文献类型：期刊文章

作　　者：刘天真[1,2] 滕桂法[1,3] 苑迎春[1,3] 刘博[1,3] 刘智国[4]

LIU Tianzhen;TENG Guifa;YUAN Yingchun;LIU Bo;LIU Zhiguo(College of Information Science and Technology,Hebei Agricultural University,Baoding 071001,China;College of Information Engineering,Baoding University,Baoding 071000,China;Hebei Key Laboratory of Agricultural Big Data,Baoding 071001,China;College of Computer Science and Engineering,Shijiazhuang University,Shijiazhuang 050035,China)

机构地区：[1]河北农业大学信息科学与技术学院,保定071001 [2]保定学院信息工程学院,保定071000 [3]河北省农业大数据重点实验室,保定071001 [4]石家庄学院计算机科学与工程学院,石家庄050035

出　　处：《农业机械学报》

基　　金：国家重点研发计划项目(2019YFD1001605);国家自然科学基金项目(61972132);河北省研究生创新资助项目(CXZZBS2019090);河北省高等学校科学研究项目青年基金项目(QN2018084、QN2021409)。

年　　份：2021

卷　　号：52

期　　号：5

起止页码：17-25

语　　种：中文

收录情况：BDHX、BDHX2020、CAB、CAS、CSCD、CSCD2021_2022、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：为实现自然场景下冬枣果实的快速、精准识别,考虑到光线变化、枝叶遮挡、果实密集重叠等复杂因素,基于YOLO v3深度卷积神经网络提出了一种基于改进YOLO v3(YOLO v3-SE)的冬枣果实识别方法。YOLO v3-SE模型利用SE Net的SE Block结构将特征层的特征权重校准为特征权值,强化了有效特征,弱化了低效或无效特征,提高了特征图的表现能力,从而提高了模型识别精度。YOLO v3-SE模型经过训练和比较,选取0.55作为置信度最优阈值用于冬枣果实检测,检测结果准确率P为88.71%、召回率R为83.80%、综合评价指标F为86.19%、平均检测精度为82.01%,与YOLO v3模型相比,F提升了2.38个百分点,mAP提升了4.78个百分点,检测速度无明显差异。为检验改进模型在冬枣园自然场景下的适应性,在光线不足、密集遮挡和冬枣不同成熟期的情况下对冬枣果实图像进行检测,并与YOLO v3模型的检测效果进行对比,结果表明,本文模型召回率提升了2.43~5.08个百分点,F提升了1.75~2.77个百分点,mAP提升了2.38~4.81个百分点,从而验证了本文模型的有效性。

关 键 词：冬枣 自然场景 果实识别  YOLO v3  卷积神经网络  SE Net  

分 类 号：TP391.4]