陈 斌,饶洪辉,王玉龙,李庆松,王保阳,刘木华

(江西农业大学 工学院/江西省现代农业装备重点实验室,江西 南昌 330045)

卷积神经网络可以自动提取特征,并分类检测,精度高,实时性强[1-4],成为果蔬目标检测的主流框架。而Faster-RCNN卷积神经网络经过RCNN、Fast-RCNN的不断改进,精度和检测效率都得到了进一步的提高。在卷积神经网络果蔬识别方面已经有大量的研究。西北农林科技大学冯亚利[5]使用改进的DY3TNet模型实现了田间猕猴桃果实的检测。闫建伟等[6]为了快速准确识别自然环境下刺梨果实，提出了一种基于改进的Faster-RCNN的刺梨果实识别方法。傅隆生等[7]为了实现田间条件下快速、准确地识别多簇猕猴桃果实,提出了一种基于LeNet卷积神经网络的深度学习模型进行多簇猕猴桃果实图像的识别。程鸿芳等[8]针对传统的基于内容的识别方法在特征提取方面存在的计算复杂、特征不可迁移等问题,对LeNet卷积神经网络结构进行改进,设计了一种基于改进LeNet卷积神经网络的苹果目标识别模型,并利用该模型对不同场景的苹果图像进行了识别与验证，综合识别率达到93.79%；与其他方法相比,该算法具有较强的抗干扰能力,图像识别速度快，识别率更高。中南林业科技大学张习之等[9]提出了一种基于改进卷积自编码机神经网络的油茶果图像自动识别方法，该改进算法100次迭代所需时间为166 s,平均识别准确率为90.4%。

目前在卷积神经网络识别油茶果方面的研究较少,尚无文献用Faster-RCNN卷积网络的方法识别油茶果。……