当前位置: 首页 > 文章 > 基于深度学习的大田甘蓝在线识别模型建立与试验 农业机械学报 2022,53 (4) 293-303
Position: Home > Articles > Establishment and Experimental Verification of Deep Learning Model for On-line Recognition of Field Cabbage Transactions of the Chinese Society for Agricultural Machinery 2022,53 (4) 293-303

基于深度学习的大田甘蓝在线识别模型建立与试验

作  者:
翟长远;付豪;郑康;郑申玉;吴华瑞;赵学观
单  位:
北京市农林科学院智能装备技术研究中心
关键词:
甘蓝;大田环境;识别定位;深度学习;嵌入式部署
摘  要:
针对大田蔬菜对靶施药过程中靶标难以精准识别定位的问题,以甘蓝为研究对象,进行基于深度学习的靶标在线识别方法与模型研究.对比3种当前性能较优的目标检测模型Faster R-CNN、SSD和YOLO v5s,选择YOLO v5s作为田间甘蓝识别迁移学习模型,提出一种MobileNet v3s主干特征提取网络与深度可分离卷积融合的YOLO-mdw大田甘蓝目标识别方法,实现复杂环境下的大田甘蓝实时识别;提出一种基于卡尔曼滤波和匈牙利算法的甘蓝目标定位方法,并将模型部署于NVIDIA Xavier NX开发板上.试验结果表明,YOLO-mdw识别模型在晴天、多云、阴雨天气条件下识别准确率分别为93.14%、94.75%和94.23%,图像处理时间为54.09 ms,相对于YOLO v5s模型用时缩短26.98%;速度不大于0.6 m/s时,识别准确率达94%,平均定位误差为4.13 cm,平均甘蓝直径识别误差为1.42 cm.该靶标识别系统能在大田复杂环境下对甘蓝进行实时识别定位,为对靶施药提供技术支持.
译  名:
Establishment and Experimental Verification of Deep Learning Model for On-line Recognition of Field Cabbage

相似文章

计量
文章访问数: 10
HTML全文浏览量: 0
PDF下载量: 0

所属期刊

推荐期刊