采用改進(jìn)YOLOv4-tiny的復(fù)雜環(huán)境下番茄實(shí)時(shí)識(shí)別

楊 堅(jiān)，錢 振，張燕軍，秦 宇，繆 宏

（揚(yáng)州大學(xué)機(jī)械工程學(xué)院，揚(yáng)州 225127）

0 引 言

溫室種植番茄可以減少病蟲害的影響，但人工采摘成本非常高。近年來(lái)，人工智能的應(yīng)用越發(fā)廣泛，尤其是在農(nóng)業(yè)中的應(yīng)用。不少學(xué)者對(duì)番茄成熟的識(shí)別進(jìn)行了研究。馬翠花等融合了一種顯著性檢測(cè)方法與隨機(jī)Hough變換，識(shí)別番茄簇中的綠色單果。Yamamoto等將圖像處理與機(jī)器學(xué)習(xí)相結(jié)合，人工的使用顏色、形狀、紋理和大小來(lái)識(shí)別番茄。Lin等提出了一種Hough變換方法，該方法使用支持向量機(jī)根據(jù)顏色和紋理的特征信息來(lái)識(shí)別柑橘和番茄等水果，此方法考慮了輪廓信息，可以識(shí)別出輕度遮擋的目標(biāo)，但無(wú)法識(shí)別遮擋嚴(yán)重的目標(biāo)。上述方法都需要使用機(jī)器學(xué)習(xí)和圖像處理技術(shù)，然而傳統(tǒng)的機(jī)器學(xué)習(xí)技術(shù)需要人為設(shè)計(jì)的特征，這些特征往往具有具體的物理含義，且特征設(shè)計(jì)是一項(xiàng)復(fù)雜的任務(wù)。使用卷積神經(jīng)網(wǎng)絡(luò)（Convolution Neural Networks, CNN）的深度學(xué)習(xí)，只需要提供帶標(biāo)簽的數(shù)據(jù)集不用人為設(shè)計(jì)的特征，可用于復(fù)雜場(chǎng)景中的目標(biāo)識(shí)別任務(wù)。

基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)識(shí)別算法，已廣泛應(yīng)用于農(nóng)業(yè)和制造業(yè)的識(shí)別檢測(cè)，主要分為兩階段目標(biāo)識(shí)別算法（two stage）和單階段目標(biāo)識(shí)別算法（one stage）。兩階段目標(biāo)識(shí)別算法的主要代表為R-CNN、Fast R-CNN和Faster R-CNN，此類算法是基于區(qū)域推薦（Region Proposal）進(jìn)行目標(biāo)識(shí)別；單階段目標(biāo)檢測(cè)算法的主要代表為SSD和YOLO，此類算法將圖像歸一化到統(tǒng)一大小后直接放入一個(gè)卷積神經(jīng)網(wǎng)絡(luò)。閆建偉等提出了一種改進(jìn)Faster R-CNN模型識(shí)別自然……