基于改進(jìn)SSD輕量化神經(jīng)網(wǎng)絡(luò)的番茄疏花疏果農(nóng)事識別方法

陳新 伍萍輝 祖紹穎 徐丹 張?jiān)弃Q 董靜

摘 要：設(shè)施番茄疏花疏果工作多依賴于人工，針對人工逐一判斷、工作量大、移動設(shè)備實(shí)時性要求高等問題，通過卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行番茄部分生長參數(shù)識別，并結(jié)合農(nóng)事操作經(jīng)驗(yàn)進(jìn)行應(yīng)用討論。在卷積神經(jīng)網(wǎng)絡(luò)SSD算法中引入輕量化模塊MobileNetV3，提出了基于SSD-MobileNetV3模型的番茄花和果實(shí)的識別分析方法。與傳統(tǒng)方法相比，一定程度上克服了重疊及遮擋、光照條件變化、亮度不均等干擾因素的影響。在串開花數(shù)、串結(jié)果數(shù)等生長參數(shù)識別基礎(chǔ)上，結(jié)合疏花疏果工作進(jìn)行討論。結(jié)果表明，試驗(yàn)?zāi)Ｐ蛯τ谠O(shè)施環(huán)境下常見干擾因素具有良好的實(shí)時性和魯棒性，與SSD算法相比，花果平均識別率為92.57%，提高了7.9%，識別速度為0.079 s，提升了約4倍，識別率和識別速度明顯提高，計(jì)算參數(shù)減少，基本滿足應(yīng)用要求。

關(guān)鍵詞：番茄;設(shè)施栽培;生長監(jiān)測;疏花疏果;輕量化神經(jīng)網(wǎng)絡(luò);圖像識別

中圖分類號：S641.2 文獻(xiàn)標(biāo)志碼：A 文章編號：1673-2871（2021）09-038-07

Study on identification method of thinning flower and fruit of tomato based on improved SSD lightweight neural network

CHEN Xin1，2， WU Pinghui2， ZU Shaoying3， XU Dan4， ZHANG Yunhe1， DONG Jing1

（1. Beijing Agricultural Intelligent Equipment Technology Research Center， Beijing 100097， China; 2. School of Electronic Information Engineering， Hebei University of Technology， Tianjin 300401， China; 3.Tianjin Agricultural Mechanization Technology Test Service Center， Tianjin 301616， China; 4. Beijing Jixing Agriculture Co. LTD， Beijing 101500， China）

Abstract： Aiming at the problems of facility tomato flower thinning and fruit thinning relying on manual judgment one by one， the workload is large， and the real-time requirements of mobile equipment are high， here we use convolutional neural network to identify some tomato growth parameters， and discusses the application based on agricultural operation experience. The lightweight module MobileNetV3 is introduced into the convolutional neural network SSD algorithm， and a method for identifying and analyzing tomato flowers and fruits based on the SSD-MobileNetV3 model is proposed. Compared with the traditional method， it overcomes the influence of interference factors such as overlap and occlusion， changes in lighting conditions， and uneven brightness to a certain extent. On the basis of the identification of growth parameters such as the number of bunches and the number of bunches， the discussion was carried out in conjunction with the work of flower thinning and fruit thinning. The results show that the experimental model has good real-time performance and robustness for common interference factors in the facility environment. Compared with the SSD algorithm， the average recognition rate of flowers and fruits is 92.57%， which is an increase of 7.9%， and the recognition speed is 0.079 s， which is an increase of approximately 4 times， the recognition rate and recognition speed are significantly improved， and the calculation parameters are reduced， which basically meets the application requirements.

Key words： Tomato; Protected Cultivation; Growth monitoring; Sparsely flowered and fruited; Lightweight neural network; Image recognition

設(shè)施番茄對于菜農(nóng)增收和蔬菜產(chǎn)業(yè)發(fā)展都具有重要意義[1]，疏花疏果是提高設(shè)施番茄產(chǎn)量和品質(zhì)的重要措施，可以保證營養(yǎng)供給，協(xié)調(diào)植株均衡生長，提高果實(shí)商品性，在生產(chǎn)過程中必不可少。在傳統(tǒng)農(nóng)業(yè)生產(chǎn)過程中，疏花疏果工作多依賴于操作人員的經(jīng)驗(yàn)積累，勞動強(qiáng)度大，不適于在現(xiàn)代設(shè)施環(huán)境中的科學(xué)管理。農(nóng)業(yè)農(nóng)村部在《關(guān)于加快推進(jìn)設(shè)施種植機(jī)械化發(fā)展的意見》中明確提出要大力推進(jìn)設(shè)施布局標(biāo)準(zhǔn)化、設(shè)施裝備智能化和生產(chǎn)服務(wù)社會化，采用圖像識別技術(shù)實(shí)現(xiàn)包括串開花數(shù)、串結(jié)果數(shù)、果實(shí)成熟度等生長參數(shù)的準(zhǔn)確監(jiān)測，可以對農(nóng)事決策的智能化、設(shè)施作業(yè)機(jī)器人的應(yīng)用提供有效支撐。但在實(shí)際生產(chǎn)過程中，作業(yè)背景復(fù)雜、光照條件變化、枝葉遮擋覆蓋等環(huán)境因素，以及小型移動設(shè)備本身存在的處理速度、存儲規(guī)模等設(shè)備因素，都會影響監(jiān)測結(jié)果。

國內(nèi)外針對作物生長參數(shù)的監(jiān)測已經(jīng)有廣泛的研究，孫建桐等[2]、車金慶等[3]、 馮瑋等[4]分別通過聚類、形態(tài)學(xué)、霍夫變換等傳統(tǒng)分割識別算法實(shí)現(xiàn)了對作物器官的判斷，但是多針對單一器官或特征進(jìn)行識別，同一算法中難以同時識別具有不同特征的生長參數(shù)，而且這種傳統(tǒng)算法識別率有待提高，易受環(huán)境條件影響，而且在遮擋嚴(yán)重情況下的效果一般。近年來，隨著信息技術(shù)發(fā)展，卷積神經(jīng)網(wǎng)絡(luò)被廣泛應(yīng)用于該領(lǐng)域[5-6]，實(shí)現(xiàn)了對不同作物的參數(shù)監(jiān)測。張恩宇等[7]提出基于TensorFlow深度學(xué)習(xí)框架下訓(xùn)練的SSD深度學(xué)習(xí)算法對青蘋果進(jìn)行識別;岑冠軍等[8]通過Faster R-CNN深度學(xué)習(xí)模型實(shí)現(xiàn)了芒果圖像的識別;孫哲等[9]將Faster R-CNN中的VGG16網(wǎng)絡(luò)替換為ResetNet101網(wǎng)絡(luò)，以達(dá)到提高檢測精度的目標(biāo)。以上研究可以實(shí)現(xiàn)良好的識別效果，但是存在模型復(fù)雜度高、檢測時間長、硬件條件要求高等限制，而且少有進(jìn)一步結(jié)合實(shí)際農(nóng)業(yè)生產(chǎn)操作的分析。

基于上述研究和應(yīng)用需求，筆者提出了基于改進(jìn)的SSD算法，即通過輕量化算法MobileNetV3和SSD目標(biāo)檢測算法結(jié)合，從主干網(wǎng)絡(luò)著手，將傳統(tǒng)的VGG-16替換為MobileNetV3，實(shí)現(xiàn)對串開花數(shù)、串結(jié)果數(shù)、果實(shí)成熟度等生長參數(shù)的判斷，模型和參數(shù)規(guī)模大大減少，達(dá)到移動環(huán)境下操作條件，并且結(jié)合實(shí)際生產(chǎn)經(jīng)驗(yàn)，進(jìn)行了在疏花疏果作業(yè)中的應(yīng)用分析。

1 材料與方法

1.1 試驗(yàn)數(shù)據(jù)的采集和設(shè)備搭建

本試驗(yàn)中的番茄圖像采集于北京市昌平區(qū)小湯山國家精準(zhǔn)農(nóng)業(yè)示范研究基地，選取大棚內(nèi)種植的番茄進(jìn)行圖像采集，采用CanonEOS 7D單反相機(jī)（5184像素×3456像素）進(jìn)行拍攝，番茄品種為蘇粉14號（江蘇省農(nóng)業(yè)科學(xué)院蔬菜研究所），種植于2019年10月3日，大棚長為46 m，寬為10 m，在2019年10月至2020年1月追蹤拍攝番茄的育苗、開花、結(jié)果等生長發(fā)育過程，其中番茄開花時期圖像1230幅，未成熟番茄果實(shí)圖像1524幅，成熟番茄果實(shí)圖像1050幅。試驗(yàn)設(shè)備包括用于集成算法和顯示結(jié)果的微型計(jì)算機(jī)和進(jìn)行遙控巡檢的直線合金鋁雙竹節(jié)升降巡檢機(jī)器人，兩者通過以太網(wǎng)共同組成智慧聯(lián)網(wǎng)系統(tǒng)。如圖1所示，該巡檢機(jī)器人為DKY-LZN/TL/SZ-15系列，具備升降平臺，可以通過巡檢配置實(shí)現(xiàn)目標(biāo)位置定時巡視功能。試驗(yàn)過程中將升降平臺調(diào)至1.5 m高度，角度與番茄種植方向平行，通過遙控進(jìn)行定時巡檢，并通過微型計(jì)算機(jī)顯示識別效果。

1.2 樣本數(shù)據(jù)集制作

為增加訓(xùn)練模型的魯棒性，對數(shù)據(jù)集進(jìn)行預(yù)處理，通過數(shù)據(jù)增強(qiáng)處理提高訓(xùn)練模型的泛化能力。通過labelImg軟件對本試驗(yàn)采集的3804幅圖像樣本進(jìn)行標(biāo)簽制作，本試驗(yàn)中使用POSCAL VOC2007數(shù)據(jù)集格式，分為訓(xùn)練集、驗(yàn)證集和測試集，其中訓(xùn)練集是隨機(jī)從整體數(shù)據(jù)集采用獨(dú)立同分布采樣得到，為保證后期評價標(biāo)準(zhǔn)的可靠性，測試集要和驗(yàn)證集互斥。數(shù)據(jù)集具體類別和分布情況如表1所示。

1.3 SSD-MobileNetv3輕量化番茄識別網(wǎng)絡(luò)

1.3.1 SSD目標(biāo)檢測算法 根據(jù)網(wǎng)絡(luò)模型結(jié)構(gòu)不同，檢測模型可以分為兩類，以YOLO和SSD為代表的單步檢測算法是將目標(biāo)檢測當(dāng)作回歸問題求解，通過端到端的圖像特征提取和預(yù)測分類，完成實(shí)時性檢測。而以Faster R-CNN等為代表的兩步檢測算法則需對待檢測圖像提取部分可能含有目標(biāo)的候選區(qū)域，然后對候選區(qū)域進(jìn)行分類和坐標(biāo)修正?？紤]農(nóng)業(yè)應(yīng)用過程中的實(shí)際情況，筆者選取了檢測精度和效果更為均衡的單步檢測模型SSD為基礎(chǔ)框架。

Liu等[10]在2016年提出的SSD算法結(jié)合了Faster R-CNN[11]和YOLO[12]的優(yōu)點(diǎn)，網(wǎng)絡(luò)結(jié)構(gòu)，包括提取圖像特征的基礎(chǔ)網(wǎng)絡(luò)和多尺度檢測網(wǎng)絡(luò)。但是對于以VGG-16為基礎(chǔ)骨架的SSD檢測模型而言，擁有大量的權(quán)值參數(shù)，這需要高性能的硬件設(shè)備和穩(wěn)定的試驗(yàn)環(huán)境[13]。在農(nóng)業(yè)生產(chǎn)過程中，小型移動設(shè)備應(yīng)用非常廣泛，但是其處理器難以達(dá)到試驗(yàn)要求，存在模型存儲和處理速度不夠等問題，傳統(tǒng)SSD檢測模型難以達(dá)到應(yīng)用要求。為解決此類問題，可以替換前端特征提取模型，設(shè)計(jì)輕量化的網(wǎng)絡(luò)模型，減少網(wǎng)絡(luò)參數(shù)數(shù)量和節(jié)省運(yùn)行內(nèi)存，提高計(jì)算速度。

1.3.2 MobileNetV3算法 MobileNetV3綜合了MobileNetV1的深度可分離卷積、MobileNetV2的具有線性瓶頸的逆殘差結(jié)構(gòu)和MnasNet的基于squeeze and excitation結(jié)構(gòu)的輕量級注意力模型等的優(yōu)點(diǎn)[14]，改進(jìn)了網(wǎng)絡(luò)結(jié)構(gòu)以及引進(jìn)了h-swish，在保證網(wǎng)絡(luò)精度的同時，提升運(yùn)行速度，節(jié)約計(jì)算機(jī)的計(jì)算成本。

（1）網(wǎng)絡(luò)建構(gòu)模塊：深度可分離卷積是輕量級神經(jīng)網(wǎng)絡(luò)發(fā)展過程中的一項(xiàng)重要技術(shù)，在保證精度降低很小的前提下，大幅度提高網(wǎng)絡(luò)運(yùn)行速度，降低模型參數(shù)和運(yùn)算成本[15]。其基本思想是把區(qū)域和通道分開考慮，將標(biāo)準(zhǔn)卷積分解成深度卷積及一個1×1的逐點(diǎn)卷積[16]。深度卷積是用于特征提取，對輸入數(shù)據(jù)的每個通道應(yīng)用單個卷積濾波器進(jìn)行卷積。逐點(diǎn)卷積是對上一步的輸出進(jìn)行線性組合，得到新的特征。而標(biāo)準(zhǔn)卷積是使用同等深度的卷積核與輸入數(shù)據(jù)進(jìn)行卷積并求和運(yùn)算。對比2種卷積方式，可以發(fā)現(xiàn)深度可分離卷積在保證與標(biāo)準(zhǔn)卷積輸出維度相同的前提下具有更加優(yōu)異的性能。

具有線性瓶頸的反向殘差模塊。由于深度卷積沒有改變輸入通道的能力，所以當(dāng)通道很少時，深度可分離卷積只能在低維度特征上工作，而通常情況下激活函數(shù)在低維度時的非線性變化會導(dǎo)致較大的信息損失，所以在深度卷積之前先經(jīng)過1×1的卷積來提高提升輸入數(shù)據(jù)的維度，使其可以在高緯度下提取特征，在深度卷積后再經(jīng)過一個1×1的卷積用于降維，這樣整個結(jié)構(gòu)與標(biāo)準(zhǔn)殘差結(jié)構(gòu)的先降維再升維相反，所以稱為反向殘差，線性瓶頸是指降維后，將激活函數(shù)換成線性。

（2）網(wǎng)絡(luò)結(jié)構(gòu)改進(jìn)：輕量級注意力模型SE。SE模塊思想簡單，易于實(shí)現(xiàn)，對卷積后的特征圖進(jìn)行處理，利用通道的獨(dú)立性分別重調(diào)通道維度的特征來獲得更好的最終效果，并且比較容易加載到網(wǎng)絡(luò)模型框架中。

其中引進(jìn)了非線性激活函數(shù)h-swish，swish具有無上界有下界、平滑、非單調(diào)等特點(diǎn)，可以提高神經(jīng)網(wǎng)絡(luò)的精度，且在深度模型方面也優(yōu)于ReLU，但是計(jì)算量很大，所以提出h-swish近似代替swish。h-swish會造成延遲，所以在模型后半部分使用了h-swish。公式1中β為常數(shù)或可訓(xùn)練的參數(shù)，公式2中ReLU為修正線性單元。

[（2）]<＼＼LENOVO-FAN＼fapai＼中國瓜菜＼9-瑩瑩-飛翔＼Image＼image5.pdf>[（][）]

1.3.3 SSD-MobileNetv3模型 SSD-MobileNetV3算法結(jié)構(gòu)如圖3所示。筆者改進(jìn)SSD模型可以分為2個部分，前端的基礎(chǔ)網(wǎng)絡(luò)部分主要用于目標(biāo)特征的提取，用MobileNetV3網(wǎng)絡(luò)代替VGG-16，模型后端是不同尺度的特征檢測網(wǎng)絡(luò)。該模型結(jié)合了Mobilenet和SSD 網(wǎng)絡(luò)的優(yōu)點(diǎn)，可以有效提取待識別目標(biāo)的信息，準(zhǔn)確識別不同類別目標(biāo)。

1.4 番茄識別試驗(yàn)

1.4.1 試驗(yàn)平臺 試驗(yàn)條件為：Ubuntu 16.04、64位操作系統(tǒng)，Intel（R）Core（TM） i7-8700K處理器，GeForce GTX 1060 6G顯存。采用pytorch框架，Python 3.6語言編程進(jìn)行網(wǎng)絡(luò)模型的訓(xùn)練和測試。

1.4.2 模型訓(xùn)練及指標(biāo) 試驗(yàn)進(jìn)行權(quán)值訓(xùn)練的方法采用隨機(jī)梯度下降（Stochastic gradient descent，SGD）法，訓(xùn)練的batchsize為16，初始學(xué)習(xí)率為0.001，權(quán)值衰減為5×10-4，訓(xùn)練100個大循環(huán)（epoch），參數(shù)更新方法為引入動量的梯度下降法，動量因子為0.9。

采用精確度（AP）值來評價訓(xùn)練好的模型，其中AP值計(jì)算公式如式5所示，表示如下：

式中P為準(zhǔn)確率，R為召回率，TP和FP分別表示正樣本的真實(shí)和虛假數(shù)量，F(xiàn)N表示虛假的負(fù)樣本數(shù)量。平均精確度（mAP）值越大，代表模型精度越高，相反則越低（圖4）。

準(zhǔn)確率和召回率彼此相互影響，與理想條件下兩者均高不同，在一般條件下兩者呈反比關(guān)系。當(dāng)召回率增加到接近1時，準(zhǔn)確率有所下降。

2 結(jié)果與分析

2.1 不同算法檢測結(jié)果分析

為了定量分析不同檢測模型的平均識別率、模型大小、平均檢測時間，驗(yàn)證輕量化改進(jìn)SSD算法的優(yōu)越性，采用相同的數(shù)據(jù)集和配置對改進(jìn)前后SSD算法和FasterR-CNN算法進(jìn)行對比試驗(yàn)，結(jié)果如表2所示。與SSD模型相比，采用MobileNetV3為基礎(chǔ)網(wǎng)絡(luò)的改進(jìn)SSD模型的平均識別率92.57%，提高了7.9%，識別速度為0.079 s，提升了約4倍，模型大小不足原模型的1/10，改進(jìn)后的識別準(zhǔn)確率和識別速度均得到了顯著提高。與FasterR-CNN算法相比，平均識別率提高了6.16%，識別速度提升了約2倍，模型大小得到明顯的縮減，具有明顯的優(yōu)勢。

番茄花、成熟果實(shí)、未成熟果在不同算法下的平均識別率檢測結(jié)果如表3所示。

2.2 不同拍攝距離檢測結(jié)果分析

為了分析采集過程中待檢測目標(biāo)比例大小對識別精度的影響，研究不同遮擋情況下的識別效果變化，以2種不同采集情況下的數(shù)據(jù)為研究對象進(jìn)行分析，選取部分?jǐn)?shù)據(jù)集進(jìn)行訓(xùn)練，以番茄面積的50%為部分遮擋和嚴(yán)重遮擋的分界線，以0.2 m拍攝距離為近距離，以將能夠完整拍攝番茄整株情況的距離為遠(yuǎn)距離，為1.2 m。

識別效果如圖5所示，對于近距離采集情況下采集的圖像，以未成熟果實(shí)為例，其AP值為96.65%，而遠(yuǎn)距離采集的情況下采集圖像的AP值為90.59%。可能是以下原因造成這種差異：（1）拍攝距離和角度等因素造成待檢測目標(biāo)比例變小，由于小目標(biāo)學(xué)習(xí)樣本不足，導(dǎo)致部分小目標(biāo)未能被有效識別;（2）尺寸變化導(dǎo)致圖像中番茄數(shù)目增多，枝葉和果實(shí)間相互重疊、遮擋的情況加劇，導(dǎo)致嚴(yán)重遮擋的番茄數(shù)目增加，造成遠(yuǎn)距離情況下識別率的下降。

2.3 不同光照條件下檢測結(jié)果分析

為準(zhǔn)確識別不同的光照情況，選擇亮度直方圖算法對試驗(yàn)圖像進(jìn)行檢測，當(dāng)圖像光照不均勻，即存在高光區(qū)域時，圖像亮度直方圖的灰度值分布會出現(xiàn)明顯差異，圖像中出現(xiàn)2個明顯的波峰。

依據(jù)亮度直方圖，將圖像分為光照不均和正常兩種情況，不同光照的情況下的識別效果如圖6所示，通過分析亮度直方圖，并從數(shù)據(jù)集中各選取100張圖像，計(jì)算平均識別率和觀察識別效果，具體識別率如表4所示。

由表4可知，不同光照情況對果實(shí)識別會產(chǎn)生影響，光照不均則圖像識別率小于正常情況，且光照不均情況下，識別率大于90%的圖像更少，說明對于部分光照不均情況嚴(yán)重的圖像，識別效果下降更加明顯，從而影響整體統(tǒng)計(jì)結(jié)果。為了直觀展示不同光照情況的識別效果，分別選取不同光照情況照片進(jìn)行展示，如圖6所示，在圖6-b中存在曝光強(qiáng)烈和光線細(xì)微的部分區(qū)域存在無法識別的情況?？赡苁且韵略蛟斐蛇@種差異：（1）在光照不均圖像中過分曝光的部分，由于目標(biāo)區(qū)域的過分曝光，果實(shí)與背景界限不明顯，丟失部分特征信息，果實(shí)邊緣特征提取難度增加，導(dǎo)致該區(qū)域部分果實(shí)識別率下降;（2）在光照不均圖像中曝光不足的部分，由于曝光不足，出現(xiàn)黑色區(qū)域，因此不能真實(shí)反應(yīng)番茄果實(shí)特征，造成識別率下降。

3 討論與結(jié)論

在現(xiàn)有的番茄識別研究中多針對識別效果進(jìn)行討論，少有結(jié)合農(nóng)事經(jīng)驗(yàn)做進(jìn)一步分析，筆者提出了一種基于移動環(huán)境中的輕量化神經(jīng)網(wǎng)絡(luò)模型對番茄生長參數(shù)進(jìn)行識別，在對串開花數(shù)、串結(jié)果數(shù)進(jìn)行有效識別的基礎(chǔ)上，嘗試與疏花疏果的農(nóng)事操作時機(jī)相結(jié)合進(jìn)行分析討論。

疏花疏果是調(diào)節(jié)設(shè)施番茄生長和產(chǎn)量的關(guān)鍵管理技術(shù)之一[17-19]。對于疏花而言，在開2～3朵花后根據(jù)實(shí)際情況疏花，結(jié)合蘸花每穗選留4～6朵正常健壯的花蕾，其余多余的花蕾全部疏掉，這是爭取早熟的關(guān)鍵措施;對于疏果而言，在每穗果坐齊后，每穗保留較整齊的3～5個果，保證果實(shí)大小的一致性。在對番茄串開花數(shù)和串結(jié)果數(shù)準(zhǔn)確識別的前提下，以每穗中6朵花或5個果實(shí)為閾值，當(dāng)圖像中識別參數(shù)數(shù)目大于閾值時進(jìn)行統(tǒng)計(jì)，以高于閾值數(shù)目的植株占大棚內(nèi)總體采集株數(shù)的比例為判斷依據(jù)，及時提示農(nóng)事人員進(jìn)行疏花疏果操作。在試驗(yàn)過程中關(guān)鍵要素是實(shí)現(xiàn)巡檢機(jī)器人巡視角度的調(diào)控，以實(shí)現(xiàn)相關(guān)參數(shù)的準(zhǔn)確采集和識別。

筆者進(jìn)一步分析了不同算法和不同采集情況下的識別效果，結(jié)合疏花疏果技術(shù)進(jìn)行分析，與傳統(tǒng)算法相比，一定程度上克服了環(huán)境復(fù)雜、枝葉覆蓋遮擋、光照條件變化等方面的影響，具有更好的魯棒性，對多個生長參數(shù)的識別進(jìn)行了有效提升，但是識別率和實(shí)際應(yīng)用效果仍有待進(jìn)一步提高，具體體現(xiàn)在以下2個方面：

（1）在算法方面，目標(biāo)檢測算法的性能正隨著不同模型和改進(jìn)方法的出現(xiàn)變得更加強(qiáng)大，但是在不同環(huán)境中的應(yīng)用效果仍存在差距，光照等環(huán)境因素仍是制約算法性能的重要因素。另外，如何在保證算法精度和速度的前提下減少運(yùn)算規(guī)模也是下一步研究的重點(diǎn)。

（2）在應(yīng)用方面，雖然可以通過自動化機(jī)器人實(shí)現(xiàn)自動巡視和檢測，但是在農(nóng)業(yè)應(yīng)用場景中，仍然需要大量試驗(yàn)對機(jī)器人路徑、角度進(jìn)行調(diào)整，以保證檢測質(zhì)量，使其得到更好的應(yīng)用。

參考文獻(xiàn)

[1] 王勃穎，宗義湘，董鑫.河北省番茄產(chǎn)業(yè)發(fā)展現(xiàn)狀及問題分析[J].中國蔬菜，2020（7）：7-12.

[2] 孫建桐，孫意凡，趙然，等.基于幾何形態(tài)學(xué)與迭代隨機(jī)圓的番茄識別方法[J].農(nóng)業(yè)機(jī)械學(xué)報，2019，50（S1）：22-26.

[3] 車金慶，王帆，呂繼東，等.重疊蘋果果實(shí)的分離識別方法[J].江蘇農(nóng)業(yè)學(xué)報，2019，35（2）：469-475.

[4] 馮瑋，趙德安.蘋果采摘機(jī)器人目標(biāo)果實(shí)的快速跟蹤識別[J].信息技術(shù)，2018（5）：5-9.

[5] 王丹丹，何東健.基于 R-FCN 深度卷積神經(jīng)網(wǎng)絡(luò)的機(jī)器人疏果前蘋果目標(biāo)的識別[J].農(nóng)業(yè)工程學(xué)報，2019，35（3）：15? ?6-163.

[6] DIAS P A，TABB A，MEDEIROS H.Apple flower detection using deep convolutional networks[J].Computers in Industry，2018，99：17-28.

[7] 張恩宇，成云玲，胡廣銳，等.基于SSD算法的自然條件下青蘋果識別[J].中國科技論文，2020，15（3）：274-281.

[8] 岑冠軍，華俊達(dá)，潘怡穎，等.基于深度學(xué)習(xí)芒果圖像在線識別與計(jì)數(shù)方法研究[J].熱帶作物學(xué)報，2020，41（3）：425-432.

[9] 孫哲，張春龍，葛魯鎮(zhèn)，等.基于Faster R-CNN的田間西蘭花幼苗圖像檢測方法[J].農(nóng)業(yè)機(jī)械學(xué)報，2019，50（7）：216-221.

[10] LIU W，ANGUELOV D，ERHAN D，et al.Ssd：Single shot multibox detector[C]//European Conference on Computer Vision.Cham：Springer，2016：21-37.

[11] REN S Q，HE K M，GIRSHICK R，et al.Faster R-CNN：Towards real-time object detection with region proposal networks[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2017，39（6）：1137-1149.

[12] REDMON J，DIVVALA S，GIRSHICK R，et al.You only look once：Unified，real-time object detection[C]//IEEE Conference on Computer Vision and Pattern Recognition.Las Vegas：IEEE，2016：779-788.

[13] 吳天舒，張志佳，劉云鵬，等.基于改進(jìn)SSD的輕量化小目標(biāo)檢測算法[J].紅外與激光工程，2018，47（7）：47-53.

[14] 宋非洋，吳黎明，鄭耿哲，等.基于MobileNetV3的結(jié)構(gòu)性剪枝優(yōu)化[J].自動化與信息工程，2019，40（6）：20-25.

[15] 張春堂，管利聰.基于SSD-MobileNet的礦工安保穿戴設(shè)備檢測系統(tǒng)[J].工礦自動化，2019，45（6）：96-100.

[16] 沈新烽，姜平，周根榮.改進(jìn)SSD算法在零部件檢測中的應(yīng)用研究[J].計(jì)算機(jī)工程與應(yīng)用，2021，57（7）：257-262.

[17] 黃國都.藤縣全封閉式大棚越冬茬番茄高效栽培技術(shù)[J].長江蔬菜，2016（20）：75-76.

[18] 張智杰，王成云.棚室番茄花果管理技術(shù)[J].現(xiàn)代農(nóng)業(yè)科技，2014（3）：113.

[19] 王艷芳，楊夕同，雷喜紅，等.連棟溫室番茄工廠化生產(chǎn)植株精細(xì)化管理技術(shù)[J].中國蔬菜，2019（1）：85-89.