基于Mask R-CNN 的蘑菇成熟度检测方法

杨 亚， 徐增丙， 王 锐， 廖 剑

（1. 武汉科技大学机械自动化学院，湖北 武汉 430081； 2. 武汉科技大学冶金装备及其控制教育部重点实验室，湖北 武汉 430081； 3. 武汉市农业科学院，湖北 武汉 430065）

0 引言

农业监测是实施智能化精细农业的一个重要环节。在蘑菇生产过程中，蘑菇的采摘及分类是最后一道重要工序，传统方法都靠人工判断蘑菇是否成熟，然后再进行采摘和分类，这不仅对人工经验要求极高，而且增加了劳动强度，不利于蘑菇智能化种植的推广。

近年来，随着深度学习技术的飞速发展，很多研究人员将深度学习技术应用到了农作物的检测和识别方面[1]。基于深度神经网络（deep neural networks，DNN）的方法可以自动学习特征表示，不再需要人工提取特征。DIAS P A 等[2]使用卷积神经网络（convolutional neural network，CNN）和支持向量机（support vector machine，SVM）相结合的方法来提取复杂背景下苹果花的特征。有学者将R-CNN（regions with CNN features）网络用于温室作物图像中检测成熟和未成熟的草莓[3-4]。还有学者使用Faster R-CNN 网络利用RGB、NIR 图像及它们的组合来检测不同的水果（甜瓜、鳄梨、芒果和橙子等）[5-6]。也有学者提出基于ResNet-101 的RFCN（region-based fully convolutional networks） 网络用于疏果前苹果识别[7-8]。SONG Y 等[9]提出了一种检测和计算温室中辣椒数量的方法。利用上述方法虽然能较好地检测和识别出农作物，但精度不高，只是输出农作物周围的检测框，并没有农作物的具体轮廓，而且农作物的单体分割效果不佳。

本文在做蘑菇的检测和识别任务时，使用了Mask R-CNN 网络，不仅提升了蘑菇检测的准确度，能较好地区分出成熟与未成熟的蘑菇，同时由于Mask R-CNN网络具有良好的实例分割性能，对有遮挡或重叠的蘑菇也能进行精准地单体分割[10]。……