基于深度学习的大田甘蓝在线识别模型建立与试验

摘要：

针对大田蔬菜对靶施药过程中靶标难以精准识别定位的问题,以甘蓝为研究对象,进行基于深度学习的靶标在线识别方法与模型研究.对比3种当前性能较优的目标检测模型Faster R-CNN、SSD和YOLO v5s,选择YOLO v5s作为田间甘蓝识别迁移学习模型,提出一种MobileNet v3s主干特征提取网络与深度可分离卷积融合的YOLO-mdw大田甘蓝目标识别方法,实现复杂环境下的大田甘蓝实时识别;提出一种基于卡尔曼滤波和匈牙利算法的甘蓝目标定位方法,并将模型部署于NVIDIA Xavier NX开发板上.试验结果表明,YOLO-mdw识别模型在晴天、多云、阴雨天气条件下识别准确率分别为93.14％、94.75％和94.23％,图像处理时间为54.09 ms,相对于YOLO v5s模型用时缩短26.98％;速度不大于0.6 m/s时,识别准确率达94％,平均定位误差为4.13 cm,平均甘蓝直径识别误差为1.42 cm.该靶标识别系统能在大田复杂环境下对甘蓝进行实时识别定位,为对靶施药提供技术支持.

关键词：甘蓝、大田环境、识别定位、深度学习、嵌入式部署

所属期刊栏目：53

分类号：TP391.4;S511.3(计算技术、计算机技术)

资助基金：国家重点研发计划;国家大宗蔬菜产业技术体系项目;北京市农林科学院智能装备技术研究中心开放项目;中国烟草总公司云南省公司科技计划重点项目

在线出版日期：2022-06-22（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：293-303