面向实用的基于全卷积网络的二维葡萄藤芽体检测
计算机视觉与模式识别
2021-02-08 v2
摘要
在葡萄栽培中，对植株进行视觉检查是测量相关变量的必要任务。在许多情况下，这些视觉检查可通过计算机视觉方法实现自动化。芽体检测即此类视觉任务之一，对测量诸多重要变量至关重要，例如：芽体日照暴露量、自主修剪、芽计数、芽类型分类、芽几何表征、节间长度、芽面积及芽发育阶段等。本文提出一种基于全卷积网络MobileNet架构（FCN-MN）的葡萄藤芽体检测计算机方法。为验证其性能，该架构在检测任务中与一种强芽体检测方法——基于块分类器的扫描窗口（SW）进行比较，在检测的三个方面的改进得以展现：分割、对应识别与定位。FCN-MN最佳版本的检测F1度量达88.6%（真正规定义为与真实芽交并比高于0.5的被检测成分），且假阳性小并靠近真实芽。分裂——与真实芽重叠的假阳性——平均分割精确率为89.3%（21.7），而误报——不与真实芽重叠的假阳性——平均像素面积仅为真实芽面积的8%，且（质心间）距离为1.1个真实芽直径。本文最后讨论了FCN-MN的这些结果将如何对芽数、芽面积和节间长度等芽变量的测量产生足够准确的结果，表明其在实际部署中具有良好的性能。
引用
@article{arxiv.2008.11872,
title = {Towards Practical 2D Grapevine Bud Detection with Fully Convolutional Networks},
author = {Wenceslao Villegas Marset and Diego Sebastián Pérez and Carlos Ariel Díaz and Facundo Bromberg},
journal= {arXiv preprint arXiv:2008.11872},
year = {2021}
}
备注
Revised version submitted to Journal of Computers and Electronics in Agriculture November 13, 2020