基于改进Faster R-CNN的核桃识别和定位

作     者：樊湘鹏 许燕 周建平 刘新德 汤嘉盛 FAN Xiangpeng;XU Yan;ZHOU Jianping;LIU Xinde;TANG Jiasheng

作者机构：新疆大学机械工程学院新疆乌鲁木齐830047 新疆大学新疆维吾尔自治区农牧机器人及智能装备工程技术研究中心新疆乌鲁木齐830047 新疆叶城县核桃产业研究中心新疆叶城844900 

出 版 物：《燕山大学学报》 (Journal of Yanshan University)

年 卷 期：2021年第45卷第6期

页      面：544-551页

学科分类：082804[工学-农业电气化与自动化] 08[工学] 0828[工学-农业工程] 081201[工学-计算机系统结构] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金资助项目(51765063) 国家级大学生创新创业训练计划项目(201810755079S) 新疆维吾尔自治区研究生科研创新项目(XJ2019G033) 

主　　题：核桃检测 改进Faster R-CNN 批归一化 感兴趣区域校准 特征提取器 

摘      要：为实现核桃园林中青皮核桃的识别与定位,设计了基于深度卷积神经网络的机器视觉检测方法。该方法在Faster R-CNN模型基础上加入批归一化处理和感兴趣区域校准算法,对比4种不同特征提取器,建立适合本研究的卷积神经网络模型,并与其他主流检测算法进行对比试验。研究表明,在Faster R-CNN模型框架下使用VGG16特征提取器具有更优的性能,平均精确率为97.56%,平均检测耗时为0.219 s,与原始Faster R-CNN模型相比,改进后的算法模型精确率提高了5.19%,平均检测耗时减少了0.156 s;与YOLO v3、YOLO v4和SSD300等检测算法相比,所提方法在平均精确率和识别速度上具有综合优势。利用视频影像验证了该方法在园林环境中识别的可行性,能够保持较高的平均精确率和实时性。所提方法能够为机器人自动采摘核桃提供研究基础。