农业机械学报

作者：孟庆宽，张漫，叶剑华，都泽鑫，宋名果，张志鹏

单位：天津职业技术师范大学,中国农业大学,天津职业技术师范大学,天津职业技术师范大学,天津职业技术师范大学,天津职业技术师范大学,

关键词：蔬菜幼苗;深度学习;作物识别;轻量卷积;二阶段检测模型

基金：国家自然科学基金项目（31971786）、天津市自然科学基金项目（18JCQNJC04500）、天津市教委科研计划项目（JWK1613、JWK1604）和天津职业技术师范大学校级预研项目（KJ2009、KYQD1706）

为实现自然环境下蔬菜幼苗精准快速识别，本文以豆角、花菜、白菜、茄子、辣椒、黄瓜等形态差异大、具有代表性的蔬菜幼苗为研究对象，提出一种基于轻量化二阶段检测模型的多类蔬菜幼苗检测方法。模型采用混合深度分离卷积作为前置基础网络对输入图像进行运算，以提高图像特征提取速度与效率；在此基础上，引入特征金字塔网络(Feature pyramid networks, FPN)单元融合特征提取网络不同层级特征信息，用于增强深度学习检测模型对多尺度目标的检测精度；然后，通过压缩检测头网络通道维数和全连接层数量，降低模型参数规模与计算复杂度；最后，将距离交并比（Distance-IoU, DIoU）损失作为目标边框回归损失函数，使预测框位置回归更加准确。试验结果表明，本文提出的深度学习推理模型对多类蔬菜幼苗的平均精度均值为97.47%，识别速度为19.07 f/s，模型占用存储空间为60 MB，对小目标作物以及叶片遮挡作物的平均精度均值达到88.55%，相比于Faster R-CNN、R-FCN模型具有良好的泛化性能和鲁棒性，可以为蔬菜田间农业智能装备精准作业所涉及的蔬菜幼苗检测识别问题提供新方案。

来源：2021年第10期

《农业机械学报》期刊编辑部

查看农业机械学报杂志2021年第10期