农业机械学报

作者：翟长远，付豪，郑康，郑申玉，吴华瑞，赵学观

单位：北京市农林科学院；广西大学,北京市农林科学院；广西大学,北京市农林科学院,北京市农林科学院,北京市农林科学院,北京市农林科学院,

关键词：甘蓝;大田环境;识别定位;深度学习;嵌入式部署

基金：国家重点研发计划项目（2019YFE0125200）、国家大宗蔬菜产业技术体系岗位专家项目（CARS-23-C06）、北京市农林科学院智能装备技术研究中心开放项目（KF2020W010）和中国烟草总公司云南省公司科技计划重点项目（2020530000241031）

针对大田蔬菜对靶施药过程中靶标难以精准识别定位的问题，以甘蓝为研究对象，进行基于深度学习的靶标在线识别方法与模型研究。对比3种当前性能较优的目标检测模型Faster R-CNN、SSD和YOLO v5s，选择YOLO v5s作为田间甘蓝识别迁移学习模型，提出一种MobileNet v3s主干特征提取网络与深度可分离卷积融合的YOLO-mdw大田甘蓝目标识别方法，实现复杂环境下的大田甘蓝实时识别；提出一种基于卡尔曼滤波和匈牙利算法的甘蓝目标定位方法，并将模型部署于NVIDIA Xavier NX开发板上。试验结果表明，YOLO-mdw识别模型在晴天、多云、阴雨天气条件下识别准确率分别为93.14%、94.75%和94.23%，图像处理时间为54.09ms，相对于YOLO v5s模型用时缩短26.98%；速度不大于0.6m/s时，识别准确率达94%，平均定位误差为4.13cm，平均甘蓝直径识别误差为1.42cm。该靶标识别系统能在大田复杂环境下对甘蓝进行实时识别定位，为对靶施药提供技术支持。

来源：2022年第4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4期