基于改进Faster R-CNN模型的草莓果实识别算法

doi:10.14088/j.cnki.issn0439-8114.2023.11.032

湖北农业科学 ›› 2023, Vol. 62 ›› Issue (11): 183-190.doi: 10.14088/j.cnki.issn0439-8114.2023.11.032

基于改进Faster R-CNN模型的草莓果实识别算法

李佳俊, 朱子峰, 刘洪鑫, 苏昱荣, 温传闻, 张原升, 张慧敏, 邓立苗

青岛农业大学理学与信息科学学院,山东青岛 266109

收稿日期:2022-04-12 出版日期:2023-11-25 发布日期:2023-12-25
通讯作者: 邓立苗（1978-）,女,山东沂水人,副教授,博士,主要从事机器学习方面的研究,（电话）13626484274（电子信箱）denglm68@163.com。
作者简介:李佳俊（2000-）,男,山东新泰人,在读硕士研究生,研究方向为农业作物目标检测,（电话）17664092106（电子信箱）jerryleereal@163.com。
基金资助:
国家自然科学基金项目（31872849; 32073029）,山东省高等学校青创人才引育计划项目（008/1622001）; 青岛农业大学高层次人才基金项目（1119036）

Strawberry fruit recognition algorithm based on improved Faster R-CNN model

LI Jia-jun, ZHU Zi-feng, LIU Hong-xin, SU Yu-rong, WEN Chuan-wen, ZHANG Yuan-sheng, ZHANG Hui-min, DENG Li-miao

School of Science and Information, Qingdao Agricultural University, Qingdao 266109, Shandong,China

Received:2022-04-12 Online:2023-11-25 Published:2023-12-25

摘要/Abstract

摘要： 针对Faster R-CNN模型对自然状态下草莓（Fragaria ananassa Duch.）识别准确率不高的问题,以地垄种植草莓的实拍图片为数据源,采用改进RPN结构和更换主干特征提取网络的方法对Faster R-CNN模型进行了改进。结果表明,改进Faster R-CNN模型识别成熟草莓平均精度（AP）为0.893 0,识别未成熟草莓平均精度（AP）为0.820 7,草莓识别准确率达到较高水平,解决了未成熟草莓识别困难的问题。同时,为了检验模型的自动计数性能,依据模型的识别结果建立了自动计数与人工计数的线性回归,成熟草莓、未成熟草莓的相关系数分别为0.973 7、0.944 7,自动计数与人工计数拥有较高的相关性,表明改进Faster R-CNN模型具有较高的识别性能与计数能力。

关键词: 草莓（Fragaria ananassa Duch.）, 识别, Faster R-CNN模型, ResNet50

Abstract: In response to the problem of low recognition accuracy of the Faster R-CNN model for natural strawberries （Fragaria ananassa Duch.）, the Faster R-CNN model was improved by improving the RPN structure and replacing the backbone feature extraction network using live images of strawberries planted on ridges as the data source.The results showed that the improved Faster R-CNN model had an average precision （AP） of 0.893 0 when identifying mature strawberries and 0.820 7 when identifying immature strawberries. The accuracy of strawberry recognition reached a high level, solving the problem of difficulty in identifying immature strawberries.Meanwhile, in order to test the automatic counting performance of the model, a linear regression between automatic counting and manual counting was established based on the recognition results of the model. The correlation coefficients of mature and immature strawberries were 0.973 7 and 0.944 7, respectively. The high correlation between automatic counting and manual counting indicated that the improved Faster R-CNN model had high recognition performance and counting ability.

Key words: strawberry （Fragaria ananassa Duch.）, identification, Faster R-CNN model, ResNet50

中图分类号:

李佳俊, 朱子峰, 刘洪鑫, 苏昱荣, 温传闻, 张原升, 张慧敏, 邓立苗. 基于改进Faster R-CNN模型的草莓果实识别算法[J]. 湖北农业科学, 2023, 62(11): 183-190.

LI Jia-jun, ZHU Zi-feng, LIU Hong-xin, SU Yu-rong, WEN Chuan-wen, ZHANG Yuan-sheng, ZHANG Hui-min, DENG Li-miao. Strawberry fruit recognition algorithm based on improved Faster R-CNN model[J]. HUBEI AGRICULTURAL SCIENCES, 2023, 62(11): 183-190.

参考文献

[1] 王鸣谦,薛莉,赵珺,等. 世界草莓生产及贸易现状[J]. 中国果树,2021(2):104-108.
[2] 肖逸尘,杨涵.南京草莓产业SWOT分析及发展策略[J].中国林业经济,2021(5):74-77.
[3] 王粮局,张立博,段运红,等. 基于视觉伺服的草莓采摘机器人果实定位方法[J]. 农业工程学报,2015,31(22):25-31.
[4] 林相泽,张俊媛,朱赛华,等.基于K-SVD和正交匹配追踪稀疏表示的稻飞虱图像分类方法[J].农业工程学报,2019,35(19):216-222.
[5] 王丹丹,何东健.基于R-FCN深度卷积神经网络的机器人疏果前苹果目标的识别[J].农业工程学报,2019,35(3):156-163.
[6] OLANIYI E O, OYEDOTUN O K, ADNAN K.Intelligent grading system for banana fruit using neural network arbitration:Intelligent grading system for banana fruit[J]. Journal of food process engineering, 2017, 40(1):e12335.
[7] 谢忠红,徐焕良,黄秋桂,等.基于高光谱图像和深度学习的菠菜新鲜度检测[J].农业工程学报,2019,35(13):277-284.
[8] JUNCHENG M, KEMING D, FEIXIANG Z, et al.A recognition method for cucumber diseases using leaf symptom images based on deep convolutional neural network[J]. Computers and electronics in agriculture, 2018, 154:18-24.
[9] 胡庆胜,符亚云,牛金星.采摘机器人视觉系统的目标识别提取研究[J].河南科技,2020,39(25):5-8.
[10] 闫勇,陈立夫,郭坤坤,等.Lab色彩模型下梯度Hough圆变换的成熟草莓识别[J].安徽农业大学学报,2020,47(3):488-493.
[11] 刘小刚,范诚,李加念,等.基于卷积神经网络的草莓识别方法[J].农业机械学报,2020,51(2):237-244.
[12] 任会,朱洪前.基于深度学习的目标橘子识别方法研究[J].计算机时代,2021(1):57-60,64.
[13] WANG T T, XU L, LI J B.Sdcrkl-gp: Scalable deep convolutional random kernel learning in gaussian process for image recognition[J].Neurocomputing, 2021, 456:288-298.
[14] 席芮,姜凯,张万枝,等.基于改进Faster R-CNN的马铃薯芽眼识别方法[J].农业机械学报,2020,51(4):216-223.
[15] 张磊,姜军生,李昕昱,等.基于快速卷积神经网络的果园果实检测试验研究[J].中国农机化学报,2020,41(10):183-190,210.
[16] ZHONG Z, JIN L,HUANG S.A new approach for text proposal generation and text detection in natural images[A].Ieee international conference on acoustics, speech and signal processing(ICASSP)[C].New Orleans,LA,USA:IEEE,2017.1208-1212.
[17] HE K M,ZHANG X Y,REN S Q,et al.Deep residual learning for image recognition[A]. Ieee conference on computer vision and pattern recognition[C].Las Vegas,NV,USA:IEEE,2016.770-778.
[18] REN S Q, HE KM, GIRSHICK, R, et al.Faster R-CCC: Towards real-time object detection with region proposal networks[J]. Ieee transactions on pattern analysis and machine intelligence,2017,39(6):1137-1149.
[19] 张文静,赵性祥,丁睿柔,等.基于Faster R-CNN算法的番茄识别检测方法[J].山东农业大学学报(自然科学版),2021,52(4):624-630.
[20] 岳有军,孙碧玉,王红君,等.基于级联卷积神经网络的番茄果实目标检测[J].科学技术与工程,2021,21(6):2387-2391.
[21] 陈怡佳. 基于Faster RCNN的目标检测系统[D]. 哈尔滨:哈尔滨理工大学,2019.
[22] 荆伟斌,李存军,竞霞,等.基于深度学习的苹果树侧视图果实识别[J].中国农业信息,2019,31(5):75-83.
[23] 闫建伟,赵源,张乐伟,等.改进Faster-RCNN自然环境下识别刺梨果实[J].农业工程学报,2019,35(18):143-150.
[24] 倪建功,李娟,邓立苗,等.基于知识蒸馏的胡萝卜外观品质等级智能检测[J].农业工程学报,2020,36(18):181-187.
[25] 成伟,张文爱,冯青春,等.基于改进YOLOv3的温室番茄果实识别估产方法[J].中国农机化学报,2021,42(4):176-182.
[26] 彭明霞,夏俊芳,彭辉. 融合FPN的Faster R-CNN复杂背景下棉田杂草高效识别方法[J]. 农业工程学报,2019,35(20):202-209.
[27] 李林升,曾平平.改进深度学习框架Faster-RCNN的苹果目标检测[J].机械设计与研究,2019,35(5):24-27.
[28] LI W Y,WANG D J,LI M,et al.Field detection of tiny pests from sticky trap images using deep learning in agricultural greenhouse[J]. Computers and electronics in agriculture,2021,183: 106048.
[29] SENGUPTA S, LEE W S.Identification and determination of the number of immature green citrus fruit in a canopy under different ambient light conditions[J]. Biosystems engineering, 2014, 117: 51-61.
[30] 赵辉,乔艳军,王红君,等.基于改进YOLOv3的果园复杂环境下苹果果实识别[J].农业工程学报,2021,37(16):127-135.

基于改进Faster R-CNN模型的草莓果实识别算法

Strawberry fruit recognition algorithm based on improved Faster R-CNN model

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	张丽先, 魏悦, 李飞飞, 李智宁, 张桃桃. 地黄不同炮制品指纹图谱模式识别及多成分含量测定[J]. 湖北农业科学, 2023, 62(9): 135-141.
[2]	石国伟, 李亚松, 刘雅慈, 曹胜伟, 敦宇. 南阳市某畜禽养殖场地下水污染因子识别及风险评价[J]. 湖北农业科学, 2023, 62(3): 157-164.
[3]	何经纬, 孙子月. 农村相对贫困识别的测度标准、潜在风险和实践策略[J]. 湖北农业科学, 2023, 62(2): 188-192.
[4]	李正, 李宝喜, 李志豪, 战艺芳, 王利华, 龚琦. 基于深度学习的农作物病虫害识别研究进展[J]. 湖北农业科学, 2023, 62(11): 165-169.
[5]	刘震, 纪明妹, 郭志顶, 黄素芳, 赵忠祥, 闫旭东, 滕霄, 石秘, 岳明强, 刘青松, 徐玉鹏. 河北省农业害虫图像识别系统建设[J]. 湖北农业科学, 2022, 61(7): 135-139.
[6]	李辉, 罗敏, 岳佳欣. 基于计算机视觉技术的水稻病害图像识别研究进展[J]. 湖北农业科学, 2022, 61(4): 9-15.
[7]	周可心, 袁永生, 林春进. 基于k-DT-LR融合模型的农村商业医疗保险潜在客户识别分析[J]. 湖北农业科学, 2022, 61(24): 144-148.
[8]	张丽先, 宁二娟, 李智宁, 魏悦, 李飞飞, 张桃桃. 地黄炮制过程中HPLC-RID指纹图谱及模式识别研究[J]. 湖北农业科学, 2022, 61(23): 93-96.
[9]	费凡, 杨林楠. 基于BERT嵌入和对抗训练的农业领域命名实体识别[J]. 湖北农业科学, 2022, 61(18): 196-202.
[10]	布阿力·拜克尔, 海力且木·斯依提. 深度贫困地区多维相对贫困识别及其治理途径研究——以新疆和田县为例[J]. 湖北农业科学, 2022, 61(17): 127-132.
[11]	王珊珊, 毋兆鹏. 基于生态安全的乌鲁木齐市土地利用冲突识别[J]. 湖北农业科学, 2022, 61(1): 46-53.
[12]	杨涛, 雷进, 朱皓睿, 胡钦云, 龙波. 基于图像特征融合的麦冬叶部病害识别[J]. 湖北农业科学, 2021, 60(7): 135-138.
[13]	杨涛, 马京晶, 雷进. 基于表面缺陷识别的猕猴桃分级方法[J]. 湖北农业科学, 2021, 60(7): 145-148.
[14]	叶世斌. 经济发展中贫困人员身份识别的理性辨析与时代构建[J]. 湖北农业科学, 2021, 60(5): 188-192.
[15]	邓思宇, 向小倩, 郭若男, 张远索, 姚艳. 基于复合生态系统视角的农地经营权流转风险分析[J]. 湖北农业科学, 2021, 60(20): 179-183.