多尺度果识别方法基于改进的CenterNet
1College of Mechanical and Electrical Engineering, Hainan Vocational University of Science and Technology, Haikou, 571126, Hainan, China.
Heliyon
|April 18, 2024
概括
这项研究引入了一个快速的CenterNet果识别方法,以改善复杂环境中的果采摘机器人的实时检测. 增强的YoloV5模型实现了高精度,即使在黑暗或封闭的条件下也具有挑战性.
科学领域:
- 机器人技术 机器人技术 机器人技术
- 计算机视觉 计算机视觉
- 农业技术 农业技术
背景情况:
- 传统的果采摘机器人在复杂的农业环境中难以实时检测果.
- 准确的水果识别对于高效的自动收获至关重要.
研究的目的:
- 开发一种高效准确的果识别方法,用于密集的场景,增强机器人收获能力.
- 改进在具有挑战性的环境中对多个果目标的实时检测.
主要方法:
- 提出了一个快速的CenterNet果识别方法,利用resnet-44完全卷积网络,兴趣区域网络 (RPN) 和兴趣区域 (ROI).
- 改进的YoloV5网络模型被用于实验验证.
主要成果:
- 改进的YoloV5模型在夜间条件下实现了94.1%和95.8%的高识别精度.
- 该方法证明了对封闭和暗光特征的改进识别,在实际数据集上显示了更高的稳定性.
结论:
- 拟议的CenterNet方法,特别是改进的YoloV5模型,显著提高了机器人应用程序的果检测效率和准确性.
- 开发的模型在复杂,低光和封闭的场景中强大而有效,为更先进的自动收获铺平了道路.
