定制化訓練平臺Easy DL在菠蘿果實識別中的應用

張連兆 徐惠東 李萍

摘? ?要：文章通過百度定制化訓練平臺Easy DL，提出了一種基于深度學習的菠蘿果實識別方法。以漳州市實地調研的菠蘿果實圖像為訓練數據，對菠蘿果實識別模型進行了訓練。測試結果表明，該模型能夠迅速準確地識別出菠蘿果實以及果實在圖像中的數量和位置，為將來菠蘿采摘機器人的研發奠定了基礎。

關鍵詞：Easy DL;菠蘿;圖像識別

1? ? 采摘問題分析

菠蘿又稱鳳梨，是世界第7大水果，第3大熱帶水果，同時，也是國際水果貿易中極其活躍的熱帶水果，廣泛分布于南北緯30°之間的80多個國家和地區[1]，在我國海南、廣東、廣西等地均有大面積種植。菠蘿果實品質優良，營養豐富，含有大量的果糖、葡萄糖、維生素B、維生素C、檸檬酸、蛋白酶以及各類微量元素等[2]。菠蘿葉中含有豐富的纖維，是一種具有優良殺菌性能的紡織材料[3-4]，而且在藥用領域具有抗腫瘤、降血糖、調血脂的等作用[5-6]。

菠蘿作為經濟附加值較高的水果，具有廣闊的市場前景。然而在主要產區，因菠蘿種植面積大、采摘周期短，采摘是生產中最重要的一個環節。目前，我國菠蘿主要依靠人工采摘，需要大量人力，勞動力成本高，且菠蘿葉緣帶有銳刺，人工采收必須穿戴防護服在高溫下作業，勞動強度大、效率低下，導致菠蘿種植成本升高、經濟效益差，影響了果農的收入。

基于上述菠蘿采摘過程中存在的問題，用機器人采摘菠蘿將成為提高采摘效率、解放勞動力、增加種植戶收入的必然趨勢。菠蘿果實的識別是菠蘿采摘機器人采摘菠蘿的關鍵步驟，需要將菠蘿從復雜的環境中快速準確的識別出來，獲取菠蘿果實的大致位置信息。李斌等[7]提出了一種基于單目視覺的田間菠蘿果實識別，通過去噪、區域處理、中心點提取、聚類分析等操作，識別菠蘿果實果眼，獲取菠蘿果眼的中心點信息，對菠蘿果實進行識別并定位。吳沛晟等[8]提出了一種基于雙目視覺的菠蘿采摘機器人，在HSV空間中對圖像進行閾值分割，采用Shape Contexts算法對菠蘿果實目標進行識別，用Open CV計算機開源庫對目標進行三維重建，進而識別并定位菠蘿果實。本文提出了一種基于百度Easy DL定制化訓練平臺的菠蘿果實識別方法，作為后續菠蘿采摘機器人的研發的基礎。

2? ? 圖像數據獲取

本文選用2018年12月在福建省漳州市拍攝的55張菠蘿果實照片作為訓練圖片（見圖1）。當地種植戶對菠蘿果實進行了套袋遮蓋處理，首先，將菠蘿果實頭部的葉子去掉。其次，用報紙將菠蘿果實包住。最后，對菠蘿果實進行套袋處理。這樣處理之后的菠蘿果實與菠蘿葉子區分出來，提高了識別準確度。

3? ? Easy DL平臺使用

本文采用百度Easy DL定制化訓練平臺對菠蘿圖像進行深度學習，現該平臺支持圖像分類、物體檢測、聲音分類和文本分類等深度學習，由于是從圖像中識別菠蘿果實，因此本文選用“物體檢測”模型。物體檢測模型能在一張圖像上識別出物體的名稱、數量和位置，可以識別圖片中有多個主體的場景。

平臺用戶進入平臺后，首先，創建模型和數據集，并將菠蘿圖像上傳，在數據集管理中對圖像進行標注。其次，訓練模型并檢驗效果。最后，上線模型獲取API或離線SDK。

3.1? 上傳圖像并標注

創建模型后在“數據中心”創建數據集，在“數據集管理”下找到剛才創建的數據集，將拍攝的55張典型的靜態菠蘿圖像上傳。使用Easy DL平臺的標注工具，拖動畫框，將圖像中菠蘿果實框出，方框剛好框住菠蘿果實即可，菠蘿果實標注如圖2所示。

3.2? 訓練模型

在將所有圖片標注完成之后，選擇“模型中心”下的“訓練模型”對模型進行訓練，Easy DL平臺將70%的模型用于訓練，剩余30%的模型用于檢驗模型效果。約3 h后完成訓練。

mAP是衡量模型效果的指標。對于物體檢測任務，每一類檢測目標都可以計算出精確率和召回率，在不同閾值下多次計算或試驗，每個類都可以得到一條P-R曲線，曲線下的面積就是AP的值。“mean”的意思是對每個類的AP再求平均，得到的就是mAP值，mAP值越接近于1，模型效果越好。

精確率為正確識別的物體數與識別物體總數之比，召回率為正確識別的物體數與真實物體數之比。

4? ? 測試結果分析

應用類型為云服務、版本為v2時，模型訓練結果的mAP、精確率、召回率、建議閾值見表1。

mAP 精確率 召回率 建議閾值

97.9% 100% 90% 0.6

應用類型為離線SDK、版本為v1時，模型訓練結果的mAP、精確率、召回率、建議閾值如表2所示。

mAP 精確率 召回率 建議閾值

92% 94.7% 90% 0.3

對離線SDK模型檢測結果如圖3所示。

圖3? 離線SDK模型檢驗結果

實驗結果表明，此訓練模型能夠較為準確地識別圖像中的菠蘿果實并將菠蘿果實在圖中的位置和果實的數量標注出來，基于Easy DL訓練的模型，通過擴充訓練，可以提高菠蘿在不同場景下識別的準確度，對獲得的離線SDK進行適當地修改，可以擴大模型的平臺范圍。

5? ? 結語

菠蘿果實采摘目前以人工采摘為主，用菠蘿采摘機器人采摘菠蘿將是必然趨勢，菠蘿果實識別具有廣闊的發展前景。本文依托百度Easy DL定制化圖像識別系統平臺，訓練出了菠蘿果實識別模型，模型對菠蘿果實識別的速度、準確度較高，為后期研究菠蘿采摘機器人識別菠蘿果實技術奠定了基礎。

作者簡介：張連兆（1997— ），男，山東日照人，本科生;研究方向：機械電子工程。

[參考文獻]

[1]陳海芳，袁曉麗，張秀梅.菠蘿品質生理的研究進展及展望[J].中國南方果樹，2016（6）：172-176.

[2]劉世彪，彭小列，田儒玉.世界熱帶五大名果樹[J].生物學通報，2003（3）：11-13.

[3]郁崇文，張元明.菠蘿葉纖維的性能研究[J].中國紡織大學學報，1997（6）：17-20.

[4]劉恩平，郭安平，郭運玲，等.菠蘿葉纖維的開發與應用現狀及前景[J].紡織導報，2006（2）：32-35.

[5]王偉，丁怡，邢東明，等.菠蘿葉酚類成分研究[J].中國中藥雜志，2006（15）：1242-1244.

[6]王金萍，王宏英，杜力軍，等.菠蘿葉中新的酰胺類成分[J].中國中藥雜志，2007（5）：401-403.

[7]李斌，NING WANG，汪懋華，等.基于單目視覺的田間菠蘿果實識別[J].農業工程學報，2010（10）：245-249.

[8]孫睿康.基于Easy DL的超新星自動搜尋系統設計[J].智能計算機與應用，2019（1）：206-263.

Abstract：This paper proposes a pineapple fruit recognition method based on deep learning through Baidu customized training platform Easy DL. Based on the training data of pineapple fruit in Zhangzhou City， the pineapple fruit recognition model was trained. The test results showed that the model can quickly and accurately identify the pineapple fruit， and identifyied the number and location of pineapple fruit in the image. It laid the foundation for the future development of pineapple picking robots.

Key words：Easy DL; pineapple; image identification