溫室甜瓜自動采摘系統(tǒng)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(nóng)業(yè)大學農(nóng)業(yè)工程學院，山西 太谷 030801；2.呂梁學院經(jīng)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(nèi)溫濕度較高，且藤蔓及果實上遍布絨毛，人工采摘環(huán)境較差［2］。隨著智能農(nóng)機迅速發(fā)展，采摘機器人成為研究熱點。采摘機器人作業(yè)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(nèi)光照變化等對甜瓜 的自動化采摘目標識別帶來很大挑戰(zhàn)。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(jié)合RGB-D 視覺傳感器實現(xiàn)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(shù)近年來發(fā)展迅速，深度學習的突破性進展為計算機視覺技術(shù)在農(nóng)業(yè)視覺任務中的應用鋪平道路［3-5］，如卷積神經(jīng)網(wǎng)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(wǎng)絡分為以Faster R-CNN 為代表的Two-stage 檢測網(wǎng)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，F(xiàn)1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，F(xiàn)1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(wǎng)絡中直接預測目標的邊界及其相應類別，速度大幅提升［9］。……