河北工程大学 数理科学与工程学院,邯郸 056107
为了解决目前水果识别检测方法效率低、误检率高、通用性低、实时性差等问题, 提出了一种基于改进的你只用看一遍(YOLO)统一框架的实时目标检测YOLOv4算法的水果识别检测方法。首先在主干网络的基础上增加高效通道注意力机制, 增强网络提取图像语义信息能力; 其次用内卷算子替换主干网络中跨级局部模块连接处卷积层, 减小了模型大小, 增强了网络预测性能; 最后在路径聚合网络基础上添加残差模块, 加快网络收敛速度的同时防止了网络梯度爆炸。数据集选取生活中常见的火龙果、橙子、葡萄、青芒等10种水果, 拍摄共获得6670张图片。结果表明, 本文中的方法均值平均精度(MAP)为99.1%, 准确率为95.62%, 传输帧数为41.67/s; MAP相比YOLOv4提升了15.3%。该研究满足高检测精度和检测速度要求, 对水果识别精度的提高具有重要的参考价值。
图像处理 水果识别 YOLOv4算法 内卷算子 路径聚合网络 高效通道注意网络 image processing fruit recognition YOLOv4 algorithm involution path aggregation network efficient channel attention network
1 贵州师范大学喀斯特研究院/地理与环境科学学院, 贵州 贵阳 550001
2 国家喀斯特石漠化防治工程技术研究中心, 贵州 贵阳 550001
快速、高效地区分并剔除火龙果地块间的杂草是提高火龙果单株提取精度的关键所在。通过四旋翼无人机平台获取高空间分辨率可见光波段的影像,分析火龙果植株和杂草R、G、B通道的光谱特征,根据其影像像元亮度值(DN值)构建相近颜色差异植被指数(CCVI),通过最大类方差(OTSU)阈值分割、Majority/Minority分析和聚类空洞填补,并与VDVI、EXG、NGRDI等可见光波段指数作对比研究。结果表明:1) 对于杂草覆盖度较高甚至杂草全覆盖火龙果的地块,CCVI提取效果较好,而其余3种指数在杂草与植株共生的地块中分类精度较低;2) 3个研究感兴趣区域(ROI)内样本的提取总体精度为94.60%,Kappa系数为0.9417,测试样本的提取总体精度和Kappa系数分别为94.33%、0.9328,经验证,对于不同区域内生活环境相似的植株的提取精度趋近一致。结果证实: CCVI能从杂草中辨别火龙果植株并提取单株,提取效果较好,该方法可与VDVI、EXG、NGRDI等指数互补应用。
遥感 无人机可见光影像 CCVI 火龙果识别 杂草辨别 阈值分割 聚类分析 激光与光电子学进展
2020, 57(14): 142801
烟台大学 光电信息科学技术学院, 山东 烟台 264005
主要研究运用深度学习技术进行图像识别, 提出一种基于卷积神经网络的水果识别方法。在Hdevelop开发环境下利用HALCON视觉算法库搭建水果品类识别解决方案, 利用卷积神经网络训练样本数据集, 抽象出代表各品类水果的特征表示, 进而准确识别出水果品类。实验结果表明, 所提出的水果识别方法具有较高的识别率。
深度学习 卷积神经网络 图像识别 水果识别 deep learning convolutional neural network image recognition fruit recognition
