果园中的深度水果检测
机器人学
2017-09-19 v2 人工智能
计算机视觉与模式识别
机器学习
摘要
准确且可靠的基于图像的水果检测系统对于支持产量测绘和机器人采摘等更高级别的农业任务至关重要。本文介绍了在果园环境中（包括芒果、杏仁和苹果）使用最先进的物体检测框架 Faster R-CNN 进行水果检测。我们进行了消融实验以更好地理解检测网络的实际部署，包括需要多少训练数据才能捕捉数据集中的变异性。数据增强技术被证明能带来显著的性能提升，使得所需训练图像数量减少了一倍以上。相比之下，在果园之间迁移知识相比于直接从 ImageNet 特征初始化深度卷积神经网络，对性能提升的贡献微乎其微。最后，为了处理每张图像包含 100-1000 个水果的果园数据，我们为 Faster R-CNN 框架引入了一种分块处理方法。该研究实现了迄今为止这些果园相对于以往工作的最佳检测性能，苹果和芒果的 F1 分数达到 >0.9。
引用
@article{arxiv.1610.03677,
title = {Deep Fruit Detection in Orchards},
author = {Suchet Bargoti and James Underwood},
journal= {arXiv preprint arXiv:1610.03677},
year = {2017}
}
备注
Submitted to the IEEE International Conference on Robotics and Automation 2017