文献类型：期刊文章

作　　者：彭红星[1] 黄博[1] 邵园园[2] 李泽森[1] 张朝武[1] 陈燕[3] 熊俊涛[1]

Peng Hongxing;Huang Bo;Shao Yuanyuan;Li Zesen;Zhang Chaowu;Chen Yan;Xiong Juntao(College of Mathematics and Informatics,South China Agricultural University/Key Laboratory of Key Technology for South Agricultural Machine and Equipment,Ministry of Education,Guangzhou 510642,China;School of Mechanical and Electronic Engineering,Shandong Agricultural University,Tai'an 271018,China;College of Engineering,South China Agricultural University,Guangzhou 510642,China)

机构地区：[1]华南农业大学数学与信息学院/南方农业机械与装备关键技术教育部重点实验室,广州510642 [2]山东农业大学机械与电子工程学院,泰安271018 [3]华南农业大学工程学院,广州510642

出　　处：《农业工程学报》

基　　金：国家自然科学基金项目(51578162,31571568,31701325);广东省自然科学基金项目(2015A030310258,2018A030313330);山东省重点研发计划(2016GNC112007);广东省科技计划项目(2015A020209111);广州市科技计划项目(201802020032)。

年　　份：2018

卷　　号：34

期　　号：16

起止页码：155-162

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CAB、CAS、CSA、CSA-PROQEUST、CSCD、CSCD2017_2018、EI、FSTA、IC、JST、PROQUEST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：为解决当前自然环境下水果识别率不高、泛化性不强等问题,该文以苹果、荔枝、脐橙、皇帝柑4种水果为研究对象,提出了一种改进的SSD(single shot multi-boxdetector)深度学习水果检测模型:将经典SSD深度学习模型中的VGG16输入模型替换为Res Net-101模型,并运用迁移学习方法和随机梯度下降算法优化SSD深度学习模型。该文基于Caffe深度学习框架,对自然环境下采集的水果图像进行不同网络模型、不同数据集大小和不同遮挡比例等多组水果识别检测效果对比试验。试验表明:改进的SSD深度学习水果检测模型对4种水果在各种环境下的平均检测精度达到88.4%,高于经典SSD深度学习模型中的86.38%,经过数据增强后平均检测精度可提升至89.53%,在遮挡面积低于50%的情况下F1值能达到96.12%,有较好的泛化性和鲁棒性,可以很好地实现自然环境下多类水果的精准检测,可为农业自动化采摘中的水果识别检测问题提供新的方案。

关 键 词：图像识别 模型  算法  水果检测  深度学习  SSD VGG16  ResNet-101  

分 类 号：TP391.41]