文献类型：期刊文章

作　　者：闫建伟[1,2] 赵源[1] 张乐伟[1] 张富贵[1]

Yan Jianwei;Zhao Yuan;Zhang Lewei;Zhang Fugui(College of Mechanical Engineering of Guizhou University/Key Laboratory of Advanced Manufacturing Technology of the Ministry of Education,Guiyang,550025,China;Research Center of Rosa roxbunghii Engineering Technology of National Forestry and Prairie Bureau,Guiyang,550025,China)

机构地区：[1]贵州大学机械工程学院/现代制造技术教育部重点实验室,贵阳市550025 [2]国家林业和草原局刺梨工程技术研究中心,贵阳市550025

出　　处：《中国农机化学报》

基　　金：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(黔科合重大专项字[2019]3014—3、黔科合成果[2019]4292号、黔科合平台人才[2019]5616号)。

年　　份：2020

卷　　号：41

期　　号：10

起止页码：191-196

语　　种：中文

收录情况：BDHX、BDHX2017、RCCSE、核心刊

摘　　要：针对传统的目标检测方法依赖人工提取特征,存在检测效率低、鲁棒性差和实时性差等缺陷。本文根据刺梨果实在自然环境中的生长特点,采用带有残差模块的YOLO v3神经网络进行刺梨果实识别模型的训练,该网络通过提取不同卷积层的特征图,将深层特征图进行上采样后与浅层特征图进行多次融合,以提取图像的更深层次的特征信息。通过对该网络的相关参数进行优化和改进,并对未参与模型训练的70幅刺梨图像进行检测,实验表明,本文算法能够有效地对自然环境下的11类刺梨果实进行识别,各类识别平均准确率为88.5%,平均召回率为91.5%,F1平均值为89.9%,识别速率约为20 f/s。本文算法在刺梨果实的识别上取得了理想的识别效果。

关 键 词：刺梨果实  深度学习  残差网络  YOLO v3  目标识别

分 类 号：TP391.41]