基于Mask RCNN和自适应值细分的智能类采摘模型的设计
Ziwei Guo1, Yuanwu Shi2, Ibrar Ahmad3
1Hubei University of Technology, Wuhan, China.
PeerJ. Computer science
|March 14, 2024
概括
这项研究引入了一种先进的深度学习模型,用于自动化果收获,在识别水果方面达到95%以上的准确性. 这项创新支持智能农业和智能水果采集的未来.
科学领域:
- 农业技术 农业技术
- 计算机视觉 计算机视觉
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 智能农业越来越依赖于自动化和深度学习以提高效率.
- 计算机视觉和深度学习使实时农业监测,植物生长检测和成熟度评估成为可能.
研究的目的:
- 开发一种使用新型深度学习模型的自动果收获系统.
- 在智能农业中提高类果检测和识别的准确性和效率.
主要方法:
- 开发了一种基于注意力的面具基于区域的卷积神经网络 (ATT-MRCNN) 模型,集成道和空间注意力机制.
- 应用面膜基于区域的卷积神经网络 (面膜R-CNN) 到不同的图像分类.
- 利用转移学习用于模型训练,以提高数据性能和优化效率.
主要成果:
- 在三种感官识别任务中,ATT-MRCNN模型实现了超过95%的识别率.
- 集成的注意力机制显著提高了类图像检测的有效性.
结论:
- 拟议的ATT-MRCNN模型为自动果收获提供了强大的算法支持.
- 这项研究为智能农业中智能收获系统的发展提供了必要的指导.
