典型文献
基于PP-YOLO深度学习模型的赣南脐橙果实识别方法
文献摘要：
果实检测在研究脐橙采摘机械化发展中有着重要作用,然而不良天气条件将对目标果实的检测和识别产生不利影响.针对雾天和雨天情形下脐橙果实图像模糊、噪声复杂,检测速度较慢和准确率较低的问题,通过采用单阶段目标检测网络PP-YOLO来研究不良天气条件下赣南脐橙果实的识别.通过主干网络ResNet提取特征并结合FPN(特征金字塔网络)进行特征融合实现多尺度检测,且基本实现端到端检测.实验结果表明,所提出的PP-YOLO检测模型可实现雾天和雨天情况下赣南脐橙检测任务,mAP分别为89.06％和91.01％,识别效率分别可达到75.30 fps和75.44 fps,可以尝试在脐橙采摘机器人的研制中加以应用.
文献关键词：
目标检测;果实识别;机器视觉;PP-YOLO
中图分类号：
作者姓名：
章倩丽;李秋生
作者机构：
赣南师范大学智能控制工程技术研究中心,江西,赣州 341000;赣南师范大学物理与电子信息学院,江西,赣州 341000
文献出处：
引用格式：
[1]章倩丽;李秋生-.基于PP-YOLO深度学习模型的赣南脐橙果实识别方法)[J].井冈山大学学报（自然科学版）,2022(06):64-70
A类：
B类：
PP,YOLO,深度学习模型,赣南脐橙,脐橙果实,果实识别,果实检测,采摘机械,机械化发展,不良天气,天气条件,检测和识别,雾天,雨天,天情,果实图像,检测速度,较慢,单阶段目标检测,目标检测网络,主干网络,ResNet,提取特征,FPN,特征金字塔网络,特征融合,多尺度检测,端到端检测,检测模型,脐橙检测,mAP,fps,采摘机器人,机器视觉
AB值：
0.408345
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
