文献类型：期刊文章

作　　者：赵辉[1,2] 乔艳军[1] 王红君[1] 岳有军[1]

Zhao Hui;Qiao Yanjun;Wang Hongjun;Yue Youjun(School of Electrical and Electronic Engineering,Tianjin University of Technology/Tianjin Key Laboratory of Complex System Control Theory and Application,Tianjin 300384,China;School of Engineering and Technology,Tianjin Agricultural University,Tianjin 300392,China)

机构地区：[1]天津理工大学电气电子工程学院/天津市复杂系统控制理论与应用重点实验室,天津300384 [2]天津农学院工程技术学院,天津300392

出　　处：《农业工程学报》

基　　金：天津市科技支撑计划项目(19YFZCSN00360)。

年　　份：2021

卷　　号：37

期　　号：16

起止页码：127-135

语　　种：中文

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

摘　　要：为使采摘机器人能够全天候在不同光照、重叠遮挡、大视场等果园复杂环境下对不同成熟度的果实进行快速、准确识别,该研究提出了一种基于改进YOLOv3的果实识别方法。首先,将DarkNet53网络中的残差模块与CSPNet(Cross Stage Paritial Network)结合,在保持检测精度的同时降低网络的计算量;其次,在原始YOLOv3模型的检测网络中加入SPP(Spatial Pyramid Pooling)模块,将果实的全局和局部特征进行融合,提高对极小果实目标的召回率;同时,采用Soft NMS(Soft Non-Maximum Suppression)算法代替传统NMS(Non-Maximum Suppression)算法,增强对重叠遮挡果实的识别能力;最后,采用基于Focal Loss和CIoU Loss的联合损失函数对模型进行优化,提高识别精度。以苹果为例进行的试验结果表明:经过数据集训练之后的改进模型,在测试集下的MAP(Mean Average Precision)值达到96.3%,较原模型提高了3.8个百分点;F1值达到91.8%,较原模型提高了3.8个百分点;在GPU下的平均检测速度达到27.8帧/s,较原模型提高了5.6帧/s。与Faster RCNN、RetinaNet等几种目前先进的检测方法进行比较并在不同数目、不同光照情况下的对比试验结果表明,该方法具有优异的检测精度及良好的鲁棒性和实时性,对解决复杂环境下果实的精准识别问题具有重要参考价值。

关 键 词：收获机 目标检测 图像处理 果实识别  YOLOv3  复杂环境

分 类 号：TP391.4]