面向无约束环境的水果蔬菜检测：新型数据集
计算机视觉与模式识别
2024-09-23 v1
摘要
利用计算机视觉自动化水果蔬菜检测对于现代化农业、提高效率、确保食品质量以及推动技术高新和可持续农业实践至关重要。本文提出了用于检测和定位实际场景中水果蔬菜的端到端管道。为实现此目标，我们策划了一个名为FRUVEG67的数据集，包含67类水果蔬菜的图像，这些图像在无约束场景下拍摄，每个类别仅有少量手动标注样本。我们开发了半监督数据标注算法（SSDA），用于为目标对象生成边界框，以标注剩余未标注的图像。对于检测，我们引入了水果蔬菜检测网络（FVDNet），这是YOLOv7的一个集成版本，包含三个不同的网格配置。我们采用平均方法进行边界框预测，采用投票机制进行类别预测。我们将琴斯-香农散度（JSD）结合焦点损失，以更好地检测较小目标。我们的实验结果表明，FVDNet在检测和定位性能方面优于YOLO的以前版本，取得了显著的改进。我们实现了在所有类别上的0.78的平均精度（mAP）分数。此外，我们在开放类别的冰箱图像上评估了FVDNet的有效性，其中其显示出有前景的结果。
引用
@article{arxiv.2409.13330,
title = {Enhancing Fruit and Vegetable Detection in Unconstrained Environment with a Novel Dataset},
author = {Sandeep Khanna and Chiranjoy Chattopadhyay and Suman Kundu},
journal= {arXiv preprint arXiv:2409.13330},
year = {2024}
}
备注
24 pages, 8 figures, 6 tables, Scientia Horticulturae