基于改进Mask R-CNN的番茄侧枝修剪点识别方法

摘要：

为解决番茄枝叶修剪机器人无法准确识别番茄侧枝修剪点的问题,提出基于改进Mask R-CNN模型的番茄侧枝修剪点的识别方法.将Mask R-CNN的主干网络ResNet50替换为MobileNetv3-Large来降低模型复杂度和提升运行速度,并对部分特征图添加ECA(Efficient Channel Attention)注意力机制,以提升模型精度;通过改进的Mask R-CNN模型预测番茄侧枝与主枝的分割掩膜和边框位置;针对部分单根枝条被分割成多段掩膜的问题,通过掩膜边界框宽高比区分侧枝和主枝,分析同一枝条相邻掩膜约束条件,然后将符合约束条件的掩膜进行合并连接;根据修剪点在主枝附近的特点确定修剪点所在端,确定靠近修剪端端点的中心点作为侧枝的修剪点.试验结果表明,改进的Mask R-CNN模型平均分割图片时间为0.319 s,召回率和精确率分别为91.2％和88.6％,掩膜平均合并成功率为86.2％,修剪点识别平均准确率为82.9％.该研究为番茄枝叶修剪机器人的研发提供参考.

关键词：模型、图像识别、目标检测、Mask R-CNN、侧枝、主枝、修剪点

所属期刊栏目：38

分类号：TP391.41(计算技术、计算机技术)

资助基金：国家自然科学基金31971796

在线出版日期：2023-03-07（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：112-121