文献类型：期刊文章

作　　者：闫建伟[1,2,3] 赵源[1] 张乐伟[1] 苏小东[1] 刘红芸[1] 张富贵[1,3] 樊卫国[2] 何林[1,4]

Yan Jianwei;Zhao Yuan;Zhang Lewei;Su Xiaodong;Liu Hongyun;Zhang Fugui;Fan Weiguo;He Lin(College of Mechanical Engineering,Guizhou University,Guiyang 550025,China;National Forestry and Prairie Bureau Rosaroxbunghii Engineering Technology Research Center,Guiyang 550025,China;Mountain Agriculture Intelligent Equipment EngineeringResearch Center of Guizhou Province,Guiyang 550025,China;Liupanshui Normal University ,Liupanshui,553004,China)

机构地区：[1]贵州大学机械工程学院,贵阳550025 [2]国家林业和草原局刺梨工程技术研究中心,贵阳550025 [3]贵州省山地农业智能装备工程研究中心,贵阳550025 [4]六盘水师范学院,六盘水553004

出　　处：《农业工程学报》

基　　金：贵州大学培育项目(黔科合平台人才[2017]5788);贵州省普通高等学校工程研究中心建设项目(黔教合KY字[2017]015);贵州省科技计划项目(黔科合平台人才[2019]5616号)

年　　份：2019

卷　　号：35

期　　号：18

起止页码：143-150

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CAB、CAS、CSA、CSA-PROQEUST、CSCD、CSCD2019_2020、EI、FSTA、IC、JST、PROQUEST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：为了实现自然环境下刺梨果实的快速准确识别,根据刺梨果实的特点,该文提出了一种基于改进的FasterRCNN刺梨果实识别方法。该文卷积神经网络采用双线性插值方法,选用FasterRCNN的交替优化训练方式(alternating optimization),将卷积神经网络中的感兴趣区域池化(ROI pooling)改进为感兴趣区域校准(ROIalign)的区域特征聚集方式,使得检测结果中的目标矩形框更加精确。通过比较FasterRCNN框架下的VGG16、VGG_CNN_M1024以及ZF3种网络模型训练的精度-召回率,最终选择VGG16网络模型,该网络模型对11类刺梨果实的识别精度分别为94.00%、90.85%、83.74%、98.55%、96.42%、98.43%、89.18%、90.61%、100.00%、88.47%和90.91%,平均识别精度为92.01%。通过对300幅自然环境下随机拍摄的未参与识别模型训练的刺梨果实图像进行检测,并选择以召回率、准确率以及F1值作为识别模型性能评价的3个指标。检测结果表明:改进算法训练出来的识别模型对刺梨果实的11种形态的召回率最低为81.40%,最高达96.93%;准确率最低为85.63%,最高达95.53%;F1值最低为87.50%,最高达94.99%。检测的平均速度能够达到0.2s/幅。该文算法对自然条件下刺梨果实的识别具有较高的正确率和实时性。

关 键 词：卷积神经网络  FasterRCNN  机器视觉 深度学习  刺梨果实  目标识别

分 类 号：TP391.41]