文献类型： 中文期刊

作者： 吕志远 ¹ ; 张付杰 ¹ ; 魏晓明 ² ; 黄媛 ³ ; 李晶晶 ² ; 张钟莉莉 ² ;

作者机构： 1.昆明理工大学现代农业工程学院

2.北京市农林科学院智能装备技术研究中心

3.石家庄市农林科学研究院

关键词： 图像识别;深度学习;番茄;级联网络;YOLOX;Transformer;协同检测;图像增强

期刊名称： 农业工程学报

ISSN： 1002-6819

年卷期： 2023 年 004 期

页码： 124-134

收录情况： EI ; 北大核心 ; CSCD

摘要： 番茄花果的协同识别是温室生产管理调控的重要决策依据，针对温室番茄栽培密度大，植株遮挡、重叠等因素导致的现有识别算法精度不足问题，该研究提出一种基于级联深度学习的番茄花果协同识别方法，引入图像组合增强与前端ViT分类网络，以提高模型对于小目标与密集图像检测性能。同时，通过先分类识别、再进行目标检测的级联网络，解决了传统检测模型因为图像压缩而导致的小目标模糊、有效信息丢失问题。最后，引入了包括大果和串果在内的不同类型番茄品种数据集，验证了该方法的可行性与有效性。经测试，研究提出的目标检测模型的平均识别率均值（mean average precision,m AP）为92.30%，检测速度为28.46帧/s，其中对小花、成熟番茄和未成熟番茄识别平均准确率分别为87.92%、92.35%和96.62%。通过消融试验表明，与YOLOX、组合增强YOLOX相比，改进后的模型m AP提高了2.38～6.11个百分点，相比于现有YOLOV3、YOLOV4、YOLOV5主流检测模型，m AP提高了16.56～23.30个百分点。可视化结果表明，改进模型实现了对小目标的零漏检和对密集对象的无误检，从而达到了高精度的协同检测目标。研究成果为温室种植环境下的番茄生长识别提供参考。