| 基于卷积神经网络的田间多簇猕猴桃图像识别方法 |
| |
| 作者姓名： | 傅隆生 冯亚利 Elkamil Tol 刘智豪 李瑞 崔永杰 |
| |
| 作者单位： | 1. 西北农林科技大学机械与电子工程学院,杨凌 712100; 2. 农业部农业物联网重点实验室,杨凌 712100;,1. 西北农林科技大学机械与电子工程学院,杨凌 712100;,3. Precision Agriculture Research Chair, King Saud University, Riyadh 11451, Saudi Arabia;,1. 西北农林科技大学机械与电子工程学院,杨凌 712100;,1. 西北农林科技大学机械与电子工程学院,杨凌 712100;,1. 西北农林科技大学机械与电子工程学院,杨凌 712100; 2. 农业部农业物联网重点实验室,杨凌 712100; |
| |
| 基金项目： | 陕西省重点研发计划一般项目（2017NY-164）;陕西省科技统筹创新工程计划项目（2015KTCQ02-12）;国家自然科学基金资助项目（61175099）;西北农林科技大学国际合作种子基金（A213021505） |
| |
| 摘 要： | 为实现田间条件下快速、准确地识别多簇猕猴桃果实,该文根据猕猴桃的棚架式栽培模式,采用竖直向上获取果实图像的拍摄方式,提出一种基于Le Net卷积神经网络的深度学习模型进行多簇猕猴桃果实图像的识别方法。该文构建的卷积神经网络通过批量归一化方法,以Re LU为激活函数,Max-pooling为下采样方法,并采用Softmax回归分类器,对卷积神经网络结构进行优化。通过对100幅田间多簇猕猴桃图像的识别,试验结果表明:该识别方法对遮挡果实、重叠果实、相邻果实和独立果实的识别率分别为78.97%、83.11%、91.01%和94.78%。通过与5种现有算法进行对比试验,该文算法相对相同环境下的识别方法提高了5.73个百分点,且识别速度达到了0.27 s/个,识别速度较其他算法速度最快。证明了该文算法对田间猕猴桃图像具有较高的识别率和实时性,表明卷积神经网络在田间果实识别方面具有良好的应用前景。
|
| 关 键 词： | 图像处理 图像识别 算法 深度学习 卷积神经网络 猕猴桃 |
| 收稿时间： | 2017-08-28 |
| 修稿时间： | 2017-12-26 |
| 本文献已被 CNKI 等数据库收录！ |
| 点击此处可从《农业工程学报》浏览原始摘要信息 |
|
点击此处可从《农业工程学报》下载免费的PDF全文 |
|
