基于优化Transformer网络的绿色目标果实高效检测模型

TP24%TP391; 果园环境中,检测目标果实易受复杂背景、果实姿态和颜色等因素影响,为提高绿色目标果实检测的精度与效率,满足果园智能测产和自动化采摘要求,本研究针对不同光照环境和果实姿态,提出一种适于样本数量不足的绿色目标果实高效检测模型.该模型采用优化Transformer结构,首先借助卷积神经网络(Convolutional Neural Network,CNN)网络提取图像特征;然后输入编码-解码器生成一组目标果实预测框,最后通过前馈神经网络(Feed-forward Network,FFN)结构预测检测结果.在训练过程中,引入重采样法扩充样本数量,解决样本数量不足问题;引入迁移学习...

Full description

Saved in:
Bibliographic Details
Published in农业工程学报 Vol. 37; no. 14; pp. 163 - 170
Main Authors 贾伟宽, 孟虎, 马晓慧, 赵艳娜, Ji Ze, 郑元杰
Format Journal Article
LanguageChinese
Published 山东师范大学信息科学与工程学院,济南 250358 15.07.2021
机械工业设施农业测控技术与装备重点实验室,镇江 212013%山东师范大学信息科学与工程学院,济南 250358%卡迪夫大学工程学院,卡迪夫 CF243AA,英国
Subjects
目标检测;绿色果实;重采样法;迁移学习;Transformer网络
Online AccessGet full text
ISSN1002-6819
DOI10.11975/j.issn.1002-6819.2021.14.018

Cover

More Information
Summary:TP24%TP391; 果园环境中,检测目标果实易受复杂背景、果实姿态和颜色等因素影响,为提高绿色目标果实检测的精度与效率,满足果园智能测产和自动化采摘要求,本研究针对不同光照环境和果实姿态,提出一种适于样本数量不足的绿色目标果实高效检测模型.该模型采用优化Transformer结构,首先借助卷积神经网络(Convolutional Neural Network,CNN)网络提取图像特征;然后输入编码-解码器生成一组目标果实预测框,最后通过前馈神经网络(Feed-forward Network,FFN)结构预测检测结果.在训练过程中,引入重采样法扩充样本数量,解决样本数量不足问题;引入迁移学习,加速网络收敛.分别制作苹果、柿子数据集用于模型训练.试验结果表明,经迁移学习后该模型训练效率大幅提高;与流行的目标检测模型相比,优化后的模型在检测绿色柿子与绿色苹果时,精度分别为93.27％和91.35％.该方法可为其他果蔬绿色目标检测提供理论借鉴.
ISSN:1002-6819
DOI:10.11975/j.issn.1002-6819.2021.14.018