商高高, 姜 锟, 韩江义, 倪万磊

(江苏大学 汽车与交通工程学院, 江苏 镇江 212013)

果实的准确检测是实现自主采摘机器人自动作业的关键[1].计算机视觉技术是实现低成本、快速响应果实检测的重要途径和发展方向[2].传统视觉果实检测通过提取颜色、形状、纹理等特征,利用SVM、 AdaBoost、HOG、贝叶斯分类器等方法进行果实检测[3-6].传统的视觉识别方法在检测速度、精度、鲁棒性上还有较大的提升空间.随着深度学习理论的不断创新,越来越多的学者使用卷积神经网络检测果园作物[7].文献[8]使用反向传播与随机梯度下降算法对 Faster RCNN进行改进,并进行端到端的训练,对奇异果检测平均精度为89.3%,检测速度为0.274 s.文献[9]采用Resnet50作为Faster RCNN的特征提取网络,实现对两种不同成熟度椰子的检测,平均准确率为89.4%,平均检测时间为3.124 s.Faster RCNN算法虽能实现一定精度的果实识别,但是属于两阶段模型,推理时间较长.文献[10]提出的SSD单阶段检测算法逐渐在果实检测中应用,将图像量纲一化到统一大小后直接放入一个卷积神经网络中回归预测出目标物体的类别和位置信息.彭红星等[11]将SSD深度学习模型中的VGG16输入模型替换为ResNet-101模型,并运用迁移学习方法和随机梯度下降算法优化SSD深度学习模型,得到了89.53%的平均准确率.由于SSD检测算法在检测精度上仍有一定的欠缺,文献[12]提出的单阶段检测YOLO系列算法得到广泛推广与改进, YOLO系列算法通过不断的优化,精度高于SSD算法.文献[13]采用DenseNet方法对YOLOv3网络中的低分辨率特征……