典型文献
基于PP-YOLO改进算法的脐橙果实实时检测
文献摘要：
深度学习已被广泛应用于智能采摘领域,消除不同环境场景对目标识别和检测产生的不利影响,对采摘机器人实现精准高效的工作至关重要.采用基于单阶段目标检测网络改进的PP-YOLO模型对树上成熟脐橙的识别进行研究,通过添加可变形卷积的主干网络ResNet提取特征,结合特征金字塔网络(FPN)进行特征融合,实现多尺度检测,并采用K-means聚类算法得到与目标脐橙适宜的anchor尺寸,减少训练时间及预测框置信度误差.实验结果表明:改进的PP-YOLO检测模型可完成晴天逆光、晴天顺光和阴天环境下的脐橙检测任务,检测准确率分别为90.81％、92.46％和94.31％,检测速度可达到72.30 fps、73.71 fps和74.90 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：
脐橙;目标检测;深度学习;改进的PP-YOLO
中图分类号：
作者姓名：
章倩丽;李秋生;胡俊勇;谢湘慧
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;胡俊勇;谢湘慧-.基于PP-YOLO改进算法的脐橙果实实时检测)[J].北京联合大学学报,2022(04):58-66
A类：
B类：
PP,YOLO,改进算法,脐橙果实,实实,实时检测,智能采摘,不同环境,环境场,目标识别,测产,采摘机器人,精准高效,单阶段目标检测,目标检测网络,树上,上成,可变形卷积,主干网络,ResNet,提取特征,特征金字塔网络,FPN,特征融合,多尺度检测,means,聚类算法,anchor,少训练,训练时间,置信度,检测模型,晴天,逆光,天顺,阴天,脐橙检测,检测准确率,检测速度,fps
AB值：
0.468151
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。
