文献类型：期刊文章

作　　者：熊俊涛[1] 郑镇辉[1] 梁嘉恩[1] 钟灼[1] 刘柏林[1] 孙宝霞[2]

XIONG Juntao;ZHENG Zhenhui;LIANG Jiaen;ZHONG Zhuo;LIU Bolin;SUN Baoxia(College of Mathematics and Informatics,South China Agricultural University,Guangzhou 510642,China;Guangdong Mechanical and Electrical Polytechnic,Guangzhou 510515,China)

机构地区：[1]华南农业大学数学与信息学院,广州510642 [2]广东机电职业技术学院,广州510515

出　　处：《农业机械学报》

基　　金：广东省重点领域研究计划项目(2019B020223002);国家级大学生创新创业训练计划项目(201810564013);广东省大学生科技创新培育专项资金项目(Pdjh2018b0079);广东省普通高校特色创新类项目(2018GKTSCX014)。

年　　份：2020

卷　　号：51

期　　号：4

起止页码：199-206

语　　种：中文

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

摘　　要：为研究夜间环境下采摘机器人的视觉检测技术,实现采摘机器人的夜间作业,提出了一种多尺度卷积神经网络Des-YOLO v3算法,可实现夜间复杂环境下成熟柑橘的识别与检测。借鉴残差网络和密集连接网络,设计了Des-YOLO v3网络结构,实现了网络多层特征的复用和融合,加强了小目标和重叠遮挡果实识别的鲁棒性,显著提高了果实检测精度。柑橘识别试验结果表明,Des-YOLO v3网络的精确率达97.67%、召回率为97.46%、F1值为0.976,分别比YOLO v3网络高6.26个百分点、6.36个百分点和0.063。同时,经过训练的模型在测试集下的平均精度(m AP)为90.75%、检测速度达53 f/s,高于YOLO v3_DarkNet53网络的平均精度88.48%,m AP比YOLO v3_Dark Net53网络提高了2.27个百分点,检测速度比YOLO v3_DarkNet53网络提高了11 f/s。研究结果表明,本文提出的Des-YOLO v3网络对野外夜间复杂环境下成熟柑橘的识别具有更强的鲁棒性和更高的检测精度,为柑橘采摘机器人的视觉识别提供了技术支持。

关 键 词：柑橘 采摘机器人 YOLO  V3 夜间图像  密集连接网络  残差网络  

分 类 号：TP391.41]