基于CenterNet的密集场景下多苹果目标快速识别方法

为提高苹果采摘机器人的识别效率和环境适应性，使其能在密集场景下对多苹果目标进行快速、精确识别，提出了一种密集场景下多苹果目标的快速识别方法。该方法借鉴“点即是目标”的思路，通过预测苹果的中心点及该苹果的宽、高尺寸，实现苹果目标的快速识别；通过改进CenterNet网络，设计了Tiny Hourglass-24轻量级骨干网络，同时优化残差模块提高了目标识别速度。试验结果表明，该方法在非密集场景下(即近距离场景)测试集的识别平均精度(Average precision, AP)为98.90%,F1值为96.39%;在密集场景下(即远距离场景)测试集的识别平均精度为93.63%,F1值为92.91%,单幅图像平均识别时间为0.069 s。通过与YOLO v3、CornerNet-Lite网络在两类测试集下的识别效果进行对比，该方法在密集场景测试集上比YOLO v3和CornerNet-Lite网络的平均精度分别提高了4.13、29.03个百分点；单幅图像平均识别时间比YOLO v3减少0.04 s、比CornerNet-Lite减少0.646 s。该方法无需使用锚框(Anchor box)和非极大值抑制后处理，可为苹果采摘机器人在密集场景下快速准确识别多苹果目标提供技术支撑。