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
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
