基于级联卷积神经网络的番茄花期识别检测方法

【摘要】：对作物花期状态的准确识别是温室作物授粉的前提。为提高花期识别的准确率,该研究以温室番茄为例,提出一种基于级联卷积神经网络的番茄花期识别检测方法。首先采用改进的基于特征金字塔花束提取神经网络(Flower Extraction Feature Pyramid Networks, FE-FPN)实现番茄花束的局部区域提取,并采用Prim最小生成树对提取的花束区域图像进行识别优先级排序,然后按序将其输入到改进的Yolov3网络,实现番茄花朵不同花期的精准辨识检测。在包含4类花期、共1600幅样本的番茄花束图像数据集上进行试验验证,本文方法对番茄不同花期的检测性能较好,平均检测精度达到了82.79%,平均单张检测时间为12.54 ms,各花期检测精度为花蕾期85.71%、全开期95.46%、谢花期62.66%、初果期88.34%;相比Mask R-CNN和空间金字塔池化网络(Spatial Pyramid Pooling Networks, SPP-Net),平均检测精度提高了3.67和2.39个百分点,而且识别错误率比基础Yolov3网络降低了1.25个百分点。最后,将本文所提方法部署到大型玻璃温室环境下番茄授粉机器人上进行实际验证,识别准确率为76.67%,除去漏提取花束准确率达85.18%。研究结果可为设施番茄授粉机器人的精准作业提供重要依据。