李佳俊 朱子峰 劉洪鑫 蘇昱榮 溫傳聞 張?jiān)? 張慧敏 鄧立苗

摘要：針對(duì)Faster R-CNN模型對(duì)自然狀態(tài)下草莓（Fragaria ananassa Duch.）識(shí)別準(zhǔn)確率不高的問題，以地壟種植草莓的實(shí)拍圖片為數(shù)據(jù)源，采用改進(jìn)RPN結(jié)構(gòu)和更換主干特征提取網(wǎng)絡(luò)的方法對(duì)Faster R-CNN模型進(jìn)行了改進(jìn)。結(jié)果表明，改進(jìn)Faster R-CNN模型識(shí)別成熟草莓平均精度（AP）為0.893 0，識(shí)別未成熟草莓平均精度（AP）為0.820 7，草莓識(shí)別準(zhǔn)確率達(dá)到較高水平，解決了未成熟草莓識(shí)別困難的問題。同時(shí)，為了檢驗(yàn)?zāi)Ｐ偷淖詣?dòng)計(jì)數(shù)性能，依據(jù)模型的識(shí)別結(jié)果建立了自動(dòng)計(jì)數(shù)與人工計(jì)數(shù)的線性回歸，成熟草莓、未成熟草莓的相關(guān)系數(shù)分別為0.973 7、0.944 7，自動(dòng)計(jì)數(shù)與人工計(jì)數(shù)擁有較高的相關(guān)性，表明改進(jìn)Faster R-CNN模型具有較高的識(shí)別性能與計(jì)數(shù)能力。

關(guān)鍵詞：草莓（Fragaria ananassa Duch.）；識(shí)別；Faster R-CNN模型；ResNet50

中圖分類號(hào)：S24 ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：0439-8114（2023）11-0183-08

DOI：10.14088/j.cnki.issn0439-8114.2023.11.032 開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：

Strawberry fruit recognition algorithm based on improved Faster R-CNN model

LI Jia-jun， ZHU Zi-feng， LIU Hong-xin， SU Yu-rong， WEN Chuan-wen，

ZHANG Yuan-sheng， ZHANG Hui-min， DENG Li-miao

（School of Science and Information， Qingdao Agricultural University， Qingdao ?266109， Shandong，China）

Abstract： In response to the problem of low recognition accuracy of the Faster R-CNN model for natural strawberries （Fragaria ananassa Duch.）， the Faster R-CNN model was improved by improving the RPN structure and replacing the backbone feature extraction network using live images of strawberries planted on ridges as the data source.The results showed that the improved Faster R-CNN model had an average precision （AP） of 0.893 0 when identifying mature strawberries and 0.820 7 when identifying immature strawberries. The accuracy of strawberry recognition reached a high level， solving the problem of difficulty in identifying immature strawberries.Meanwhile， in order to test the automatic counting performance of the model， a linear regression between automatic counting and manual counting was established based on the recognition results of the model. The correlation coefficients of mature and immature strawberries were 0.973 7 and 0.944 7， respectively. The high correlation between automatic counting and manual counting indicated that the improved Faster R-CNN model had high recognition performance and counting ability.

Key words：strawberry （Fragaria ananassa Duch.）； identification；Faster R-CNN model； ResNet50

隨著草莓（Fragaria ananassa Duch.）在中國種植面積的逐漸擴(kuò)大，截至2018年，中國草莓種植面積為11.11萬hm2，總產(chǎn)量為296.43萬t［1］。草莓種植從業(yè)人員老齡化問題日益凸顯，加之草莓種植產(chǎn)業(yè)屬于勞動(dòng)密集型的高投入高產(chǎn)出農(nóng)業(yè)［2］，致使在每年草莓收獲的季節(jié)都會(huì)出現(xiàn)采摘?jiǎng)趧?dòng)力不足的情況，間接導(dǎo)致勞動(dòng)成本增高。草莓種植產(chǎn)業(yè)亟需引入自動(dòng)化采摘系統(tǒng)，以提高采摘效率［3］，減緩對(duì)人工采摘的依賴，降低采摘成本。對(duì)草莓進(jìn)行準(zhǔn)確的定位識(shí)別是實(shí)現(xiàn)自動(dòng)化采摘的前提與關(guān)鍵，而對(duì)生長期草莓的精準(zhǔn)計(jì)數(shù)是進(jìn)行估產(chǎn)的關(guān)鍵。

近年來，隨著計(jì)算機(jī)相關(guān)算法和硬件的不斷發(fā)展，圖像分類［4］和目標(biāo)檢測等機(jī)器視覺技術(shù)在各種深度學(xué)習(xí)算法的推動(dòng)下得到了迅猛進(jìn)步，并應(yīng)用于果蔬［5-8］的識(shí)別和目標(biāo)檢測。胡慶勝等［9］研究了基于機(jī)器視覺的果蔬識(shí)別方法，該方法利用Mask R-CNN神經(jīng)網(wǎng)絡(luò)框架對(duì)果蔬目標(biāo)進(jìn)行識(shí)別提取，解決了復(fù)雜環(huán)境下果蔬目標(biāo)不能很好識(shí)別的問題，其中對(duì)于草莓的識(shí)別率達(dá)93.4%，但是使用的數(shù)據(jù)集較少，導(dǎo)致訓(xùn)練出來的神經(jīng)網(wǎng)絡(luò)場景較少，同時(shí)研究中并沒有提及識(shí)別草莓過程中是否區(qū)分成熟草莓與未成熟草莓。針對(duì)自然狀態(tài)下草莓果實(shí)枝葉遮擋率較高，識(shí)別準(zhǔn)確率較低等問題，閆勇等［10］提出了Lab色彩模型下梯度Hough圓變換的成熟草莓識(shí)別方法，該方法具有較強(qiáng)的穩(wěn)定性和精確性，在光線較差的環(huán)境下，依然能獲得較低的偏差，但是當(dāng)拍攝距離較遠(yuǎn)或者草莓形狀較圓時(shí)，識(shí)別性能就會(huì)下降，同時(shí)研究中的方法只能識(shí)別成熟草莓，對(duì)于未成熟草莓的識(shí)別并沒有進(jìn)行描述。劉小剛等［11］改進(jìn)了YOLOv3識(shí)別方法，在復(fù)雜環(huán)境下對(duì)草莓進(jìn)行連續(xù)識(shí)別檢測，成熟草莓與未成熟草莓的平均精度均值（mAP）為0.875 1，但是并沒有對(duì)模型的草莓計(jì)數(shù)能力進(jìn)行研究。綜上，對(duì)草莓的識(shí)別研究均具有一定的局限性，例如識(shí)別場景簡單、只針對(duì)成熟草莓識(shí)別等，為了讓草莓識(shí)別技術(shù)可以真正落地并投入到實(shí)際生產(chǎn)中，要求模型可以在真實(shí)的草莓種植基地環(huán)境下進(jìn)行識(shí)別，為此優(yōu)化現(xiàn)有的識(shí)別模型，使其可以在草莓識(shí)別上發(fā)揮更好的效果。

1 數(shù)據(jù)集的建立與方法

1.1 數(shù)據(jù)集的建立

1.1.1 圖像采集 試驗(yàn)地點(diǎn)為山東省青島市即墨區(qū)環(huán)秀街道辦事處西馴虎山有機(jī)草莓種植基地，大棚地壟式種植。實(shí)地采集草莓圖像2 757張，如圖1所示。圖像中成熟草莓為鮮艷的紅色，未成熟草莓為綠色或是粉色；背景中葉片為淺綠色或深綠色；薄膜為暗灰色；部分圖像背景中存在暴露的土壤，為棕紅色。

1.1.2 數(shù)據(jù)集劃分 將拍攝所得的2 757張圖片隨機(jī)均勻地劃分為6組，每組圖像按照圖片中草莓的個(gè)數(shù)再分為2個(gè)數(shù)據(jù)集，其中圖像中草莓?dāng)?shù)量≤4個(gè)的數(shù)據(jù)集標(biāo)注為稀疏數(shù)據(jù)集，圖像中草莓?dāng)?shù)量≥5個(gè)的數(shù)據(jù)集標(biāo)注為密集數(shù)據(jù)集，數(shù)據(jù)集劃分結(jié)果如表1所示，共產(chǎn)生12個(gè)數(shù)據(jù)集，分別用于不同的試驗(yàn)情境。

1.1.3 數(shù)據(jù)標(biāo)注 將采集的2 757張圖片壓縮至較小且相同的分辨率，方便后期導(dǎo)入模型進(jìn)行訓(xùn)練，同時(shí)利用標(biāo)注軟件對(duì)所有圖像進(jìn)行標(biāo)注，標(biāo)簽分為成熟草莓和未成熟草莓，同一張圖像上可以同時(shí)存在2種標(biāo)簽，采用POSCAL VOC2007數(shù)據(jù)集分析［12］。

1.2 方法

1.2.1 改進(jìn)Faster R-CNN模型 改進(jìn)Faster R-CNN模型整體結(jié)構(gòu)如圖2所示，共享基礎(chǔ)卷積層（Conv1至Conv4）是由VGG16或ResNet101［13］等主干特征提取網(wǎng)絡(luò)組成，用于提取整張草莓圖片的特征，在去除全連接層且保留卷積層后輸出采樣后的特征圖像［14］。特征圖像分別輸入改進(jìn)的候選檢測框生成網(wǎng)絡(luò)（RPN）和ROIPooling，ROIPooling與分類網(wǎng)絡(luò)（Softmax和bbox_pred）對(duì)RPN產(chǎn)生的候選檢測框進(jìn)行分類，并且第二次調(diào)整候選框坐標(biāo)，最后輸出檢測結(jié)果［15，16］。

1.2.2 RPN網(wǎng)絡(luò)優(yōu)化 Faster R-CNN模型［17］的RPN要用1個(gè)3×3的slide window去遍歷整個(gè)feature map，在遍歷過程中，如圖3所示，每個(gè)windows中心點(diǎn)按照1∶2、1∶1、2∶1的基礎(chǔ)框比例生成anchor boxes，3個(gè)基礎(chǔ)框的面積分別為128×128、256×256、512×512［18］，在檢測較小的草莓時(shí)，由于3個(gè)基礎(chǔ)框的面積較大，很難匹配較小的草莓，導(dǎo)致Faster R-CNN模型在識(shí)別較小的草莓時(shí)識(shí)別效果較差。

考慮到在通常情況下會(huì)出現(xiàn)一些未開始發(fā)育的草莓，這些草莓較普通草莓更小，所以適當(dāng)調(diào)小基礎(chǔ)框面積的下限有利于對(duì)未發(fā)育草莓的識(shí)別，但是在原結(jié)構(gòu)中，3個(gè)基礎(chǔ)框的最小框已經(jīng)很小，故在調(diào)節(jié)時(shí)不需要進(jìn)行大幅度的調(diào)節(jié)，將3個(gè)基框的面積改為112×112、256×256、512×512可以提高對(duì)體積較小草莓的識(shí)別效果。

在Faster R-CNN模型的RPN結(jié)構(gòu)中，存在1個(gè)3×3的slide window，但是草莓果實(shí)大小不一，只有1種規(guī)格的滑動(dòng)窗口會(huì)降低模型對(duì)草莓的識(shí)別能力，所以在原RPN的基礎(chǔ)上，增加1×1和5×5 2種規(guī)格的slide window，擴(kuò)大其感受野，提高草莓識(shí)別性能，得到圖4所示的改進(jìn)后RPN結(jié)構(gòu)。

1.2.3 模型訓(xùn)練 在模型測試時(shí)發(fā)現(xiàn)識(shí)別過程中識(shí)別框重疊概率較小，經(jīng)過多次微調(diào)試驗(yàn)，將nms_thresh參數(shù)由0.7調(diào)至0.8，圖像中更多的草莓可以被檢測到。訓(xùn)練迭代次數(shù)為10 000次，為了讓模型在損失曲線收斂時(shí)震蕩范圍更小，提高訓(xùn)練性能，在模型即將完成訓(xùn)練時(shí)減小其學(xué)習(xí)率，因此設(shè)置學(xué)習(xí)率為0.001［19］，在完成7 500次迭代后學(xué)習(xí)率降低。

訓(xùn)練設(shè)備為1080Ti顯卡［20］，操作系統(tǒng)為Windows10，環(huán)境為PyThon3.5，Tensorflow1.3.0，訓(xùn)練數(shù)據(jù)通過PyThon的wandb庫傳送到wandb云端平臺(tái)進(jìn)行損失曲線可視化。

1.2.4 評(píng)價(jià)指標(biāo) 采用精度（Precision）、召回率（Recall）、F1、mF1、AP和mAP等作為衡量模型性能的指標(biāo)［21，22］。各指標(biāo)參數(shù)的計(jì)算公式如下：

[Precision=TPTP+FP] ? ? ? ? ? ? ? ? （1）

[Recall=TPTP+FN] ? ? ? ? ? ? ? ? ? （2）

[F1=2×Precisionk×RecallkPrecisionk+Recallk] ? ? ? （3）

[mF1=1n2×Precisionk×RecallkPrecisionk+Recallk2] ? ? ? （4）

[AP=01Precision×dRecall] ? ? ? ?（5）

[mAP=1nAP] ? ? ? ? ? ? ? ? ? （6）

式中，k為圖片標(biāo)號(hào)；n為標(biāo)簽種類數(shù)；Precision為預(yù)測值為真且真實(shí)值也為真的樣本在預(yù)測值為真的所有樣本中所占的比例；Recall為預(yù)測值為真且真實(shí)值也為真的樣本在真實(shí)值為真的所有樣本中所占的比例；TP為實(shí)際為真，模型預(yù)測也為真的識(shí)別實(shí)例數(shù)量；FP為實(shí)際為假，模型預(yù)測為真的識(shí)別實(shí)例數(shù)量；FN為實(shí)際為真，模型預(yù)測為假的識(shí)別實(shí)例數(shù)量；F1為模型準(zhǔn)確率和召回率的加權(quán)平均；mF1為所有類別F1的均值；AP為平均精度；mAP為所有類別AP的均值，用于衡量模型在所有類別上的好壞。

2 結(jié)果與分析

2.1 不同主干特征提取網(wǎng)絡(luò)下的檢測性能

采用不同的圖像主干特征提取網(wǎng)絡(luò)（VGG16、VGG19、ResNet50、ResNet101）對(duì)草莓圖像進(jìn)行目標(biāo)檢測［23］，所有模型在完成10 000次訓(xùn)練后，對(duì)其損失曲線和PR曲線進(jìn)行分析，綜合判斷并找到最適合對(duì)草莓進(jìn)行目標(biāo)檢測的主干特征提取網(wǎng)絡(luò)。

損失率［24］是實(shí)際值與期望值之差，損失率越小，模型的魯棒性越好。經(jīng)過10 000次訓(xùn)練后，4個(gè)模型都出現(xiàn)了收斂的趨勢，經(jīng)過滑動(dòng)平均（Exponential moving average）處理后，得到圖5所示的曲線。在前2 000次迭代中4個(gè)模型的損失率逐漸減小，在迭代2 000次左右時(shí)4個(gè)模型的損失曲線波動(dòng)幅度均趨于緩和，在8 000次迭代后4個(gè)模型的損失率均低于0.5%，4個(gè)模型的損失曲線趨于平緩［25］。相比VGG16和VGG19，ResNet50和ResNet101在8 000次訓(xùn)練后損失曲線波動(dòng)較小，更平穩(wěn)。

在相同模型下，2類草莓的識(shí)別效果不同，在數(shù)據(jù)集中抽取2 077張圖片組成測試集進(jìn)行測試，分別對(duì)4種主干特征提取網(wǎng)絡(luò)下成熟草莓和未成熟草莓的PR曲線進(jìn)行分析，如圖6所示。對(duì)成熟草莓而言，在相同Recall下各主干特征提取網(wǎng)絡(luò)的PR曲線Precision差異較小，ResNet50較高；未成熟草莓中各主干特征提取網(wǎng)絡(luò)的PR曲線差異較大，相同Recall下，ResNet50的Precision較其他3個(gè)模型更有優(yōu)勢，在相同的Precision下，ResNet50的Recall也更高。

在數(shù)據(jù)集中選取3張具有代表性的圖片，分別使用不同主干特征提取網(wǎng)絡(luò)的Faster R-CNN模型進(jìn)行識(shí)別，由圖7可知，VGG16、VGG19、ResNet50、ResNet101 4種模型對(duì)2號(hào)至6號(hào)草莓的識(shí)別效果差距較小，都表現(xiàn)出較高的識(shí)別率。1號(hào)、7號(hào)、8號(hào)為未成熟草莓，不僅體積非常小而且其葉片遮擋住了果實(shí)，4種模型對(duì)其識(shí)別效果都有所下降，且下降的程度不同，因此選取有葉片遮擋、體積小、未成熟的草莓圖片進(jìn)一步測試。

圖8中只有ResNet50識(shí)別出了被葉片遮擋的未成熟草莓（1號(hào)），圖9中只有ResNet101和ResNet50識(shí)別出殘缺、體積很小的未成熟草莓（5號(hào)），因此選用ResNet50作為模型的特征提取網(wǎng)絡(luò)［26］。

2.2 模型性能評(píng)價(jià)

Faster R-CNN模型和改進(jìn)Faster R-CNN模型的主干特征提取網(wǎng)絡(luò)均采用ResNet50，對(duì)比Faster R-CNN模型和改進(jìn)Faster R-CNN模型的各類指標(biāo)，評(píng)價(jià)模型的檢測性能。由圖10可知，改進(jìn)Faster R-CNN模型曲線在Faster R-CNN模型曲線上方，說明在對(duì)未成熟草莓的識(shí)別上改進(jìn)Faster R-CNN模型識(shí)別效果更好，而在成熟草莓的PR曲線對(duì)比中，2個(gè)模型識(shí)別效果差異不明顯。

由表2可知，改進(jìn)Faster R-CNN模型成熟草莓、未成熟草莓的AP分別比Faster R-CNN模型高0.004 7、0.036 5，改進(jìn)Faster R-CNN模型成熟草莓、未成熟草莓的F1分別比Faster R-CNN模型高0.016 7、0.031 3。

2.3 不同分布密度下的檢測性能

在實(shí)地拍攝的草莓圖像中，草莓?dāng)?shù)量有多有少，為了檢測使用ResNet50為主干特征提取網(wǎng)絡(luò)的改進(jìn)Faster R-CNN模型對(duì)含有不同草莓?dāng)?shù)量圖像的檢測性能，將原來測試集中草莓?dāng)?shù)量≤4個(gè)的圖像設(shè)置為稀疏草莓?dāng)?shù)據(jù)集，將草莓?dāng)?shù)量≥5個(gè)的圖像設(shè)為密集草莓?dāng)?shù)據(jù)集，采用AP、Precision和Recall評(píng)估2個(gè)數(shù)據(jù)集，檢測結(jié)果如表3所示。

稀疏草莓?dāng)?shù)據(jù)集中未成熟草莓和成熟草莓的AP均高于密集草莓?dāng)?shù)據(jù)集，稀疏草莓?dāng)?shù)據(jù)集中成熟草莓的AP高達(dá)0.902 8；稀疏草莓?dāng)?shù)據(jù)集中成熟草莓的Precision高于密集草莓?dāng)?shù)據(jù)集，為0.934 7；稀疏草莓?dāng)?shù)據(jù)集中未成熟草莓和成熟草莓的Recall均高于密集草莓?dāng)?shù)據(jù)集；密集草莓?dāng)?shù)據(jù)集中未成熟草莓的Precision和Precision均值均高于稀疏草莓?dāng)?shù)據(jù)集。綜上，稀疏草莓?dāng)?shù)據(jù)集在AP和Recall上表現(xiàn)較好，密集草莓?dāng)?shù)據(jù)集在Precision上對(duì)未成熟草莓的識(shí)別效果較優(yōu)，所以總體上改進(jìn)Faster R-CNN模型在識(shí)別≤4個(gè)草莓圖像時(shí)的檢測性能更好。

2.4 模型的計(jì)數(shù)性能

對(duì)12個(gè)數(shù)據(jù)集的草莓分別進(jìn)行人工計(jì)數(shù)和改進(jìn)Faster R-CNN模型自動(dòng)計(jì)數(shù)。由圖11可知，成熟草莓的人工計(jì)數(shù)與自動(dòng)計(jì)數(shù)差別較小，而未成熟草莓的自動(dòng)計(jì)數(shù)數(shù)值普遍高于人工計(jì)數(shù)，說明在未成熟草莓的計(jì)數(shù)方面存在高估現(xiàn)象。根據(jù)線性回歸分析，成熟草莓的相關(guān)系數(shù)為0.973 7，與最理想的1∶1標(biāo)準(zhǔn)線非常接近，說明成熟草莓的計(jì)數(shù)效果較好。

3 討論

3.1 模型架構(gòu)

本研究通過改進(jìn)Faster R-CNN模型中的RPN結(jié)構(gòu)和多次試驗(yàn)測定出最適合草莓識(shí)別的主干特征提取網(wǎng)絡(luò)，構(gòu)建了適用于草莓識(shí)別的模型。該模型RPN在原RPN結(jié)構(gòu)中3×3的卷積窗口上增加了1×1和5×5 2個(gè)滑動(dòng)窗口，擴(kuò)大其感受野，提高識(shí)別性能。同時(shí)，根據(jù)數(shù)據(jù)集的圖像共有特征改進(jìn)模型中的基礎(chǔ)框面積，對(duì)圖中較大草莓的識(shí)別并不會(huì)有較大影響。經(jīng)過試驗(yàn)對(duì)比發(fā)現(xiàn)，將基礎(chǔ)框調(diào)小至112×112可以獲得較好的識(shí)別效果，李林升等［27］對(duì)蘋果的檢測和Li等［28］對(duì)粉虱和薊馬的檢測中同樣也對(duì)基礎(chǔ)框的大小進(jìn)行了調(diào)整，識(shí)別效果均得到顯著提升，但是由于與本研究數(shù)據(jù)集不同，暫時(shí)無法比較2個(gè)模型的性能。

3.2 未成熟草莓的識(shí)別與計(jì)數(shù)問題

由于未成熟草莓顏色淺且與葉片顏色相似，未成熟草莓的識(shí)別難度較大。Sengupta等［29］研究水果識(shí)別模型中遮擋、形狀不規(guī)則和光照多變等問題，與本研究未成熟草莓的識(shí)別問題相似，都存在干擾模型識(shí)別的因素，導(dǎo)致無法得到較好的識(shí)別結(jié)果。成熟草莓的體積相對(duì)固定，未成熟草莓處于發(fā)育期，個(gè)體間體積差異較大，還包括未發(fā)育完全的帶有花托的小草莓，這些未成熟草莓對(duì)模型的識(shí)別率均會(huì)產(chǎn)生影響，趙輝等［30］基于果園復(fù)雜環(huán)境對(duì)YOLOv3模型進(jìn)行了改進(jìn)，改進(jìn)的YOLOv3模型顯著提升了對(duì)體積小、未成熟蘋果果實(shí)的識(shí)別率。

未成熟草莓果實(shí)及其枝葉的顏色雖然相似，但是也存在差異。未成熟草莓的顏色為淺綠色，枝葉為深綠色，且未成熟草莓果實(shí)形狀同樣與其枝葉形狀有較大差異，因此可以通過提高訓(xùn)練次數(shù)擴(kuò)大未成熟草莓與枝葉之間的差異來達(dá)到提升識(shí)別準(zhǔn)確率的目的。本研究基于上述未成熟草莓的特點(diǎn)做出改進(jìn)，通過改進(jìn)3種基礎(chǔ)框的最小框面積來提高對(duì)成熟草莓和未成熟草莓的檢測性能。

4 結(jié)論

為了實(shí)現(xiàn)草莓的自動(dòng)識(shí)別與計(jì)數(shù)功能，本研究改進(jìn)了原有的Faster R-CNN模型，建立了適用于草莓識(shí)別的模型。針對(duì)草莓圖像特征改進(jìn)了模型的RPN結(jié)構(gòu)和3種基礎(chǔ)框面積，提升了對(duì)成熟草莓和未成熟草莓的檢測性能。通過對(duì)VGG16、ResNet50、VGG19和ResNet101 4種主干特征提取網(wǎng)絡(luò)下模型識(shí)別效果的分析，選擇了效果相對(duì)較好的ResNet50。在ResNet50中成熟草莓的AP為0.893 0，未成熟草莓的AP為0.820 7，mAP為0.856 9，改進(jìn)Faster R-CNN模型的識(shí)別效果較Faster R-CNN模型有了較大的提高。在計(jì)數(shù)方面，建立了人工計(jì)數(shù)和自動(dòng)計(jì)數(shù)的線性回歸方程， 成熟草莓和未成熟草莓的相關(guān)系數(shù)分別達(dá)0.973 7和0.944 7。本研究中改進(jìn)Faster R-CNN模型展現(xiàn)了較好的檢測性能與計(jì)數(shù)能力，可為草莓自動(dòng)化采摘和估產(chǎn)提供理論基礎(chǔ)與技術(shù)支撐。

參考文獻(xiàn)：

［1］ 王鳴謙，薛 莉，趙 珺，等. 世界草莓生產(chǎn)及貿(mào)易現(xiàn)狀［J］. 中國果樹，2021（2）：104-108.

［2］ 肖逸塵，楊 涵.南京草莓產(chǎn)業(yè)SWOT分析及發(fā)展策略［J］.中國林業(yè)經(jīng)濟(jì)，2021（5）：74-77.

［3］ 王糧局，張立博，段運(yùn)紅，等. 基于視覺伺服的草莓采摘機(jī)器人果實(shí)定位方法［J］. 農(nóng)業(yè)工程學(xué)報(bào)，2015，31（22）：25-31.

［4］ 林相澤，張俊媛，朱賽華，等.基于K-SVD和正交匹配追蹤稀疏表示的稻飛虱圖像分類方法［J］.農(nóng)業(yè)工程學(xué)報(bào)，2019，35（19）：216-222.

［5］ 王丹丹，何東健.基于R-FCN深度卷積神經(jīng)網(wǎng)絡(luò)的機(jī)器人疏果前蘋果目標(biāo)的識(shí)別［J］.農(nóng)業(yè)工程學(xué)報(bào)，2019，35（3）：156-163.

［6］ OLANIYI E O， OYEDOTUN O K， ADNAN K.Intelligent grading system for banana fruit using neural network arbitration：Intelligent grading system for banana fruit［J］. Journal of food process engineering， 2017， 40（1）：e12335.

［7］ 謝忠紅，徐煥良，黃秋桂，等.基于高光譜圖像和深度學(xué)習(xí)的菠菜新鮮度檢測［J］.農(nóng)業(yè)工程學(xué)報(bào)，2019，35（13）：277-284.

［8］ JUNCHENG M， KEMING D， FEIXIANG Z， et al. A recognition method for cucumber diseases using leaf symptom images based on deep convolutional neural network［J］. Computers and electronics in agriculture， 2018， 154：18-24.

［9］ 胡慶勝，符亞云，牛金星.采摘機(jī)器人視覺系統(tǒng)的目標(biāo)識(shí)別提取研究［J］.河南科技，2020，39（25）：5-8.

［10］ 閆 勇，陳立夫，郭坤坤，等.Lab色彩模型下梯度Hough圓變換的成熟草莓識(shí)別［J］.安徽農(nóng)業(yè)大學(xué)學(xué)報(bào)，2020，47（3）：488-493.

［11］ 劉小剛，范 誠，李加念，等.基于卷積神經(jīng)網(wǎng)絡(luò)的草莓識(shí)別方法［J］.農(nóng)業(yè)機(jī)械學(xué)報(bào)，2020，51（2）：237-244.

［12］ 任 會(huì)，朱洪前.基于深度學(xué)習(xí)的目標(biāo)橘子識(shí)別方法研究［J］.計(jì)算機(jī)時(shí)代，2021（1）：57-60，64.

［13］ WANG T T， XU L， LI J B. Sdcrkl-gp： Scalable deep convolutional random kernel learning in gaussian process for image recognition［J］.Neurocomputing， 2021， 456：288-298.

［14］ 席 芮，姜 凱，張萬枝，等.基于改進(jìn)Faster R-CNN的馬鈴薯芽眼識(shí)別方法［J］.農(nóng)業(yè)機(jī)械學(xué)報(bào)，2020，51（4）：216-223.

［15］ 張 磊，姜軍生，李昕昱，等.基于快速卷積神經(jīng)網(wǎng)絡(luò)的果園果實(shí)檢測試驗(yàn)研究［J］.中國農(nóng)機(jī)化學(xué)報(bào)，2020，41（10）：183-190，210.

［16］ ZHONG Z， JIN L，HUANG S.A new approach for text proposal generation and text detection in natural images［A］.Ieee international conference on acoustics， speech and signal processing（ICASSP）［C］.New Orleans，LA，USA：IEEE，2017.1208-1212.

［17］ HE K M，ZHANG X Y，REN S Q，et al. Deep residual learning for image recognition［A］. Ieee conference on computer vision and pattern recognition［C］.Las Vegas，NV，USA：IEEE，2016.770-778.

［18］ REN S Q， HE KM， GIRSHICK， R， et al. Faster R-CCC： Towards real-time object detection with region proposal networks［J］. Ieee transactions on pattern analysis and machine intelligence，2017，39（6）：1137-1149.

［19］ 張文靜，趙性祥，丁睿柔，等.基于Faster R-CNN算法的番茄識(shí)別檢測方法［J］.山東農(nóng)業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版），2021，52（4）：624-630.

［20］ 岳有軍，孫碧玉，王紅君，等.基于級(jí)聯(lián)卷積神經(jīng)網(wǎng)絡(luò)的番茄果實(shí)目標(biāo)檢測［J］.科學(xué)技術(shù)與工程，2021，21（6）：2387-2391.

［21］ 陳怡佳. 基于Faster RCNN的目標(biāo)檢測系統(tǒng)［D］. 哈爾濱：哈爾濱理工大學(xué)，2019.

［22］ 荊偉斌，李存軍，競 霞，等.基于深度學(xué)習(xí)的蘋果樹側(cè)視圖果實(shí)識(shí)別［J］.中國農(nóng)業(yè)信息，2019，31（5）：75-83.

［23］ 閆建偉，趙 源，張樂偉，等.改進(jìn)Faster-RCNN自然環(huán)境下識(shí)別刺梨果實(shí)［J］.農(nóng)業(yè)工程學(xué)報(bào)，2019，35（18）：143-150.

［24］ 倪建功，李 娟，鄧立苗，等.基于知識(shí)蒸餾的胡蘿卜外觀品質(zhì)等級(jí)智能檢測［J］.農(nóng)業(yè)工程學(xué)報(bào)，2020，36（18）：181-187.

［25］ 成 偉，張文愛，馮青春，等.基于改進(jìn)YOLOv3的溫室番茄果實(shí)識(shí)別估產(chǎn)方法［J］.中國農(nóng)機(jī)化學(xué)報(bào)，2021，42（4）：176-182.

［26］ 彭明霞，夏俊芳，彭 輝. 融合FPN的Faster R-CNN復(fù)雜背景下棉田雜草高效識(shí)別方法［J］. 農(nóng)業(yè)工程學(xué)報(bào)，2019，35（20）：202-209.

［27］ 李林升，曾平平.改進(jìn)深度學(xué)習(xí)框架Faster-RCNN的蘋果目標(biāo)檢測［J］.機(jī)械設(shè)計(jì)與研究，2019，35（5）：24-27.

［28］ LI W Y，WANG D J，LI M，et al. Field detection of tiny pests from sticky trap images using deep learning in agricultural greenhouse［J］. Computers and electronics in agriculture，2021，183： 106048.

［29］ SENGUPTA S， LEE W S. Identification and determination of the number of immature green citrus fruit in a canopy under different ambient light conditions［J］. Biosystems engineering， 2014， 117： 51-61.

［30］ 趙 輝，喬艷軍，王紅君，等.基于改進(jìn)YOLOv3的果園復(fù)雜環(huán)境下蘋果果實(shí)識(shí)別［J］.農(nóng)業(yè)工程學(xué)報(bào)，2021，37（16）：127-135.