杨 亚， 徐增丙， 王 锐， 廖 剑

（1. 武汉科技大学机械自动化学院，湖北 武汉 430081； 2. 武汉科技大学冶金装备及其控制教育部重点实验室，湖北 武汉 430081； 3. 武汉市农业科学院，湖北 武汉 430065）

0 引言

农业监测是实施智能化精细农业的一个重要环节。在蘑菇生产过程中，蘑菇的采摘及分类是最后一道重要工序，传统方法都靠人工判断蘑菇是否成熟，然后再进行采摘和分类，这不仅对人工经验要求极高，而且增加了劳动强度，不利于蘑菇智能化种植的推广。

近年来，随着深度学习技术的飞速发展，很多研究人员将深度学习技术应用到了农作物的检测和识别方面[1]。基于深度神经网络（deep neural networks，DNN）的方法可以自动学习特征表示，不再需要人工提取特征。DIAS P A 等[2]使用卷积神经网络（convolutional neural network，CNN）和支持向量机（support vector machine，SVM）相结合的方法来提取复杂背景下苹果花的特征。有学者将R-CNN（regions with CNN features）网络用于温室作物图像中检测成熟和未成熟的草莓[3-4]。还有学者使用Faster R-CNN 网络利用RGB、NIR 图像及它们的组合来检测不同的水果（甜瓜、鳄梨、芒果和橙子等）[5-6]。也有学者提出基于ResNet-101 的RFCN（region-based fully convolutional networks） 网络用于疏果前苹果识别[7-8]。SONG Y 等[9]提出了一种检测和计算温室中辣椒数量的方法。利用上述方法虽然能较好地检测和识别出农作物，但精度不高，只是输出农作物周围的检测框，并没有农作物的具体轮廓，而且农作物的单体分割效果不佳。

本文在做蘑菇的检测和识别任务时，使用了Mask R-CNN 网络，不仅提升了蘑菇检测的准确度，能较好地区分出成熟与未成熟的蘑菇，同时由于Mask R-CNN网络具有良好的实例分割性能，对有遮挡或重叠的蘑菇也能进行精准地单体分割[10]。

1 Mask R-CNN 网络原理

Mask R-CNN 是由HE 等[10]在2017 年提出的一种新的目标检测模型，不仅能实现对物体的检测，同时还能对物体实现精准的实例分割。Mask R-CNN 算法流程如图1 所示。首先，将输入的彩色图像利用ResNet50+FPN 的特征提取网络来提取图像特征。其次，将提取的图像特征输入到RPN（region proposal network）网络，RPN 网络对所有的感兴趣区域通过Anchor 机制进行筛选得到最终的候选区域。然后，使用基于双线性插值的RoIAlign 池化层，得到特征点连续的特征向量。最后，将特征向量输入到两个并行的结构分支，第1 个分支经过FC 层得到边界框和类别，第2 个分支通过FCN网络获得Mask 图，两个分支合并得到最终的检测结果。

图1 Mask R-CNN 算法流程Fig. 1 Algorithm flow of Mask R-CNN

1.1 ResNet50+FPN 网络

经典Mask R-CNN 采用的是ResNet101+FPN 网络对图像进行特征提取，而本文只是对同类蘑菇进行检测和识别，因此将ResNet101 替换为ResNet50，以减少计算参数，同时防止过拟合。ResNet50+FPN 网络结构如图2所示。

图2 ResNet50 与FPN 网络结构Fig. 2 Network structure of ResNet50 and FPN

从结构图中可看出，ResNet50 分为从Stage0～Stage4 共5 个阶段，每个阶段经过卷积后会输出尺寸不同的特征图。其中Stage0 可以看作对Input 进行预处理，因其占用内存过大，不参与构建FPN 网络，其余4 个阶段生成的特征图M1～M4 被用来构建FPN 网络，这是一个自底向上的前馈计算过程，底层的特征层通过1×1 的卷积得到与上一层相同的通道数。接着是一个自顶向下的特征映射过程，上层的特征层通过2 倍的最近邻上采样得到与下一层特征层一样的宽和高，再经过横向连接得到融合后的新特征层。然后，将融合后的特征层经过一个3×3 的卷积来消除上采样的混叠现象。最后，对特征图P4 采用0.5 倍的下采样得到特征图像P5，将P1～P5 输入到RPN 网络。

1.2 RPN 网络

RPN 是在Faster R-CNN 网络中首次被提出来的，它替换了之前R-CNN 和Fast R-CNN 网络中选择性搜索的算法，真正实现了目标检测中端到端的计算，在提升检测精度的同时大大提高了检测速度[11]。RPN 网络结构如图3 所示。首先，使用3×3 的卷积滑动窗口对特征图上的特征点进行扫描遍历，每次滑动生成9 种不同大小和纵横比的锚框，目的是尽可能多地包含该特征点所映射的目标。接着有两个1×1 卷积的并行分支，一个分支对锚框使用softmax 进行二分类，判断锚框为前景还是背景；另一个分支对锚框进行BBox 回归操作，对锚框的位置进行微调。最后，Proposal 层对两个分支的结果进行处理，保留前景得分高的锚框，并进行非极大值抑制处理，得到最终的RoIs。

图3 RPN 网络结构Fig. 3 Network structure RPN

1.3 RoIAlign 层

为了保证实例分割的精准度，在Mask R-CNN 中采用RoIAlign 层替代了Faster R-CNN 中的RoIPooling 层，取消了量化和整数化操作。RoIAlign 原理如图4 所示。虚线表示feature map，实线表示RoI，可看出特征图上的RoI 被分为2×2 个bin，在每个bin 中平均采样得到4个点的位置，并通过双线性插值的方法计算这4 个点对应的像素值，然后对这4 个点的像素值进行最大或平均池化，得到该bin 的像素值，并生成2×2 的特征图。

图4 RoIAlign 原理Fig. 4 Schematic diagram of RoIAlign

1.4 FCN 网络

FCN（全卷积）网络能够准确地分割图像中的目标，它是一种包含卷积和反卷积的端到端、点到点的网络。对输入的图像进行卷积后，可通过反卷积对最后一个卷积层的特征图进行上采样，使其恢复成输入时的尺寸，从而可对每个像素点进行分类，使目标物体的边缘信息更加准确，以此实现目标物的精准分割。

1.5 损失函数

Mask R-CNN 的损失函数如式（1）所示。

损失函数是平均二值交叉熵损失函数，可对每个像素采用sigmoid 函数进行二分类。mask 分支对每一个RoI 都有k×m2维度的输出，k为类别数，m2代表二值mask 分辨率，为m×m。若某个RoI 的类别为k，则Lmask仅定义在第k个mask 上，其他类别对应的mask 不参与损失计算。

2 模型训练及检测

算法流程如图5 所示。首先，对蘑菇图像进行采集，将采集到的图像划分为训练集和测试集；然后，对训练集进行手工标注，将蘑菇分为成熟和未成熟两类，并生成json 文件开始训练网络；最后，对训练好的模型用测试集进行测试，输出结果并进行相应的分析。

图5 算法流程Fig. 5 Algorithm flow

2.1 图像获取

以蘑菇为研究对象，为了获得训练样本，在湖北省某公司的蘑菇培育大棚中进行蘑菇图片的采集工作。拍摄设备为海康威视品牌的工业摄像机，最高像素为500 万，为了防止拍摄过程中相机抖动造成图片模糊，将相机布置在云台上。本文是对蘑菇的成熟度做出预测，而蘑菇的成熟度是依据蘑菇菌褶的开伞程度决定的，菌褶开了代表蘑菇已成熟，菌褶没开代表蘑菇未成熟，因此从图6a 中可判断出左边的蘑菇未成熟，右边的两个蘑菇已成熟。为了得到菌褶部位的特征，将相机斜向上对蘑菇进行拍摄，图像分辨率设为2 448×2 448，以png 格式进行存储。同时，为了获得蘑菇样本的多样性，到不同环境的培育棚对蘑菇进行拍摄，获得图片2 000 多张，经筛选后为2 000 张，将其中1 800 张作为训练样本，200 张作为测试集。

2.2 图像预处理

利用开源软件Labelme 对原始图片进行手动标注，图像标注示例过程如图6 所示。在图6d 中共有3 类标签，标签0 代表背景，标签1 代表未成熟的蘑菇，标签2 代表成熟的蘑菇。标注完成后，训练样本被保存为json 格式文件，再通过Labelme 软件将json 文件转换为训练时所需要的标签文件。

图6 图像标注示例过程Fig. 6 Example process of image annotation

2.3 训练环境及参数

主要训练环境：Windows10 64 位操作系统，处理器是Inter（R） Core（TM） i9-10900k，显卡是NVIDIA Quadro RTX4000，Python 版本为3.6，Tensorflow-gpu 版本为1.14，Keras 版本为2.1.5，cuda 版本为10.0，cudnn版本为7.4。

主要训练参数：学习率为0.001，动量值为0.9，学习衰减率为0.000 1，训练epochs 次数为20 次。为了减少对模型的计算量，在训练时将图像分辨率重新标定为1 024×800。由于显卡显存的限制，训练时每次只能对一张图片进行处理。

2.4 结果分析

模型训练完成后，挑选测试图片对模型进行测试，测试效果如图7 所示。从图中可看出右下角的蘑菇被判定为成熟状态，成熟概率为0.090 8，实际可看出该蘑菇的菌褶部位已逐渐开伞，因此判断无误；其余4 个蘑菇均被判定为未成熟状态，左边2 个及上面的1 个蘑菇未成熟概率均为1，右边的蘑菇未成熟概率为0.091 9，实际也可看出这4 个蘑菇的菌褶完全未开伞，因此判断也无误。同时，检测了Mask R-CNN 的分割性能，从图中可看出，即使有蘑菇存在重叠或遮挡现象，也能将每个蘑菇单独分割出来，证明了Mask R-CNN 模型实例分割的优越性。

图7 Mask R-CNN 检测结果Fig. 7 Detection results of Mask R-CNN

2.5 性能比较分析

为了说明Mask R-CNN 网络能提高目标检测的精度和准度，与Faster R-CNN 网络进行对比，用两个模型对同一张蘑菇图片进行检测，检测效果如图8 所示。两图对比可看出，Mask R-CNN 在引入mask 分支后，检测精度和准度相比于Faster R-CNN 都有所提高，Faster R-CNN 对有遮挡和重叠的蘑菇分割出现偏差。

图8 检测效果对比Fig. 8 Comparison of detection results

用200 张测试集图片分别对两种网络模型进行测试，结果如表1 所示。虽然Mask R-CNN 单图检测时间更长，但对蘑菇成熟度的判别精度更高。

表1 蘑菇目标检测统计结果Tab. 1 Detection statistics of mushroom target

3 结论

针对传统的神经网络对农作物进行检测与识别时具有识别精度低、鲁棒性差等缺点，在对蘑菇培育棚中的蘑菇目标进行成熟度检测时，首次提出一种基于Mask R-CNN 网络的检测蘑菇成熟度的方法，与Faster R-CNN 对比后得出，Mask R-CNN 模型检测、识别准确率更高。同时，Mask R-CNN 在引入mask 分支后，对有遮挡或重叠的蘑菇分割更为精准。

本文方法不足之处在于没有输出蘑菇的相关尺寸，无法利用尺寸信息判断蘑菇的长势，在今后的研究中，将处理这些问题。