新鲜茶叶芽检测通过图像增强和融合SSD

文摘

新鲜茶叶芽检测的准确性(FTSD)不够高,已成为一个大瓶颈领域的自动建立茶采摘技术。为了提高检测的性能,我们反思FTSD的过程。与此同时,出于多光谱图像处理时,我们发现更多的输入信息会导致一个更好的检测结果。有鉴于此,小说新鲜茶叶芽检测方法通过图像增强和融合单发检测器(FTSD-IEFSSD)提出。首先,我们获得一个增强的图像通过RGB-channel-transform-based图像增强算法,它使用原始的新鲜茶叶芽彩色图像作为输入。增强的图像可以提供更多的输入信息,对比新鲜的茶叶芽面积增加,背景面积减少。然后,增强的图像和彩色图像用于检测子网分别ResNet50的骨干。我们也使用多层语义融合和融合,进一步提高检测精度。茶叶芽shape-based默认盒子战略还包括在培训。实验结果表明,该方法具有更好的性能在FTSD比最先进的方法。

1。介绍

自动茶采摘机是一个有效的方法来解决茶叶采摘劳动问题。然而,现有的茶叶采摘机器人无法满足的要求建立高质量的茶叶采摘任务由于穷人新鲜茶叶芽检测和无法控制的成像条件(1- - - - - -3]。唐et al。4)提出了一种局部二进制模式(LBP)和基于灰度Co-Occurrence-Matrix——应用灰度共生矩阵建立(-)的绿色茶叶分类的方法。茶鲜叶量赋值方法,估算总多酚介绍了用近红外光谱(5]。不幸的是,大多数现有的研究集中在茶的分类和数量分配(6,7),和成像条件仅限于室内或实验室8]。因此,新鲜的茶叶芽检测在户外条件是迫切需要解决的问题。

应用新鲜茶叶芽检测属于类别的对象检测(9,10]。近年来,对象检测发展迅速的帮助下卷积神经网络(cnn)。一般来说,CNN-based对象探测器可分为两种类型:单程对象探测器和两级对象探测器。单程对象探测器通常是建模为一个简单的回归问题,封装所有的计算在一个前馈CNN (11),可有效提高检测速度。两级对象探测器主要是基于proposal-driven阶段和检测精炼阶段。检测速度的关键优势是one-stage-based方法,但检测的精度是不够的小对象。尤其是新鲜的茶叶芽检测任务,茶叶芽比成熟的叶子,小得多,很难快速有效地检测茶叶芽通过现有的方法。此外,检测速度和精度的要求很高,当对象探测器用于建立茶采摘机器人。

大多数现有的研究集中在如何提取更健壮的特性,如特征提取网络的改善。在本文中,我们考虑新鲜茶叶芽的过程检测和目标对象检测提出一种新的改进策略。出于多光谱图像处理时,我们发现更多的输入信息可以导致更好的检测结果。有鉴于此,我们提出一种新颖的新鲜茶叶芽检测方法通过图像增强和融合SSD (FTSD-IEFSSD)。我们的论文的主要贡献如下:(1)我们提出一个新颖的改进策略对象检测使用输入信息通过图像增强增加。添加输入信息通过图像增强通常包含更多的特征,这有助于提高目标检测的准确性。FTSD的任务中,我们观察到增强的图像的灰度特性有显著区别的新鲜茶叶芽区和背景区。因此,可以提高FTSD性能通过该方法有效。(2)增加RGB-channel-transform-based图像增强算法的输入信息,分析了变换算法和参数用于在实验部分。为了进一步提高检测性能,我们使用多层语义融合和自适应分数融合提高特征图。设计语义融合部分由四个卷积层具有不同语义深度,和检测速度和准确性的平衡也被认为是在我们的算法。(3)我们所知,提出FTSD-IEFSSD是第一个使用图像enhancement-based输入信息增加,多层语义融合,融合和自适应分数与室外新鲜茶叶芽检测成像条件。我们的方法是一个端到端的对象检测方法;输入是直接从室外获得原始彩色图像,并输出检测结果。这是一个具有挑战性的任务由于无法控制的成像条件和高检测速度和精度的要求。

本文的其余部分组织如下:相关工作大约茶豆芽检测和CNN-based对象探测器提出了部分2。部分3描述了传统的SSD (12),该FTSD-IEFSSD,提出RGB-channel-transform-based图像增强算法和语义融合也包括在内。实验结果和茶叶芽检测性能部分所示4。部分5给我们工作的结论。

2。相关的工作

根据不同的先验知识重点,大多数现有的茶叶芽检测方法可以分为两组,手工设计的基于功能的方法和CNN-based方法。(我)手工设计的基于功能的设计方法使用特性来获得茶叶芽的位置,和检测精度是高度依赖于设计的特性。吴et al。13]介绍G和g b组件基于功能的方法找到茶叶芽和背景,但精度低了不高的语义特性。通过颜色信息的快速分水岭算法部分茶叶芽(14]。然而,分割性能并不低的检测速度和精度。手动的健壮性设计功能是有限的,主要依赖于设计者的经验。(2)CNN-based方法获得的特性自动通过卷积的层,这是一种数据驱动的方法。王等人。15)利用分段训练样本深度学习模型来识别茶叶芽,但不包括背景的影响在训练。精度较低时,输入新鲜的茶叶芽在户外条件。识别的方法挑选点嫩茶叶芽的YOLOv3 [16)深卷积神经网络算法给出了(17),但它也使用了分割样本作为输入。CNN-based新鲜茶叶芽检测方法属于目标检测的范畴,它可分为两种类型:单程对象探测器和两级对象探测器。one-stage-based方法逐渐成为流行的YOLO[意思18),然后,YOLO-v2 [19],SSD [12],FSSD [20.],DSSD [21],ASSD [22)发生。two-stage-based方法与R-CNN[著名23),快R-CNN [24),快R-CNN [25],SPPnet [26]。

传统的固态硬盘(12)方法执行检测通过前馈卷积网络和分数固定大小的对象类实例的存在边界框。图1显示SSD的网络体系结构;的骨干网络是基于VGG-16,和一些辅助结构补充道。卷积功能层添加到获得更多SSD的多尺度特征图。所以,有更多的固定套检测添加层预测。然后,检测到的对象通过默认的边界框固定位置的每个特性映射单元和检测预测。在训练部分,边界框匹配策略是实现的位置,长宽比和规模。

one-stage-based方法模型检测任务作为回归问题,和所有的计算都是封装在一个前馈卷积网络(27- - - - - -29日];因此,高度提高检测速度。two-stage-based方法建议驱动,第二阶段是用来提炼检测(30.- - - - - -32]。现有SSD-based方法通常利用浅层实现高检测速度。然而,浅层存在语义信息缺乏的问题导致较低的精度检测小对象。一个简单的解决这个问题的方法是增加网络层的数量,但检测速度迅速降低,单程对象探测器的优势已不复存在。

在这篇文章中,我们考虑新鲜茶叶芽的过程检测、流程包含输入数据,检测,并输出结果。许多CNN-based改进策略(33- - - - - -36)对象检测的重点是检测网络融合结构或功能。也有一些改进工作输出结果,如标签分配学习(37- - - - - -39),但对输入数据的改进策略FTSD不发表。与此同时,出于多光谱图像处理时,我们发现更多的输入信息会导致一个更好的检测结果。有鉴于此,小说新鲜茶叶芽检测方法通过图像增强和融合SSD (FTSD-IEFSSD)提出。在我们的方法中,我们获得一个增强的图像通过RGB-channel-transform-based图像增强算法的输入原始的新鲜茶叶芽彩色图像。增强的图像可以提供更多的输入信息,对比新鲜茶叶芽面积增加,背景面积减少。然后,增强的图像和彩色图像分别用于检测子网,采用ResNet50作为支柱。我们也使用多层语义融合和自适应分数融合进一步提高检测精度。茶叶芽shape-based默认盒子战略还包括在培训。这部小说改进策略使用输入信息增加通过图像增强和语义融合操作可以平衡计算速度和目标检测的准确性。实验结果表明,新方法导致良好的检测结果; meanwhile, the proposed method can be used in many other fresh sprouts detecting tasks.

3所示。方法

3.1。拟议中的FTSD-IEFSSD

我们的方法的网络体系结构如图2;输入是一个彩色图像用新鲜茶叶芽,并输出相应的FTSD的结果。为了提高检测的性能,一种新颖的改进策略对象检测使用输入信息提出了增加通过图像增强方法。我们开发一个RGB-channel-transform-based图像增强算法增强图像,它可以提供更多的输入信息。介绍了图像增强算法的细节部分3.2。因此,提出网络体系结构主要由两个子网:一个增强的图像图像子网,子网和颜色可以提取更多的有用特性和默认的盒子。出于ASSD [22),我们使用ResNet50 (conv1-5)为骨干(见表1)的子网和构建金字塔卷积模块(conv6-9)遵循同样的设计传统的固态硬盘。

在图2,conv1_e意味着第一个卷积层增强图像子网和conv1_c子网中相应的层彩色图像。我们使用conv3-9检测不同尺度的新鲜茶叶芽也利用ReLU隐藏层和批处理规范化。conv3是增强通过特征映射的融合conv3-6获得更多的语义信息,和细节部分所示3.3。在每个子网预测层传统SSD是一样的。为了获得最终的检测结果,分数层融合用于合并两个子网检测信心分数相等的权重为0.5,和nonmaximum抑制还用于去除的影响重叠的盒子。

默认的设置框通常直接影响目标检测的准确性在SSD-based方法。我们观察到的尺度和纵横比新鲜茶叶芽是不同的相机视图和发芽的个体差异。它也可以观察到新鲜茶叶芽的大小远小于成熟的叶子。因此,我们重置默认盒子和优化尺度和纵横比的大小特征新鲜茶叶芽。与建造更多的CNN层的方法相比,我们的方法的计算成本低得多,但检测结果更好。

3.2。拟议中的RGB-Channel-Transform-Based图像增强算法

为了进一步提高检测性能,我们提出一个RGB-channel-transform-based获得增强图像的图像增强算法,它可以增加输入信息。我们的算法计算的增强图像 在哪里增强的图像, , ,和相应的彩色图像RGB通道,和权重系数和设置为吗 ,和是绝对值的操作。在方程1,信息的新鲜茶叶芽绝对值的操作,主要是增强的,是用来调整整幅图像的亮度。因此,我们设置的值更大的比 ,和权重系数的分析介绍了部分4所示。3。输入信息增加通过拟议中的图像增强和检测精度提出FTSD-IEFSSD也增加。

3.3。语义融合

新鲜的茶叶芽检测是一项非常具有挑战性的任务作为室外成像条件和检测速度。SSD利用浅层实现高检测速度,但语义信息不足导致低检测精度小物体(新鲜茶叶芽属于一个小对象在对象检测任务)。建造更多的CNN层是一个简单的方法来解决这个问题,但检测速度明显降低。fusion-based方法提取的特征是一个更好的方法良好的平衡的计算速度和目标检测的准确性。因此,我们把上下文信息从浅层次丰富其语义和利用茶叶芽shape-based默认框来提高FTSD的性能。提出FTSD-IEFSSD采用语义融合。然而,有许多特征图可以在语义融合使用,如层在图2 - 7日2。获得的特征图谱从高水平通常有更多的全球语义信息,和低水平含有更多的当地详细的特性。很难检测传统的新鲜茶叶芽SSD的上下文信息和详细的特性需要被合并在一个探测器。

出于FSSD [20.),我们把上下文信息从3层3 - 6增强的语义层,由灰色虚线框表示在图所示2。7 - 9层不包括在我们的语义融合部分由于体积小和有限的信息进行合并。语义融合可以制定的过程 在哪里在卷积特性映射层 , 和分别对应的重量和系数,是连接操作。4 - 6层通过双线性插值upsampled为了获得第三层一样的大小在连接操作。

4所示。结果

4.1。实现细节

实验运行4 NVIDIA泰坦XTensorFlow gpu, FTSD-IEFSSD模型训练,和其他措施是使用MATLAB实现。输入图像分辨率 顶视图。数据集包含6000张图片,在杭州,中国,从2019年3月20日至4月4日。数据集有一个叶中的每个新鲜茶发芽或两个(见2)。我们用80%的新鲜茶叶芽图像评估、培训和20%和10倍交叉验证也用于实验。增强的图像子网和彩色图像子网是训练,分别。主要评价指标是平均精度(美联社),广泛用于目标检测的任务。

在培训期间,最小尺寸和最大大小默认的框中使用我们的方法是七分之一比例的SSD的小嫩茶拍摄的形状。我们使用相同的策略为SSD努力生成默认的盒子,使用负采矿解决正负框类不平衡问题。高宽比为默认层3盒,8、9 和4 - 7层 。宽度和高度归一化计算违约的盒子也是一样的传统SSD。我们利用随机梯度下降法(SGD)算法来优化权重,用0.001和0.001的初始学习速率的衰减。的和用于方程1分别是0.95和0.05。总体目标和信心损失损失函数包括本地化的损失也是工作。

4.2。新鲜的茶叶芽检测结果

比较不同的方法FTSD测试数据集如表所示2在不同的路口,美联社在联盟(借据)阈值0.5 (AP50)和0.75 (AP75),平均阈值在0.5和1之间(美联社)和帧每秒(FPS)作为评价指标。我们重新训练网络模型后,传统的培训策略pretrained模型不再适用于FTSD的任务。默认的最小尺寸和最大大小框中使用比较方法在我们的方法是一样的。从表2,它可以观察到,语义特征fusion-based方法(FSSD和拟议中的FTSD-IEFSSD)有更好的性能比其他AP模型。主要原因是浅层次的语义信息缺乏问题可以解决通过语义融合不同的层。我们也观察到,单程对象探测器(YOLOv3和SSD-based方法)有一个很大的改进检测速度(FPS)。与此同时,相应的检测精度接近两级对象探测器。与SSD (ResNet50骨干)方法相比,我们的方法具有更好的性能在美联社,AP50, AP75,增加到83.9、92.8和88.9。FPS的方法比传统的SSD降低由于两个子网和语义融合操作。然而,检测精度提出FTSD-IEFSSD显著增加,这可以进一步提高自动化茶采摘的成功率。

图3显示FTSD结果的一部分传统的SSD (ResNet50骨干),R-FCN (ResNet50骨干),FSSD, FTSD-IEFSSD求婚。在图3,借据阈值以0.5的得分或以上。我们发现FTSD结果所获得的常规SSD含有更多的茶发芽分支,虽然有些小茶豆芽期间丢失检测。上述现象会导致较低的FTSD检测精度比其他方法图3。R-FCN有更好的检测精度比传统的固态硬盘,但是FPS迅速下降。检测精度FSSD获得的比传统的SSD和R-FCN,但它不是高达到应用的要求茶叶采摘机器人。在图3,它可以观察到更小新鲜茶叶芽通过我们的检测方法,尤其是茶叶芽部分由成熟的叶子。主要原因是融合上下文信息从3 - 6层可以提供更详细的新鲜茶叶芽。比较表2和3表明该FTSD-IEFSSD具有更好的整体性能美联社和FPS比最先进的方法,这是一种有效支持高质量的茶叶采摘任务。

4.3。模型分析

4.3.1。影响最小的大小和最大大小为默认的盒子

更好地理解该FTSD-IEFSSD,我们进行了一些对比实验分析的关键组件如何影响茶叶芽检测性能。最小尺寸的影响和最大大小对违约盒子FTSD-IEFSSD如表所示3,长宽比为默认层3盒,8、9 和4 - 7层 ,FPS和美联社测试数据集的结果。从表3,我们发现美联社在第三行有一个显著的改善而行2。主要原因是一些新鲜的茶叶芽默认框之间的轮廓尺寸 和 。我们还发现改善美联社从行3行8是有限的新鲜茶叶芽之间的轮廓大小默认的盒子 和 是罕见的。因此,上述现象表明默认盒与最小尺寸0.03和最大尺寸0.13可以覆盖大部分轮廓尺寸的新鲜茶叶芽。

4.3.2。为默认的箱子长宽比的影响

长宽比的影响如表所示4,最小尺寸和最大大小违约框分别是0.03和0.13,FPS和美联社也测试数据集的结果。从表4,它可以观察到,美联社增加更多的违约盒子形状,但是FPS却降低了由于添加默认的计算成本。如果我们删除与3和默认的盒子 长宽比在所有层,美联社下降3.2和5.9 FPS引发了与第二行表4。为了达到应用的要求自动茶采摘,检测精度和速度应该是平衡的。因此,我们设置长宽比违约的盒子在第三层,8、9 和4 - 7层 。FTSD-IEFSSD提议,我们还利用上下文信息从3层3 - 6增强的语义层和shape-based默认框获取更多关于茶叶芽的信息。然后,该方法的计算成本降低,检测精度是增加了这些优化策略。

4.3.3。对图像增强的影响权重系数

图像增强的结果由不同体重系数(和 )如图4和的值分别是0.6,0.7,0.8,0.9和0.95。它可以被观察到的对比新鲜茶叶芽的增加提高在图4;与此同时,造成的负面影响在FTSD背景逐渐减少。我们还设置1,但新鲜的茶叶芽的纹理细节很容易丢失。因此,我们使用0.95的值在实验中。增强我们的方法获得的图像可以提供更多的输入信息和特征,从而导致更好的FTSD性能与原始彩色图像进行比较。此外,增强的图像是一种灰色的图像,和小背景信息可能会丢失在图像增强的过程。因此,我们使用增强的图像子网和彩色图像子网解决输入信息和特征缺乏问题。多层语义融合和融合也被用来进一步提高新鲜茶叶芽检测精度。

4.3.4。不同的融合层检测精度的影响

语义融合用于我们的方法是一种有效的方式很好的平衡的计算速度和目标检测的准确性。在实验部分,我们评估不同的融合层检测精度的影响,以及细节如表所示5。FPS和美联社也相应的测试数据集的结果,和长宽比的策略和体重系数(和 )用于不同融合层遵循FTSD-IEFSSD提出的基线。

从表5,它可以观察到,美联社的添加提高融合层,但FPS只改变一点。具体来说,减少为0.4 FPS能带来一个增加1.1的检测精度,这是一种有效的方法提高检测精度。主要原因是更多的语义功能是通过卷积层。然后,新鲜的茶叶芽和成熟叶之间的差异和增强。因此,在我们的任务中,检测精度是通过添加增加融合层。

特征地图获得高水平通常有更多的全球语义信息,但不包括ResNet50层7号到9号在我们的语义融合部分由于体积小和有限的信息进行合并。因此,我们把上下文信息从3层3 - 6增强的语义层,这对FTSD有更好的性能。与此同时,检测速度满足要求(FPS通常大于13)自动茶采摘机器人中应用。

4.3.5。FTSD-IEFSSD比较不同的网络结构

在实验部分,我们还在FTSD分析网络结构的影响。比较不同的网络结构(单独的子网,包括语义融合手术与否,和不同的特征提取部分骨干)如表所示6,FPS和美联社相应的测试数据集的结果。长宽比的语义融合操作和策略中使用单独的子网结构(ResNet34, ResNet50、ResNet101 VGG-16基于骨干)FTSD-IEFSSD是相同的。最小值的大小和最大大小违约框中使用的所有网络结构分别为0.03和0.13。体重系数(和 )用于增强图像子网分别是0.95和0.05。VGG-16骨干网络结构遵循传统的SSD的基线(12),但语义融合操作提出FTSD-IEFSSD一样。

从不同的网络结构的比较表6,我们发现两个subnetwork-based方法(第3行和表6 - 96)平均提高1.92 AP比单一subnetwork-based方法(行1、2、4和5表6),这表明FTSD精度提高了两个子网的策略。主要原因是两个subnetwork-based方法可以获得更多的输入信息子网通过增强的图像。与此同时,更多的有用特性可以通过添加输入提取信息,导致FTSD更好的性能。从表6外,我们还发现检测方法(行1 - 3表61.13)使用语义融合提高美联社与方法相比没有语义融合(排在表4 - 66)。获得更多当地的详细特性与全球语义信息在语义融合操作,小清新的茶叶芽可以被检测出来。因此,通过语义融合检测性能得到了改进,提出FTSD-IEFSSD添加输入信息。

骨干网络用于特征提取部分通常有对检测精度影响不大。在实验部分,我们也比较不同的骨干网络找到一个更合适的网络结构,进一步提高检测的性能。在表6,我们的方法的检测性能与不同的骨干网络(ResNet34, ResNet50 ResNet101, VGG-16)行2和7 - 9所示。它可以观察到,VGG-16-based方法检测速度最高,但检测精度低。与此同时,ResNet101最佳性能检测精度,但检测速度不能满足应用的要求自动茶采摘机器人。因此,检测精度和速度应该平衡FTSD获得更好的性能。FTSD-IEFSSD提议,我们使用ResNet50作为骨干网络具有最佳综合检测性能。我们的方法的检测精度与VGG-16-based方法相比提高了1.9。从不同的网络结构的比较表6,还可以观察到,美联社获得的我们的方法比其他人高。主要原因是该网络结构在我们的方法更适合新鲜茶叶芽检测。同时,添加输入信息通过图像增强是另一个重要因素。

5。结论

在本文中,我们发展FTSD-IEFSSD,小说新鲜茶叶芽检测方法,通过图像增强和改善融合SSD。策略对象检测通过图像增强使用输入信息增加了在我们的方法中,这是一个新方法来提高检测性能。多层语义融合操作,自适应融合,和茶叶芽shape-based违约盒子也用来平衡计算速度和检测精度。实验结果表明,该方法在FTSD性能较好。我们的方法的测试数据集美联社是83.9,比最先进的方法具有更好的性能。我们方法的检测速度(FPS)是15.1,基本上可以满足高质量的茶叶采摘任务的要求。FTSD仍然是一个挑战性的任务,由于无法控制的成像条件和茶的小芽。未来的工作包括以下几方面。更多的新鲜茶叶芽应该收集图片。语义融合操作可以进一步优化提高检测的性能。 The model compression operation could be included to increase the detection speed.

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者声明没有利益冲突有关的出版。

确认

这项研究是由嘉兴的科技计划项目,中国批准号2018 ay11001,浙江省自然科学基金资助下号,LQ20F020026 LQ18F020007, LY18F020021。

引用

1. w .贝聿铭和x王”,二维坐标提取茶叶芽选择基于图像信息,“Acta Agriculturae Zhejiangensis28卷,第527 - 522页,2016年。视图:谷歌学术搜索
2. g .是的,”研究应用程序的自动化软件控制系统在茶园机械采摘,”学报》国际会议应用程序和技术在网络安全和情报格拉斯哥,页1830 - 1836年,英国,2019年7月。视图:谷歌学术搜索
3. h·杨,l·陈,陈m . et al .,“嫩茶叶芽识别和定位采摘机器人使用改进YOLO-V3模型,”IEEE访问7卷,第181011 - 180998页,2019年。视图:出版商的网站|谷歌学术搜索
4. y z . Tang苏,m . j . f . Qi, l . Zhang和j .周”基于局部二进制模式的纹理描述符茶叶的分类”Neurocomputing卷,168年,第1023 - 1011页,2015年。视图:出版商的网站|谷歌学术搜索
5. 钱德哈札里卡,a . k . s, s Sabhapondit et al .,“茶鲜叶质量评估,估算总多酚使用近红外光谱,”食品科学与技术杂志》上,55卷,不。12日,第4876 - 4867页,2018年。视图:出版商的网站|谷歌学术搜索
6. n . Bhattacharyya r . Bandyopadhyay m . Bhuyan Tudu, d . Ghosh和a . Jana“电子鼻红茶分类和相关的测量与“茶品酒师“标志”,IEEE仪表和测量卷,57号7,1313 - 1321年,2008页。视图:出版商的网站|谷歌学术搜索
7. m·b·巴纳吉r·b·罗伊·b·Tudu r . Bandyopadhyay n Bhattacharyya,“红茶分类采用特征融合和E-Tongue电子鼻响应,“《食品工程卷。244年,55 - 63、2019页。视图:出版商的网站|谷歌学术搜索
8. t .呀,w·维扬,z魏et al .,“茶岭识别和导航方法基于机器视觉的采茶机,”中国农业机械学会的事务卷,47岁,45 - 50,2016页。视图:谷歌学术搜索
9. c . c .吴”,在台湾茶收获机的发展现状,“工程,技术和应用科学研究,5卷,不。6,871 - 875年,2015页。视图:出版商的网站|谷歌学术搜索
10. Z.-Q。赵,p .郑S.-T。徐、吴x”与深度学习对象检测:审查”,IEEE神经网络和学习系统,30卷,不。11日,第3232 - 3212页,2019年。视图:出版商的网站|谷歌学术搜索
11. j .咦,p . Wu, d . n .迈塔克瑟白兰地”单发射击multibox探测器,“计算机视觉和图像理解18卷,2017。视图:谷歌学术搜索
12. d . w . Liu Anguelov, d . Erhan et al .,“Ssd:单身multibox探测器拍摄,”欧洲计算机视觉学报》上,页21-37、格拉斯哥、英国,2016年12月。视图:谷歌学术搜索
13. 吴x, f·张,j . Lv”茶嫩树叶识别方法研究基于图像颜色信息,“《茶叶科学33卷,第589 - 584页,2013年。视图:谷歌学术搜索
14. m .邵研究基于计算机视觉识别龙井茶豆芽的方法中国计量大学Jiliang,中国,2013。
15. k . Wang和刘“智能识别喝茶基于深度学习状态,”重庆理工学院杂志》上,29卷,第126 - 120页,2015年。视图:谷歌学术搜索
16. j . Redmon和a·哈蒂”Yolov3:增量改进”,2018年,http://arxiv.org/abs/1804.02432。视图:谷歌学术搜索
17. h·杨,l·陈,陈m . et al .,“嫩茶叶芽识别和定位采摘机器人使用改进YOLO-V3模型,”IEEE访问7卷,第181011 - 180998页,2019年。视图:出版商的网站|谷歌学术搜索
18. j . Redmon s Divvala r . Girshick et al .,“你只看一次:统一、实时检测,”《IEEE计算机视觉与模式识别会议,第788 - 779页,西雅图,佤邦,美国,2016年5月。视图:谷歌学术搜索
19. j . Redmon和a·哈蒂”YOLO9000:更好,更快,更强”学报2017年IEEE计算机视觉与模式识别会议火奴鲁鲁,页7263 - 7271年,美国,2017年7月,你好。视图:谷歌学术搜索
20. 李z和f .周FSSD:功能融合单发射击multibox探测器,“2018年,http://arxiv.org/abs/1712.00960。视图:谷歌学术搜索
21. a . c . y .傅w . Liu Ranga et al .,“Dssd: deconvolutional单一探测器拍摄,”2017年,http://arxiv.org/abs/1701.06659。视图:谷歌学术搜索
22. j .咦,p . Wu, d . n .迈塔克瑟白兰地”ASSD:细心的单发射击multibox探测器,“计算机视觉和图像理解文章ID 102827卷,189年,2019年。视图:出版商的网站|谷歌学术搜索
23. r . Girshick j·多纳休,t·达雷尔et al .,“丰富的特性准确的对象层次结构检测和语义分割”学报2014年IEEE计算机视觉与模式识别会议哥伦布,页580 - 587年,哦,美国,2014年。视图:谷歌学术搜索
24. 在r . Girshick“快速r-cnn。学报2015年IEEE计算机视觉国际会议,页1440 - 1448,圣地亚哥,智利,2015。视图:谷歌学术搜索
25. 任,k .他r . Girshick et al .,“快r-cnn:对与地区建议网络实时目标检测,”先进的神经信息处理系统,第99 - 91页,2015年。视图:谷歌学术搜索
26. p . Purkait、赵c和c·扎克,“SPP-Net:深绝对姿态回归合成视图,”2017年,http://arxiv.org/abs/1712.03452。视图:谷歌学术搜索
27. 吴x、d . Sahoo和c·h·海下,“最近的对象检测深度学习的进步,“Neurocomputing卷,396年,页39 - 64,2020。视图:出版商的网站|谷歌学术搜索
28. z, c .沈h . Chen等人“外交部:完全卷积单程对象检测”《IEEE计算机视觉国际会议9636年,页9627 - 2019年8月韩国,首尔。视图:谷歌学术搜索
29. c·h·李,z Wu朱et al .,“单程对象检测学习嘈杂的锚,”《IEEE / CVF计算机视觉与模式识别会议,第10597 - 10588页,西雅图,佤邦,美国,2020年5月。视图:谷歌学术搜索
30. 段k, l .谢h . Qi et al .,”角落提议anchor-free网络两级对象检测,”2020年,http://arxiv.org/abs/2007.13816。视图:谷歌学术搜索
31. j . y . Liu汉,问:张et al .,“通过两级图显著目标检测,”IEEE电路和系统视频技术,29卷,第1037 - 1023页,2018年。视图:谷歌学术搜索
32. p . Soviany和r·t·库”,优化单级和两级深对象探测器之间的权衡使用图像难以预测,”学报2018年20国际研讨会上象征性的科学计算和数值算法IEEE,页209 - 214年,蒂米什瓦拉,罗马尼亚,2018年8月。视图:谷歌学术搜索
33. m .梁b·杨y . Chen等人“3 d对象检测、多任务多传感器融合”《IEEE计算机视觉与模式识别会议长滩,页7345 - 7353年,CA,美国,2019年6月。视图:谷歌学术搜索
34. y周,p .太阳,y . Zhang et al .,“端到端多视点的3 d对象检测融合激光雷达点云,”学习机器人的会议。PMLR长滩,页923 - 932年,CA,美国,2020年1月。视图:谷歌学术搜索
35. 王N和X锣,“RGB-D突出对象检测自适应融合,”IEEE访问,第55284 - 55277页,2019年。视图:谷歌学术搜索
36. t·萨巴a . s . Mohamed m . El-Affendi et al .,“脑部肿瘤检测使用了手工和深度学习功能的完美融合,“认知系统研究,第230 - 221页,2020年。视图:谷歌学术搜索
37. 耿x”标签分配学习”,IEEE工程知识和数据28卷,第1748 - 1734页,2016年。视图:谷歌学术搜索
38. j . Wang和耿x“标签分布的理论分析学习,”人工智能学报AAAI会议,33卷,页5256 - 5263,纽约,纽约,美国,2019年7月。视图:谷歌学术搜索
39. b .陈和j·l·严“新鲜茶拍摄成熟度评估通过多光谱成像和深标签分配学习,”IEICE交易信息和系统,第2022 - 2019页,2020年。视图:谷歌学术搜索

版权

版权©2021本陈等。这是一个开放的访问分布在条知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。