农业机械学报

作者：赵世达，王树才，郝广钊，张一驰，杨华建

单位：华中农业大学,华中农业大学,华中农业大学,华中农业大学,青岛建华食品机械制造有限公司,

关键词：羊肉多分体;目标检测;YOLO v3;优化;试验

基金：国家重点研发计划项目（2018YFD0700804）

针对输送带场景中羊肉分体需要进一步分类检测问题，提出一种基于单阶段目标检测算法的羊肉多分体实时分类检测方法。在羊屠宰车间环境下采集包含多类、多个羊肉分体图像，经图像增广及归一化后建立羊肉多分体图像数据集，其中训练集7200幅，测试集1400幅，验证集400幅。利用单阶段目标检测算法YOLO v3引入迁移学习对羊肉多分体图像数据集展开训练并获得最优模型，基于最优模型返回图像中各羊肉分体的类别及其位置，从而实现羊肉分体的分类检测。选用平均精度及单幅图像平均处理时间作为评判模型检测精度与速度指标。然后通过更换羊肉多分体识别模型的特征提取网络优化检测速度。另外设置包含亮、暗两种亮度水平的附加光照数据集以及代表羊肉分体遮挡情形的附加遮挡数据集，分别验证优化后模型的泛化能力与抗干扰能力，并通过多尺度特征明显的颈部与腹肋肉测试优化后模型的鲁棒性。最后引入Mask R-CNN、Faster R-CNN、Cascade R-CNN和SSD 4种常用目标检测算法针对不同数据集分别进行对比试验，在此基础上，进一步更换特征提取网络为MobileNet V1、ResNet34和ResNet50验证优化后模型的综合检测能力。试验结果表明，优化后模型的检测速度较原始模型提升48.53%，同时对光照、遮挡复杂环境下羊肉多分体识别具备较强的泛化能力与抗干扰能力，以及对多尺度特征显著的羊肉分体检测具有良好的鲁棒性，针对羊肉多分体图像验证集，优化后羊肉多分体识别模型的平均精度达到88.05%，单幅图像处理时间为64.7ms，综合检测能力优于其他算法，说明该方法具备较高的检测精度和良好的实时性，能够满足实际生产需求。

来源：2022年第3期

《农业机械学报》期刊编辑部

查看农业机械学报杂志2022年第3期