基于 Mask R-CNN的复杂环境下辣椒识别方法研究

doi:10.13733/j.jcam.issn.2095-5553.2024.09.033

中国农机化学报 ›› 2024, Vol. 45 ›› Issue (9): 215-219.DOI: 10.13733/j.jcam.issn.2095-5553.2024.09.033

基于 Mask R-CNN的复杂环境下辣椒识别方法研究

付晓鸽 1，2，李涵 1，2，左治江 1，2，杜铮 3

（1.江汉大学精细爆破国家重点实验室，武汉市，430056；2.爆破工程湖北省重点实验室，武汉市，430056；3.武汉市农业科学院农业机械化研究所，武汉市，430207）

出版日期:2024-09-15 发布日期:2024-09-04
基金资助:
湖北省教育厅百校联百县 —高校服务乡村振兴科技支撑行动计划（BXLBX0369）；武汉市知识创新专项曙光计划项目（2022010801020378）

Research on pepper recognition method in complex environment based on Mask R-CNN

Fu Xiaoge1，2，Li Han1，2，Zuo Zhijiang1，2，Du Zheng3

（1. State Key Laboratory of Percision Blasting，Jianghan University，Wuhan，430056，China； 2. Hubei Key Laboratory of Blasting Engineering，Wuhan，430056，China； 3. Institute of Agricultural Mechanization，Wuhan Academy of Agricultural Sciences，Wuhan，430207，China）

Online:2024-09-15 Published:2024-09-04

摘要/Abstract

摘要：

摘要：针对辣椒采摘机器人在真实场景中辣椒簇状、粘连和光照不均导致无法精准采摘辣椒的问题，提出一种基于 Mask R-CNN实例分割网络模型的辣椒识别方法。以真实场景下的辣椒为研究对象，采集自然生长的辣椒图像 4 496张，对其中的 4 000张进行数据标注作为数据集，通过设置不同的学习率、训练周期和模型网络层对数据集进行训练。试验结果表明，Mask R-CNN网络模型对真实场景下辣椒的识别和分割效果较好，平均准确率达到 90. 34%，平均速度达到 0. 82 s/幅，为智能辣椒采摘机器人的辣椒分割识别和定位提供有力的技术支撑。

关键词: 辣椒识别, 实例分割, Mask R-CNN, 神经网络, 采摘机器人

Abstract:

In order to solve the problem that pepper picking robots can not pick pepper accurately in real scenes due to pepper clusters， adhesion and uneven lighting， a pepper recognition method based on Mask R-CNN instance segmentation network model is proposed. With pepper in the real scene as the research object，4 496 images of naturally growing pepper were collected，and 4 000 of them were labeled as data sets. The data sets were trained by setting different learning rates，training cycles and model network layers. The experimental results show that the Mask R-CNN network model has a good effect on pepper recognition and segmentation in the real scene，with an average accuracy of 90. 34% and an average speed of 0. 82 s/frame，providing a strong technical support for pepper segmentation recognition and location of intelligent pepper picking robot.

Key words: pepper recognition；instance segmentation；Mask R-CNN；neural networks；picking robot ,

中图分类号:

付晓鸽, 李涵, 左治江, 杜铮 . 基于 Mask R-CNN的复杂环境下辣椒识别方法研究[J]. 中国农机化学报, 2024, 45(9): 215-219.

Fu Xiaoge, Li Han, Zuo Zhijiang, Du Zheng. Research on pepper recognition method in complex environment based on Mask R-CNN [J]. Journal of Chinese Agricultural Mechanization, 2024, 45(9): 215-219.

参考文献

[1］邹学校，马艳青，戴雄泽，等 .辣椒在中国的传播与产业发展［ J］.园艺学报， 2020，47（9）：1715-1726.

［ 2］王立浩，张宝玺，张正海，等 .“十三五”我国辣椒育种研究进展、产业现状及展望［ J］.中国蔬菜， 2021（2）：21-29.［ 3］Arad B，Balendonck J，Barth R，et al. Development of a sweet pepper harvesting robot［J］. Journal of Field Robotics，2020，37（6）：1027-1039.

［ 4］Augusto M S，Paul M A，dos Neves S F，et al. Active perception fruit harvesting robots：A systematic review［J］. Journal of Intelligent & Robotic Systems，2022，105（1）.

［ 5］李天华，孙萌，娄伟，等 .采摘机器人分割与识别算法的研究现状［ J］.山东农业科学， 2021，53（10）：140-148.

［ 6］汪杰，陈曼龙，李奎，等 .基于 HSV与形状特征融合的花椒图像识别［J］.中国农机化学报， 2021，42（10）：180-185.

Wang Jie，Chen Manlong，Li Kui，et al. Prickly ash image recognition based on HSV and shape feature fusion［J］. Journal of Chinese Agricultural Mechanization，2021，42（10）：180-185.

［ 7］Lu Yuzhen， Lu Renfu. Histogram.based automatic thresholding for bruise detection of apples by structured.illumination reflectance imaging［J］. Biosystems Engineering，2017，160.

［ 8］邵志明，王怀彬，董志城，等 .基于近红外相机成像和阈值分割的苹果早期损伤检测［ J］.农业机械学报， 2021， 52（S1）：134-139.

Shao Zhiming， Wang Huaibin， Dong Zhicheng， et al. Early bruises detection method of apple surface based on near infrared camera imaging technology and image threshold segmentation method［J］. Transactions of the Chinese Society for Agricultural Machinery， 2021， 52（S1）：134-139.

［ 9］张磊，刘琪芳，聂红玫，等 .基于改进 YOLOV4网络模型的番茄果实检测［J］.中国农机化学报， 2022，43（12）：162-169.

Zhang Lei，Liu Qifang，Nie Hongmei，et al. Tomato fruit detection based on improved YOLOv4 network model［J］. Journal of Chinese Agricultural Mechanization，2022，43（12）：162-169.

［10］Yan Bin，Fan Pan，Lei Xiaoyan，et al. A real.time apple targets detection method for picking robot based on improved YOLOv5［J］. Remote Sensing，2021，13（9）：1619.

［11］闫建伟，张乐伟，赵源，等 .改进 RetinaNet的刺梨果实图像识别［ J］.中国农机化学报， 2021，42（3）：78-83.

Yan Jianwei，Zhang Leiwei，Zhao Yuan，et al. Image recognition of Rosa roxburghii fruit by improved RetinaNet［J］. Journal of Chinese Agricultural Mechanization，2021，42（3）：78-83.

［12］李艳文，左朝阳，王登奎，等 .基于改进型 SegNet的苹果采摘点分割算法研究［ J］.燕山大学学报， 2022，46（5）： 455-460，470.

Li Yanwen， Zuo Chaoyang， Wang Dengkui， et al. Apple picking point segmentation based on improved SegNet［J］. Journal of Yanshan University，2022，46（5）： 455-460，470.

［13］苏丽，孙雨鑫，苑守正 .基于深度学习的实例分割研究综述［ J］.智能系统学报， 2022，17（1）：16-31.

[1]	赵爽, 俞永强, 苗玉彬, 刘可心 . 基于改进 Mask R-CNN的青菜杂质检测研究[J]. 中国农机化学报, 2024, 45(9): 77-82.
[2]	蒲厚旭, 张慧. 基于卷积神经网络干瘪核桃 X射线图像判别[J]. 中国农机化学报, 2024, 45(9): 184-189.
[3]	张万帆, 任力生, 王芳, . 基于SO-BP神经网络的温室环境预测模型研究[J]. 中国农机化学报, 2024, 45(8): 94-99.
[4]	樊宇航, 宋卫东, 王教领, 王明友, 丁天航, 周德欢. 人工神经网络在果蔬干燥领域应用进展[J]. 中国农机化学报, 2024, 45(8): 112-119.
[5]	张倩, 王明, 于峰, 陶震宇, 张辉, 李刚. 基于CNN的作物分类识别图像获取平台研究进展[J]. 中国农机化学报, 2024, 45(8): 170-179.
[6]	刘艺梦, 潘守江, 丁小明, 王会强, 杜亚尊, 冯佐龙. 基于GA-BP的NFT水培奶油生菜根区温度预测[J]. 中国农机化学报, 2024, 45(8): 189-195.
[7]	黄亦其, 鹿林飞, 沈豪, 王福宽, 乔曦, . 基于卷积神经网络的入侵昆虫识别研究[J]. 中国农机化学报, 2024, 45(7): 222-227.
[8]	张延军, 赵建鑫, . 基于多路神经网络的黄花菜关节点检测算法研究[J]. 中国农机化学报, 2024, 45(7): 228-234.
[9]	王宏轩, 于珍珍, 李海亮, 汪春, 严晓丽, 邹华芬. 基于GA-BP神经网络的鲜食玉米产量预测[J]. 中国农机化学报, 2024, 45(6): 156-162.
[10]	窦文豪, 孙三民, 徐鹏翔. 基于Stacking集成学习的枣树智能灌溉系统设计与试验[J]. 中国农机化学报, 2024, 45(6): 270-276.
[11]	毛恩荣, 王皓洁, 杜岳峰, 朱忠祥, 翟志强, 张丽榕. 大功率拖拉机多工况换挡自适应控制策略[J]. 中国农机化学报, 2024, 45(5): 122-127.
[12]	薛霞, 刘鹏, 周文. 基于改进YOLOv8算法的实时细粒度植物病害检测[J]. 中国农机化学报, 2024, 45(5): 188-194.
[13]	郭宏杰, 马睿, 王佳, 赵威, 马德新. 基于卷积神经网络的苹果叶部病害图像识别研究[J]. 中国农机化学报, 2024, 45(5): 239-245.
[14]	林燕翔, 沈印, 李光林. 基于改进InceptionV3算法的小麦杂质识别研究[J]. 中国农机化学报, 2024, 45(4): 108-116.
[15]	张慧蒙, 何超, 徐嘉雯, 罗鑫, 荣剑, 刘学渊. 基于SCGYOLOv5n的收获期澳洲坚果检测算法[J]. 中国农机化学报, 2024, 45(4): 214-221.

基于 Mask R-CNN的复杂环境下辣椒识别方法研究

Research on pepper recognition method in complex environment based on Mask R-CNN

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价