AI：智能识别未成熟芒果
欢迎关注我们，中国生物智能创新联盟公号
在芒果精准种植中，要对芒果进行智能喷施、生长态势监测，尽早地进行芒果估产及采摘劳动力需求预测，就必须首先对未成熟芒果进行精确检测。
计算机视觉为水果自动检测提供了一种非常有效的手段，但果园场景下遮挡或重叠果实检测一直以来都是水果检测的难题。对于自然场景下的芒果目标检测研究，近年来已取得一定进展。
利用颜色特征去除与芒果颜色无关的背景，使用圆形 Hough 变换进行目标检测，检测精度约为 60%。但从不同视角获得芒果图像时，果实形状并非标准的圆或椭圆，且在芒果重叠情形下，各果实区域会合并而形成连通区域，极易导致错误检测。利用纹理和颜色特征，对收获前 3 周的淡红色芒果进行识别；为消除非树冠区域对芒果检测的影响，利用人工照明在夜间采集芒果图像，基于颜色匹配和 Hessian滤波器对芒果进行检测。但获取夜间图像需额外的照明设备，影响了该方法的实用性。
利用 RGB 和 NIR图像信息，分别用前期、后期融合的方法训练多模态Faster RCNN 模型并检测了芒果，此方法对大面积遮挡的情形并无满意的检测结果。用多视点方法解决芒果遮挡问题，通过多个视点的多个图像序列对果实进行关联和跟踪，此方法需要复杂的辅助设备，实时性能不高。针对苹果、桃子、草莓、柑橘等遮挡重叠水果的检测方法相继被提出。利用 HOG特征与 SVM 分类器研究草莓的检测，将草莓分成 5 个感兴趣区域分别训练 SVM 分类器，并在组合分类器后进行草莓检测，达到 87%的精确率，但此方法只能有效检测轻微重叠的草莓。
采用改进 Freeman 8 邻域链码方法进行了簇生重叠水果数量的计算。但该方法依赖于分割精度，不准确的分割将导致果实边缘编码错误，影响计数精度。使用 Canny 算子检测边缘，然后用自适应直线拟合和边界跟踪算法构造边缘片段集，最后应用椭圆拟合方法检测目标，轮廓恢复相对误差达 5.34%。上述中，果实大多接近成熟或已成熟，果实颜色在果园场景中较为明显，未成熟芒果颜色与树叶颜色高度相似，形状并非标准的圆或椭圆，甚至果实被树叶、枝干遮挡或果实相互重叠。
深度卷积神经网络（convolutional neuralnetworks，CNN）在目标检测上显现出巨大的优越性，主要包括两大类。一类为基于区域生成的检测方法，首先生成许多可能包含目标的候选区域，然后用 CNN 对每个候选区域进行分类。另一类为基于回归的方法，利用 CNN 对整个图像进行处理，在实现目标定位的同时预测目标类别，其速度往往快于前类方法。
为弥补后类方法检测精度上的不足，利用深层 CNN和 Szegedy 等网络提高精度。但深层 CNN 往往导致的计算复杂度，且数据信息在多层传播后很可能会逐渐消失。DenseNet（densely connected convolutionalnetworks，密集连接卷积网络），通过密集连接，让网络每一层都能接受到它前面所有层的特征图，并以特征拼接（concatenate）的方式进行数据聚合，强化了特征传播，有效解决了梯度消失问题，并实现了特征复用，显著提高了网络分类精度。
感谢您抽出·来阅读此文
- 发表于:
- 原文链接：https://kuaibao.qq.com/s/20180607G0F40L00?refer=cp_1026
- 腾讯「腾讯云开发者社区」是腾讯内容开放平台帐号（企鹅号）传播渠道之一，根据《腾讯内容开放平台服务协议》转载发布内容。
- 如有侵权，请联系 cloudcommunity@tencent.com 删除。
相关快讯
扫码
添加站长 进交流群
领取专属 10元无门槛券
私享最新 技术干货
腾讯云开发者
