溫室甜瓜自動采摘系統目標檢測模型及空間定位研究

趙華民，LAWAL Olarewaju，許德芳

（1.山西農業大學農業工程學院，山西 太谷 030801；2.呂梁學院經濟管理系，山西 呂梁 033001）

【研究意義】甜瓜（Cucumis meloL.）在我國種植廣泛，是一種深受大眾喜愛的夏季水果［1］。目前甜瓜以溫室種植較多，其成熟期溫室內溫濕度較高，且藤蔓及果實上遍布絨毛，人工采摘環境較差［2］。隨著智能農機迅速發展，采摘機器人成為研究熱點。采摘機器人作業的首要步驟是快速準確地對目標進行識別和定位。甜瓜采收期枝葉繁茂，目標果實大多被葉片和藤蔓遮擋，溫室內光照變化等對甜瓜 的自動化采摘目標識別帶來很大挑戰。建立YOLOResNet70 模型，使甜瓜在光照變化和葉片藤蔓遮擋嚴重情況下自動采摘快速識別，并結合RGB-D 視覺傳感器實現目標的空間定位具有重要意義。

【前人研究進展】基于機器視覺的目標檢測和識別技術近年來發展迅速，深度學習的突破性進展為計算機視覺技術在農業視覺任務中的應用鋪平道路［3-5］，如卷積神經網絡（CNN）可以自動直接從輸入圖像中提取復雜特征［6］。目前常用的目標檢測網絡分為以Faster R-CNN 為代表的Two-stage 檢測網絡和以YOLO 為代表的Onestage 兩 種。Inkyu 等［7］采 用Faster R-CNN 對 哈密瓜等水果的RGB 圖像和近紅外信號進行混合檢測，取得良好的檢測效果，F1值達到84.8%，但是對于小目標的檢測速度需要提升。Bargoti等［8］同樣基于Faster R-CNN 方法研究果園水果檢測，F1值超過90%，但對密集型水果的檢測有遺漏。雖然Two-stage 檢測方法效果較好，但是相比One-stage 檢測方法，其速度遠不能滿足移動設備的需求。YOLOv3 是最流行的One-stage 目標檢測方法之一，與Two-stage 的目標檢測方法相比，其可在一個網絡中直接預測目標的邊界及其相應類別，速度大幅提升［9］。……