基于改进SSD的柑橘实时分类检测

• Published in: 农业工程学报 Vol. 35; no. 24; pp. 307 - 313
• Main Authors: 李善军, 胡定一, 高淑敏, 林家豪, 安小松, 朱明
• Format: Journal Article
• Language: Chinese
• Published: 国家柑橘保鲜技术研发专业中心,武汉 430070 15.12.2019; 农业农村部长江中下游农业装备重点实验室,武汉 430070; 华中农业大学工学院,武汉 430070; 国家现代农业(柑橘)产业技术体系,武汉 430070; 农业农村部柑橘全程机械化科研基地,武汉 430070%华中农业大学工学院,武汉 430070
• Subjects: SSD; 模型; 深度学习; 目标识别; ResNet18; 无损检测; 柑橘; 表面缺陷
• ISSN: 1002-6819
• DOI: 10.11975/j.issn.1002-6819.2019.24.036

TP391.4; 针对人工分拣柑橘过程中,检测表面缺陷费时费力的问题,该文提出了一种基于改进SSD深度学习模型的柑橘实时分类检测方法.在经改装的自制打蜡机试验台架下采集单幅图像含有多类多个柑橘的样本2500张,随机选取其中2000张为训练集,500张为测试集,在数据集中共有正常柑橘19507个,表皮病变柑橘9097个,机械损伤柑橘4327个.该方法通过单阶段检测模型SSD-ResNet18对图片进行计算和预测,并返回图中柑橘的位置与类别,以此实现柑橘的分类检测.以平均精度AP(average precision)的均值mAP(mean average precision)作为精度指标,平均检测时间作为速度指标,在使用不同特征图、不同分辨率和ResNet18、MobileNetV3、ESPNetV2、VoVNet39等4种不同特征提取网络时,进行模型分类检测效果对比试验研究.研究表明,该模型使用C4、C5特征图,768×768像素的分辨率较为合适,特征提取网络ResNet18在检测速度上存在明显优势,最终该模型的mAP达到87.89％,比原SSD的87.55％高出0.34个百分点,平均检测时间为20.27 ms,相较于原SSD的108.83 ms,检测耗时降低了436.90％.该模型可以同时对多类多个柑橘进行实时分类检测,可为自动化生产线上分拣表面缺陷柑橘的识别方面提供技术借鉴.