基于改进卷积神经网络的在体青皮核桃检测方法

• 全文链接
• 请求原文

作   者：

樊湘鹏;  许燕;  周建平;  刘新德;  汤嘉盛;  魏禹同; 

作者机构：

新疆大学机械工程学院; 

关键词：

改进Faster R-CNN;  卷积神经网络;  青皮核桃;  采摘机器人;  目标检测; 

期刊名称：

农业机械学报

i s s n：

1000-1298

年卷期：

2021 年 009 期

页   码：

149-155,114

摘   要：

采摘机器人对核桃采摘时,需准确检测到在体核桃目标。为实现自然环境下青皮核桃的精准识别,研究了基于改进卷积神经网络的青皮核桃检测方法。以预训练的VGG16网络结构作为模型的特征提取器,在Faster R-CNN的卷积层加入批归一化处理、利用双线性插值法改进RPN结构和构建混合损失函数等方式改进模型的适应性,分别采用SGD和Adam优化算法训练模型,并与未改进的Faster R-CNN对比。以精度、召回率和F1值作为模型的准确性指标,单幅图像平均检测时间作为速度性能评价指标。结果表明,利用Adam优化器训练得到的模型更稳定,精度高达97.71%,召回率为94.58%,F1值为96.12%,单幅图像检测耗时为0.227 s。与未改进的Faster R-CNN模型相比,精度提高了5.04个百分点,召回率提高了4.65个百分点,F1值提升了4.84个百分点,单幅图像检测耗时降低了0.148 s。在园林环境下,所提方法的成功率可达91.25%,并且能保持一定的实时性。该方法在核桃识别检测中能够保持较高的精度、较快的速度和较强的鲁棒性,能够为机器人快速长时间在复杂环境下识别并采摘核桃提供技术支撑。