文献类型：期刊文章

作　　者：龙洁花[1,2] 赵春江[1,2] 林森[2] 郭文忠[2] 文朝武[1,2] 张宇[2]

Long Jiehua;Zhao Chunjiang;Lin Sen;Guo Wenzhong;Wen Chaowu;Zhang Yu(College of Information Technology,Shanghai Ocean University,Shanghai 201306,China;Intelligent Equipment Research Center,Beijing Academy of Agriculture and Forestry Sciences,Beijing 100097,China)

机构地区：[1]上海海洋大学信息学院,上海201306 [2]北京市农林科学院智能装备技术研究中心,北京100097

出　　处：《农业工程学报》

基　　金：国家自然科学基金项目(31601794);北京市农林科学院青年基金(QNJJ202027);北京市重点研发计划项目(D171100007617003);宁夏回族自治区重点研发计划项目(2018BBF02024)。

年　　份：2021

卷　　号：37

期　　号：18

起止页码：100-108

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：基于深度神经网络的果实识别和分割是采摘机器人作业成功的关键步骤,但由于网络参数多、计算量大,导致训练时间长,当模型部署到采摘机器人上则存在运行速度慢,识别精度低等问题。针对这些问题,该研究提出了一种改进Mask R-CNN的温室环境下不同成熟度番茄果实分割方法,采用跨阶段局部网络(Cross Stage Partial Network,CSPNet)与Mask R-CNN网络中的残差网络(Residual Network,ResNet)进行融合,通过跨阶段拆分与级联策略,减少反向传播过程中重复的特征信息,降低网络计算量的同时提高准确率。在番茄果实测试集上进行试验,结果表明以层数为50的跨阶段局部残差网络(Cross Stage Partial ResNet50,CSP-ResNet50)为主干的改进Mask R-CNN模型对绿熟期、半熟期、成熟期番茄果实分割的平均精度均值为95.45%,F1分数为91.2%,单张图像分割时间为0.658 s。该方法相比金字塔场景解析网络(Pyramid Scene Parsing Network,PSPNet)、DeepLab v3+模型和以ResNet50为主干的Mask R-CNN模型平均精度均值分别提高了16.44、14.95和2.29个百分点,相比以ResNet50为主干的Mask R-CNN模型分割时间减少了1.98%。最后将以CSP-ResNet50为主干的改进Mask R-CNN模型部署到采摘机器人上,在大型玻璃温室中开展不同成熟度番茄果实识别试验,该模型识别正确率达到90%。该研究在温室环境下对不同成熟度番茄果实具有较好的识别性能,可为番茄采摘机器人精准作业提供依据。

关 键 词：图像处理  机器视觉  模型  番茄 成熟度分割  Mask R-CNN  残差网络  跨阶段局部网络  

分 类 号：TP391.4]