相关实验视频
Updated: Jun 27, 2026
05:16
Flying Insect Detection and Classification with Inexpensive Sensors
Published on: October 15, 2014
25.2K
基于深度学习的果计数用于收益预测,使用拟议的飞行机器人系统
1Department of Mechatronic Engineering, Erciyes University, Kayseri 38039, Turkey.
Sensors (Basel, Switzerland)
|July 14, 2023
概括
这项研究表明,深度学习模型,特别是Faster Region-CNN (Faster R-CNN) 和单拍多盒检测 (SSD) Mobilenet,可以使用自定义数据集准确地检测和计算果. 更快的R-CNN模型实现了高精度,有助于精确预测果生产者的产量.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 农业技术 农业技术
背景情况:
- 卷积神经网络 (CNN) 深度学习在基于视觉特征的水果检测和分类方面普遍存在.
- 准确的水果产量预测对于生产者建立商业协议至关重要.
研究的目的:
- 评估两个深度学习模型的性能,即单击多盒检测 (SSD) Mobilenet和更快的区域-CNN (更快的R-CNN),用于自主果检测和计数.
- 为了比较这些模型的有效性,当训练在一个定制数据集与预先训练的COCO数据集.
- 通过自动化果园监测,为果种植者提供准确的产量预测.
主要方法:
- 创建了4000个红果图像的自定义数据集,用于培训.
- 使用自定义数据集训练SSD-Mobilenet和Faster R-CNN模型,其学习率在0.015-0.04.之间.
- 开发了一种飞行机器人系统 (FRS),用于在果园中自动检测和计数果.
- 实验性地比较训练模型的性能.
主要成果:
- 无论是SSD-Mobilenet还是Faster R-CNN模型,都实现了高达93%的准确率.
- 更快的R-CNN模型表现出非常成功的检测性能,将损失值降低到0.1.
- 自动检测和计数在一个商业果园中成功实施.
结论:
- 更快的R-CNN和SSD-Mobilenet是有效的深度学习架构,用于自主果检测和产量估计.
- 使用定制数据集的培训显著提高了特定果品种的模型性能.
- 使用这些模型的自动化系统可以为农业生产者提供有价值的工具,以改善产量预测.
