曾镜源,洪添胜,杨洲

(1.广东省山区特色农业资源保护与精准利用重点实验室,广东 梅州 514015;2.嘉应学院计算机学院,广东 梅州 514015;3.华南农业大学工程学院,广东 广州 510642)

柑橘是中国第二大水果，其中柚子是柑橘中的重要品种[1]。由于中国的柚子主要种植在偏远山区，在生产的各个环节中，机械化和智能化水平较低，劳动力成本较高，迫切要求引入机械化和智能化设备[2]。在采摘和分拣柚子阶段需要投入大量的人力，而基于机器视觉农业装备能够在复杂场景中代替人执行相关操作，可有效减少劳动力投入，降低劳动强度。如采摘机器人[3]、农产品分拣[4]、果园车辆导航[4]、水肥药精准作业[5-6]、虫害监控等[5-6]、作物生长监测[7]等。

目标识别是这些设备在获取图像后首先面临的问题，对用户关注的目标采用各种算法从图像中识别、定位、分离和像素分割[8-9]。由于待识别目标的复杂性，所以当前的目标识别算法都是以深度学习为基础的[10]。目标识别的相关方法主要分双阶段和单阶段2类，双阶段以R-CNN、SPP-net、Fast R-CNN、Faster R-CNN、Mask R-CNN为代表[11-13]，单阶段以SSD、YOLO为代表[14-16]。双阶段方法在检测精度上有优势，而单阶段方法则在速度上有优势。双阶段算法代表Mask R-CNN是在Faster R-CNN基础上定义了新的损失函数，采用RoIAlign获取特征图，以及对深度学习网络结构进行了改进，最终在COCO2016数据集上取得当前最好的成绩[13]。单阶段的YOLOv3是在YOLOv2基础上，采用了新的激活函数和多尺度训练等方法，进一步提高了检测速度[16]。2种代表性的算法都有识别并分割出每一个目标，即实例分割(Instance Segmentation)。……