基于深度学习的自然环境下的水果目标检测研究

• 作 者: 薛彬
• 出 处: 燕山大学
• 发表日期: 2020年03期
• 关键词: 深度学习 水果检测 Faster R-CNN 特征融合 非极大值抑制

随着农业现代化的快速推进,通过计算机视觉技术对水果目标的检测是实现水果自动采摘的关键。然而传统的目标检测算法需要人工设计特征,且人工设计的特征并不通用,导致检测精度低。近年来随着深度学习技术的日益成熟,基于深度学习的目标检测算法逐渐成为研究热门,在检测精度上有了大幅度提升,但是自然环境下的水果形状大小不同,且往往容易互相遮挡或者被树叶遮挡,从而在一定程度上影响检测精度。因此本文采用基于候选区域的目标检测算法Faster R-CNN,并在此基础上进行改进,通过在获取的水果数据集上实验验证,有效提高了多尺度水果和遮挡水果的检测精度。本文主要研究工作如下:首先针对基于深度学习的自然环境下水果检测图像训练需要大量真实样本的问题,在已获得的数据集基础上进行仿射变换,从而起到数据增强的效果,提高训练模型的鲁棒性。然后针对水果检测过程中小目标易漏检的情况,提出了一种基于改进的多尺度水果检测算法,重新设计了候选框的比例和尺度,并将不同层次的特征图相融合,使用多尺度的特征图进行特征提取。实验表明,改进的多尺度水果检测算法的平均准确率均值达到了83.65%,在整体检测精度提高的同时减少了小目标漏检情况。最后虽然改进后的Faster R-CNN算法检测效果有所提高,但是对自然环境下的水果互相遮挡或者被树叶遮挡情况的检测效果仍然不理想,因此提出了基于遮挡影响下的水果检测算法,在特征提取时引入局部上下文信息,并针对非极大值抑制算法的局限性进行改进。实验表明,基于遮挡影响下的水果检测算法的平均准确率均值达到了86.7%,增强了处理目标遮挡的能力,降低了水果漏检率。