20230302基于FPN与Faster RCNN的果园山核桃果实自动检测

尽管机器人采摘视觉系统的开发得到了广泛应用，但在光线和环境复杂的果园中，尤其是对于水果颜色与背景相似的环境下，水果检测非常具有挑战性。近年来，基于机器视觉的山核桃果实检测与定位研究较少。该研究提出了一种准确有效的基于机器视觉的自然环境下果园中山核桃果实检测方法。为了解决光照问题，首先利用光补偿算法处理采集的样本，然后利用特征金字塔网络（FPN）建立改进的快速区域卷积神经网络（Faster RCNN）来训练样本。最后，提出了一种山核桃簇类计数方法。共测试了241张山核桃图像，并进行了对比实验。与没有不均匀光照校正（UIC）的结果相比，所提出的检测方法的平均精度（mAP）为95.932%，提高了0.849%，而单镜头检测器（SSD）+FPN的mAP为92.991%。此外，使用所提出方法计算聚类数量，与实际聚类相比，准确率为93.539%。结果表明，所提出网络在不同光照和各种非结构化环境下对山核桃果实检测具有良好鲁棒性，实验结果对机器人采摘视觉系统应用具有很大潜力。