基于深度学习的苹果树侧视图果实识别

摘要：

[目的]传统果树侧面果实识别方法精度难以满足实际果实识别的需求,研究深度学习方法对提高苹果树侧面果实识别精度、增强模型对苹果复杂生长环境的适应性和泛化性具有重要意义.[方法]文章提出基于深度卷积神经网络对广域复杂背景环境下的侧面苹果特征进行学习的方法,完成苹果树侧面果实多目标识别任务.[结果]在广域复杂场景下,基于VGG16为特征提取网络的Faster-RCNN多目标检测模型在果实多目标检测任务中,识别精度达到91％,单幅影像识别时间约为1.4 s,相较于ResNet50作为特征提取层的目标检测模型识别精度提高4％;在相同影像数据下,模型识别精度的主要影响因素是遮挡,导致模型漏判果实数量较多,VGG16在不同程度遮挡区域的漏判率比ResNet低6％.[结论]基于VGG16卷积神经网络果树侧视图果实识别算法对广域复杂场景下的果实提取效果较好,特别是在具有遮挡情况下的识别结果更优,能够为果园产量估算提供一定的借鉴.

关键词：苹果树、侧面果实、广域场景、深度卷积神经网络、Faster-RCNN、多目标识别

所属期刊栏目：31

分类号：TP3;TP1

资助基金：国家自然科学基金41571308

在线出版日期：2019-12-26（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：75-83