典型文献
基于改进Mask R-CNN的番茄侧枝修剪点识别方法
文献摘要：
为解决番茄枝叶修剪机器人无法准确识别番茄侧枝修剪点的问题,提出基于改进Mask R-CNN模型的番茄侧枝修剪点的识别方法.将Mask R-CNN的主干网络ResNet50替换为MobileNetv3-Large来降低模型复杂度和提升运行速度,并对部分特征图添加ECA(Efficient Channel Attention)注意力机制,以提升模型精度;通过改进的Mask R-CNN模型预测番茄侧枝与主枝的分割掩膜和边框位置;针对部分单根枝条被分割成多段掩膜的问题,通过掩膜边界框宽高比区分侧枝和主枝,分析同一枝条相邻掩膜约束条件,然后将符合约束条件的掩膜进行合并连接;根据修剪点在主枝附近的特点确定修剪点所在端,确定靠近修剪端端点的中心点作为侧枝的修剪点.试验结果表明,改进的Mask R-CNN模型平均分割图片时间为0.319 s,召回率和精确率分别为91.2％和88.6％,掩膜平均合并成功率为86.2％,修剪点识别平均准确率为82.9％.该研究为番茄枝叶修剪机器人的研发提供参考.
文献关键词：
模型;图像识别;目标检测;Mask R-CNN;侧枝;主枝;修剪点
中图分类号：
作者姓名：
梁喜凤;章鑫宇;王永维
作者机构：
中国计量大学机电工程学院,杭州 310018;浙江大学生物系统工程与食品科学学院,杭州 310058
文献出处：
引用格式：
[1]梁喜凤;章鑫宇;王永维-.基于改进Mask R-CNN的番茄侧枝修剪点识别方法)[J].农业工程学报,2022(23):112-121
A类：
修剪点,枝叶修剪
B类：
Mask,番茄,侧枝,修剪机,准确识别,主干网络,ResNet50,MobileNetv3,Large,来降,模型复杂度,运行速度,分特征,特征图,ECA,Efficient,Channel,Attention,注意力机制,模型精度,主枝,分割掩膜,边框,单根,枝条,割成,多段,边界框,宽高比,一枝,合约,行合并,端点,中心点,模型平均,平均分,片时,召回率,精确率,平均准确率,图像识别,目标检测
AB值：
0.290713
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。
