文献类型：期刊文章

作　　者：刘芳[1] 刘玉坤[1,2] 林森[2] 郭文忠[2] 徐凡[2] 张白[1]

LIU Fang;LIU Yukun;LIN Sen;GUO Wenzhong;XU Fan;ZHANG Bai(College of Electrical Information Engineering,North Minzu University,Yinchuan 750021,China;Beijing Agricultural Intelligent Equipment Technology Research Center,Beijing 100097,China)

机构地区：[1]北方民族大学电气信息工程学院,银川750021 [2]北京农业智能装备技术研究中心,北京100097

出　　处：《农业机械学报》

基　　金：国家自然科学基金项目(31601794);宁夏回族自治区重点研发计划项目(2018BBF02024);宁夏回族自治区重点研发计划重大科技项目(2017BY067)。

年　　份：2020

卷　　号：51

期　　号：6

起止页码：229-237

语　　种：中文

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

摘　　要：为实现温室环境下农业采摘机器人对番茄果实的快速、精确识别,提出了一种改进型多尺度YOLO算法(IMS-YOLO)。对YOLO网络模型进行筛选和改进,设计了一种含有残差模块的darknet-20主干网络,同时融合多尺度检测模块,构建了一种复杂环境下番茄果实快速识别网络模型。该网络模型层数较少,能够提取更多特征信息,且采用多尺度检测结构,同时返回番茄果实的类别和预测框,以此提升番茄果实检测速度和精度。采用自制的番茄数据集对IMS-YOLO模型进行测试,并分别对改进前后网络的检测性能以及主干网络层数对特征提取能力的影响进行了对比试验。试验结果表明,IMS-YOLO模型对番茄图像的检测精度为97.13%,准确率为96.36%,召回率为96.03%,交并比为83.32%,检测时间为7.719 ms;对比YOLO v2和YOLO v3等网络模型,IMS-YOLO模型可以同时满足番茄果实检测的精度和速度要求。最后,通过番茄温室大棚采摘试验验证了本文模型的可行性和准确性。

关 键 词：番茄 采摘机器人 识别  深度学习  改进型YOLO  darknet-20  

分 类 号：TP391.4]