基于Faster R-CNN的蓝莓冠层果实检测识别分析

• 作者: 姬江涛 张开 朱旭 赵凯旋 金鑫 马淏
• 来源期刊: 南方农业学报
• 关键词: 蓝莓 冠层果实 FasterR-CNN 精准识别 产量预估 不同成熟度
• 年，卷（期）: 2020,（6）
• 所属期刊栏目: 农业信息技术·农业经济
• 页码范围: 1493-1501
• 页数: 9页
• 分类号: S24
• 语种: 中文
• DOI: 10.3969/j.issn.2095-1191.2020.06.032

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 Pool-ing)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.