基于面向通道分组卷积网络的番茄主要器官实时识别
Real-time recognition of main organs in tomato based on channel wise group convolutional network作者机构:沈阳农业大学信息与电气工程学院沈阳110866
出 版 物:《农业工程学报》 (Transactions of the Chinese Society of Agricultural Engineering)
年 卷 期:2018年第34卷第10期
页 面:153-162页
核心收录:
学科分类:0710[理学-生物学] 12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 0802[工学-机械工程] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0801[工学-力学(可授工学、理学学位)] 0812[工学-计算机科学与技术(可授工学、理学学位)]
基 金:辽宁省科学事业公益研究基金(2016004001) 国家自然科学基金(31601218) 沈阳市重点科技研发计划项目(17-174-3-00)
主 题:图像识别 算法 实时识别 番茄 卷积神经网络 面向通道分组卷积 特征提取
摘 要:番茄器官的实时准确识别是实现自动采摘、靶向施药等自动化生产的关键。该文提出一种基于面向通道分组卷积网络的番茄主要器官实时识别网络模型,该模型直接用特征图预测番茄器官目标边界和类型。以统计可分性、计算速度等为判据,并结合样本扩增训练,分析了该网络和几种典型网络在番茄器官图像处理上的性能,以此筛选出识别网络的基础结构,在基础结构后面分别附加带dropout层的面向通道分组卷积模块和全卷积层作为识别网络的总体架构。试验结果表明:用面向通道分组卷积网络作为识别网络的基础结构,可在显著提高网络召回率、识别速度和精度的前提下,大幅降低模型的大小,该结构网络对花、果、茎识别的平均精度分别为96.52%、97.85%和82.62%,召回率分别为77.39%、69.33%和64.23%,识别速度为62帧/s;与YOLOv2相比,该文识别网络召回率提高了14.03个百分点,精度提高了2.51个百分点。