DeepApple：基于抑制 Mask R-CNN 的深度学习方法用于苹果检测
计算机视觉与模式识别
2020-10-21 v1 机器学习
摘要
由于劳动力日益短缺且成本上升，机器人苹果采摘在过去几年中受到大量研究关注。实现自动化采摘的一项关键使能技术是准确且鲁棒的苹果检测，由于果园环境复杂（涉及多变光照条件与枝叶遮挡），这带来了巨大挑战。本通讯报道了一种名为 DeepApple 的新型基于深度学习的苹果检测框架的开发。具体而言，我们首先使用彩色相机在不同光照条件（晴天与阴天、正面光与背光）下，采集了针对 'Gala' 与 'Blondee' 苹果的综合性果园数据集。随后我们开发了一种用于苹果检测的 novel 抑制 Mask R-CNN，其中在标准 Mask R-CNN 上增加了一个抑制分支，以抑制原网络生成的非苹果特征。我们进行了综合评估，结果表明所开发的抑制 Mask R-CNN 网络优于最先进模型，在标准台式计算机上取得了 0.905 的更高 F1-score 与每帧 0.25 秒的检测时间。
引用
@article{arxiv.2010.09870,
title = {DeepApple: Deep Learning-based Apple Detection using a Suppression Mask R-CNN},
author = {Pengyu Chu and Zhaojian Li and Kyle Lammers and Renfu Lu and Xiaoming Liu},
journal= {arXiv preprint arXiv:2010.09870},
year = {2020}
}