基于改进AlexNet的广域复杂环境下遮挡猕猴桃目标识别

被引：34

作者：

穆龙涛 ^{[1
]}

高宗斌 ^{[1
]}

崔永杰 ^{[1
,2
]}

李凯 ^{[1
]}

刘浩洲 ^{[1
]}

傅隆生 ^{[1
,3
]}

机构：

[1] 西北农林科技大学机械与电子工程学院

[2] 农业农村部农业物联网重点实验室

[3] 陕西省农业信息感知与智能服务重点实验室

来源：

农业机械学报 | 2019年 / 50卷 / 10期

关键词：

猕猴桃; 多目标识别; 广域目标; 遮挡图像; 深度学习; AlexNet;

D O I：

暂无

中图分类号：

TP391.41 []; S225.93 [树产物收获机];

学科分类号：

080203 ; 0828 ;

摘要：

为了提高猕猴桃采摘机器人的工作效率和对猕猴桃复杂生长环境的适应性,识别广域复杂环境下相互遮挡的猕猴桃目标,采用Im-AlexNet为特征提取层的Faster R-CNN目标检测算法,通过迁移学习微调AlexNet网络,修改全连接层L6、L7的节点数为768和256,以解决晴天(白天逆光、侧逆光)、阴天及夜间补光条件下的广域复杂环境中猕猴桃因枝叶遮挡或部分果实重叠遮挡所导致的识别精度较低等问题。采集广域复杂环境中晴天逆光、晴天侧逆光、阴天和夜间补光条件下存在遮挡情况的4类样本图像共1 823幅,建立试验样本数据库进行训练并测试。试验结果表明:该方法对晴天逆光、晴天侧逆光、阴天和夜间补光条件下存在遮挡情况的图像识别精度为96. 00%,单幅图像识别时间约为1 s。在相同数据集下,Im-AlexNet网络识别精度比LeNet、AlexNet和VGG16 3种网络识别精度的平均值高出5. 74个百分点。说明该算法能够降低猕猴桃果实漏识别率和误识别率,提高了识别精度。该算法能够应用于猕猴桃采摘机器人对广域复杂环境下枝叶遮挡或部分果实重叠遮挡的准确识别。

引用

页码：24 / 34

页数：11

共 22 条

[1] 面向小目标的多尺度Faster-RCNN检测算法 [J].