陈柯屹，朱龙付，宋 鹏，田晓敏，黄成龙，聂新辉，肖爱玲，何良荣

融合动态机制的改进型Faster R-CNN识别田间棉花顶芽

陈柯屹1，朱龙付1，宋 鹏1※，田晓敏2，黄成龙3，聂新辉2，肖爱玲4，何良荣5

（1. 华中农业大学植物科学技术学院，武汉 430070；2. 石河子大学农学院，石河子 832003；3. 华中农业大学工学院，武汉 430070；4. 塔里木大学机械电气化工程学院，阿拉尔 843300；5. 塔里木大学植物科学学院，阿拉尔 843300）

针对田间密植环境棉花精准打顶时，棉花顶芽因其小体积特性所带来识别困难问题，该研究提出一种改进型快速区域卷积神经网络（Faster Region Convolutional Neural Networks，Faster R-CNN）目标检测算法实现大田环境棉花顶芽识别。以Faster R-CNN为基础框架，使用 RegNetX-6.4GF作为主干网络，以提高图像特征获取性能。将特征金字塔网络（Feature Pyramid Network，FPN）和导向锚框定位（Guided Anchoring，GA）机制相融合，实现锚框（Anchor）动态自适应生成。通过融合动态区域卷积神经网络（Dynamic Region Convolutional Neural Networks，Dynamic R-CNN），实现训练阶段检测模型自适应候选区域（Proposal）分布的动态变化。最后在目标候选区域（Region of Interest，ROI）中引入目标候选区域提取器（Generic ROI Extractor，GROIE）提高图像特征融合能力。采集自然环境下7种不同棉花总计4 819张图片，建立微软常见物体图像识别库2017（Microsoft Common Objects in Context 2017，MS COCO 2017）格式的棉花顶芽图片数据集进行试验。结果表明，该研究提出方法的平均准确率均值（Mean Average Precision，MAP）为98.1%，模型的处理帧速（Frames Per Second，FPS）为10.3帧/s。其MAP在交并比（Intersection Over Union，IOU）为0.5时较Faster R-CNN、RetinaNet、Cascade R-CNN和RepPoints网络分别提高7.3%、78.9%、10.1%和8.3%。该研究算法在田间对于棉花顶芽识别具有较高的鲁棒性和精确度，为棉花精准打顶作业奠定基础。

深度学习；算法；棉花；机制融合；动态适应；顶芽识别；Faster R-CNN

0 引 言

棉花是中国重要的经济作物和战略资源，其种植规模日益扩大[1]。……