基于深度学习水果检测的研究与改进

摘要：

为实现自然环境下水果自动化采摘存在受环境和障碍物等因素造成的问题,导致目标水果检测准确率不高,泛化性不强等实际问题,以苹果、橘子、香蕉三种水果作为研究对象,提出一种基于深度学习的SSD(Single Shot Detector)改进模型.经典SSD采用多尺度特征融合的方式,从网络不同层抽取不同尺度的特征做预测,但是没有用到足够低层的特征,使得小物体的检测效果较差.通过将经典SSD训练使用的VGG16输入模型替换为ResNet-101,利用特征金字塔网络(FPN)结构将高层特征通过上采样和低层特征做融合.实验表明,改进的SSD300和SSD512水果检测模型的平均检测精度为83.05％和84.24％,经数据增强后精度也有所提升,适合于自然环境下水果的精确检测.

关键词：深度学习、目标检测、SSD模型、ResNet-101模型、特征金字塔网络(FPN)

所属期刊栏目：56

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金;江苏省研究生创新计划项目

在线出版日期：2020-04-01（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：127-133