曹秋阳,邵叶秦,尹 和
1(南通大学 信息科学技术学院,南通 226019)
2(南通大学 交通与土木工程学院,南通 226019)
近年来,随着科学技术的快速发展,人工智能给人们生活带来了便捷和智能化的服务. 水果自动识别在超市、菜市场、果园等很多场景有着重要的应用. 超市以及菜市场可以结合水果称重,自动计算水果的价格,提高顾客购买的效率. 果园可以通过水果的检测与识别,估计水果的收成,并利于机械化自动采摘.
目前,越来越多的国内外研究人员聚焦果蔬识别.彭红星等[1]提出一种改进的single shot multibox detector(SSD)水果检测模型,将SSD 模型主干网络VGG16 替换为ResNet-101 网络,并通过随机梯度下降算法以及迁移学习思想优化SSD 模型,在4 种水果上的检测精度达到88.4%. 王辉等[2]在Darknet-53 网络的基础上使用组归一化代替原先的批量归一化,继而引入YOLOv3[3]算法构建水果检测模型,实现水果的准确识别. Bargoti 等[4]设计了基于Faster-RCNN 的目标检测模型实现自然环境下3 种水果的检测. Liu 等[5]提出了single shot detector 方法,用于对象的检测和识别,在保证准确率的同时提高了效率. 这些方法普遍存在如下问题: (1)数据集中水果种类过少; (2)模型倾向于对象的全局信息,容易忽略某些关键及重要的水果局部信息; (3)目标框与预测框重合时未考虑它们之间的相互关系,容易出现预测结果不精确问题.
因此,本文采用包括不同光照、不同角度等的15 种水果组成的数据集,并使用基于注意力的YOLOv5模型实现水果的准确分类和识别. 具体来说,该模型在主干网络……