始数据集随机进行改变亮度、加入高斯噪声及翻转180°操作,共获得标注图片685张.为探究不同骨干网络对模型检测与分割的影响状况,选取R50与R101对输入图像分别进行特征提取,并在Mask R-CNN和Cascade Mask R-CNN两大任务网络上进行试验.[结果]对于检测任务,Mask R-CNN-R50在AP0.75指标上比Mask R-CNN-R101提升22.3％;对于分割任务,Cascade Mask R-CNN-R50在各AP指标上比Cascade Mask R-CNN-R101提升2％～13.5％.为验证学习率超参数对预测结果影响,选用6个不同学习率在Mask R-CNN-R50与Cascade Mask R-CNN-R50模型上进行试验,结果表明,随着学习率的增加,检测与分割各AP指标均先增加后减小;为探究模型的鲁棒性,将测试集图片分为深度分离、浆果粘连、杂物遮挡3大类并进行可视化分析,结果表明,Cascade Mask R-CNN-R50模型在3种场景下分割与检测效果最佳,Mask R-CNN-R101效果最差.[结论]综合分析,本文Cascade Mask R-CNN-R50模型可更为精确、有效地对不同种植场景葡萄簇进行分割与检测,其可为后续葡萄自动化采摘提供模型支撑.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	杨华	山西农业大学信息科学与工程学院	77	401	11.0	16.0
2	胡志伟	山西农业大学信息科学与工程学院	6	10	2.0	3.0
3	娄甜田	山西农业大学农业经济管理学院	3	14	2.0	3.0