通过使用改进的YOLOv4检测柑橘果园环境中

文摘

实时检测水果的果园环境是至关重要的许多精准农业应用技术之一,包括产量估计和自动获取。由于复杂的条件,如不同生长时期和闭塞树叶和水果,检测水果在自然环境中是一个相当大的挑战。快速柑橘类识别方法通过改进最先进的你只看一次版本4 (YOLOv4)探测器提出了本文。Kinect V2相机是用来收集柑橘树的RGB图像。树冠算法和k - means + +算法被用于自动选择前一帧的数量和规模从这些RGB图像。改进YOLOv4网络结构提出了更好地检测小柑橘复杂背景下。最后,训练网络模型用于稀疏的训练,修剪不重要的渠道网络,或网络层和微调修剪的参数模型来恢复一些识别的准确性。实验结果表明,改进的YOLOv4探测器适用于检测不同生长时期的柑橘在自然环境中,平均增加3.15%(从92.89%到96.04%)的准确性。这个结果优于原始YOLOv4, R-CNN YOLOv3,更快。这个模型的平均检测时间是0.06秒每帧1920×1080分辨率。 The proposed method is suitable for the rapid detection of the type and location of citrus in natural environments and can be applied to the application of citrus picking and yield evaluation in actual orchards.

1。介绍

柑橘是世界上最重要的水果之一。柑橘类的水果种植面积最大的,最高产量和中国最大的消费(1]。然而,中国的柑橘生产发展缓慢,与密集的人类劳动,低生产率和低效率。近年来,随着信息技术的不断改进,许多创新的机器视觉技术和人工智能测试和用于农业生产和管理,目的是提高自动化。然而,仍有许多具有挑战性的瓶颈在实际应用场景中,在计算机视觉识别可能的关键技术之一,影响农业自动化系统的实际效果。因此,设计一个低成本的机器视觉系统具有较强的可操作性的实时识别水果在不同生长阶段的自然果园环境下对水果行业的机械化具有重要意义。

近年来,由于技术的进步,如电脑、相机、图像处理,计算机视觉技术已专门应用于农业和其他相应的字段(2- - - - - -5]。从那时起,人们开发出了一系列的方法基于水果图像计算判断水果产量(6]。图像像素的变化更敏感照明在非结构化的照明条件下,使用上述方法降低水果检测的准确性(7]。对不同形状的果实,研究人员使用一种方法基于局部形状匹配检测(8]。人工智能方法的使用,特别是人工神经网络(ann),有助于水果的产量估计测试。例如,人工神经网络已成功地用于识别柑橘类水果(2和番茄9),以及估计的数量。这些技术可以帮助农民的管理,帮助他们更好地工作。

目前,世界各地的研究人员正在大力开发自动采摘机器人(10]。与传统的人工智能方法相比,深度学习技术是直接由数据和其自学习特性用来表达关系可以解决一系列的问题,不能通过传统的方法来解决11]。有许多方法来实时水果识别使用深度学习,他们已经成功地用于农业领域(12,13]。其中,卷积神经网络框架由Faster-RCNN和YOLO无疑是近年来最广泛使用的意思。柯伊拉腊et al。14)考虑光照条件的影响在一个果园水果识别。此外,他们使用多功能车辆配备RGB数码相机和照明设备收集芒果水果图像足够的光,晚上和重新设计了YOLO模型。意思一个新的框架,“MangoYOLO”,可以用来识别芒果白天。过夜的环境,熊等。15)提出了“Des-YOLOv3网络”,它适用于成熟柑橘的识别更复杂的夜间环境下;它具有较强的鲁棒性和较高的检测精度,平均精度为90.75%,检测53 f / s的速度。树枝和树叶的干扰下,水果识别具有挑战性;为了应对这个问题,Hanwen Kang et al。16)使用视觉传感器来检测和段在一个果园苹果和分支机构实时环境。他们开发了一个轻量级的骨干网络模型基于剩余的网络架构,为苹果和分支机构和检测精度值分别为86.5%和75.7%,分别。研究人员还研究了设备收集水果图像的能力。对3 d感知和重建,Mingyou陈et al。17)的三维感知适应性multivision技术,以提高使用香蕉果园的中心根茎。

传统的方法不适合识别柑橘在不同生长时期在复杂多变的环境中,和深度学习方法之间有一个平衡精度和实时。要解决这些问题,本文实验使用一种改进YOLOv4探测器,与Faster-RCNN相比,YOLOv3, YOLOv4。四个深度学习模型的实时识别四个不同种类的柑橘在不同实验条件下比较不同生长阶段,奠定了柑橘三维空间的进一步定位的基础。

2。数据集

2.1。柑橘图像集合

在这项研究中,进行了图像采集使用微软的Kinect V2深度相机是用于图像采集,射击距离2米和3米。相机可以获得RGB和深度图像数据在同一时间。Kinect V2 1920×1080分辨率RGB相机,深度传感器(包括红外CMOS摄像头和红外发射器),和一个麦克风阵列。相机生成一个512×424分辨率的图像深度每秒30帧的速度,实时重建周围的环境,和拍摄距离1米和1.5米。选择两种金橘和南枫橘子在柑橘广西特殊作物研究所的实验基地。两个品种的肥沃的橙色和橘子柑橘种植基地的选择麟贵的城市,桂林,中国。在这项研究中,我们收集了柑橘类水果的图像从大约1.5厘米直径(春季)成熟(2019年秋季)。图像是每周两次在9:00点,11:00点,2:00点,和4:00点,分别。在图像采集过程中,Kinect摄像头的拍摄方向和阳光照明方向平行于模拟前灯和其他背光的情况。图片也聚集在多云天气模拟分散照明。 Because the camera's angle of view would affect the recognition performance, images were collected from multiple angles during the image acquisition process. During the growth and maturity stages of the four sample groups, there were 500 pictures collected for kumquats, 450 pictures collected for Nanfeng tangerines, 400 pictures collected for fertile orange, and 400 pictures collected for tangerine. Among the citrus fruits collected in this paper, the shapes of the fruits in the growing period are mostly spherical, small, and with smooth and green peel surface; the fruits in the mature period are spherical and flat, with smooth or rough peel surface, and the colors of the fruits are mostly yellow and some are still green.

2.2。图像注释

图像注释过程包括注释收集到的图像,选择框架的柑橘,和提供培训后续识别模型训练数据集。图像注释工具使用LabelImg。柑橘类水果在LabelImg标签时,不仅柑橘的位置,而且样品的分类标志。每个水果的程度被树叶或树枝也决定和水果之间的重叠程度。使用两个不同的标签:水果,超过50%阻塞和那些不超过50%;水果与阻断率超过80%没有贴上标签,效果如图1。

2.3。图像数据增加

数据增加可以增加丰富的实验数据集,处理收集到的图像在颜色方面,亮度,旋转,和图像的定义,和扩展数据集(18更完整。在这项研究中,扩增器和imgaug图像数据增强库数据集被用来放大。同时,“关键点”和“边界框”参数相应的转换。根据自然环境的干扰因素,在这个实验中使用的增强技术包括旋转原始图像(数字2(一个)和2 (b)调整图像颜色(图)2 (c)(图),添加噪声2 (d)),等等。

2.4。数据集生产

比较不同算法的性能,图像格式的培训需要适应不同的算法的格式要求。实验中使用的数据集的目录结构生成类似于帕斯卡VOC的目录结构数据集,以及识别算法解析所需的帕斯卡VOC注释的格式类型。

促进培训,所需的输入图像的大小调整到一个特定的决议。Faster-RCNN算法调整输入图像的高度和宽度为600像素,同时保持图像长宽比不变。YOLOv3调整输入图像的大小为416×416像素,和YOLOv4调整输入图像的大小为608×608像素。当然,网络解决方案可以增加接受更大的输入图像,但结果可能是电脑内存泄漏或计算的需求增加。

我们将处理过的数据集分为训练集,一个测试集,验证集和训练验证集,占80%,10%,10%,和90%的数据(训练集和验证集的总和),分别。柑橘类数据集的描述如表所示1。

3所示。方法

3.1。Faster-RCNN算法

Faster-RCNN是近年来最常用的深度学习算法。结构,Faster-RCNN可以被视为一个RPN地区一代网络和Fast-RCNN检测网络的结合。当Fast-RCNN集成到RPN地区一代网络,它可以合并收购目标候选区域,深特征选择、目标识别和检测过程的深入学习网络(19]。先前的研究已经表明,相比之下,R-CNN Fast-RCNN, Faster-RCNN检测运行时间较短,而且,有人知道由罗和SSD算法相比,它具有更好的性能的鲁棒性20.]。

3.2。YOLOv3 YOLOv4算法

YOLO和YOLOv2意思的YOLOv3算法进化算法。与Faster-RCNN网络相比,YOLO网络意思将检测问题转换为一个回归的问题。YOLOv3不需要显示区域,直接生成边界框的坐标,通过回归,每个类的概率大大提高了检测速度。

YOLO检测意思模型如图3。模型中的每个图像数据集分为一个年代×年代网格。如果认可的中心目标是在网格,网格负责检测的目标。每个网格预测边界框及其信心得分,以及C类条件概率。自信的定义如下:

其中,代表的信心j^th边界框的我^th网格单元。用于指示巧合参考和预测之间的边界框。信心反映电网是否包含检测对象和准确性在预测是否边界框包含对象。当多个边框探测同一目标,YOLO使用意思nonmaximum抑制(NMS)方法来选择最好的边界框(21]。

YOLOv4算法提出了Bochkovskiy et al。22),结合加权剩余连接(拉力),cross-stage部分连接(CSP),和通过小型批连接(交叉mini-Batch正常化(CmBN)), self-adversarial培训(坐),和米什激活。此外,YOLOv4算法取得了令人惊异的检测精度和速度在许多数据集。

3.3。改善YOLOv4模型

比YOLOv3 YOLOv4网络使用高分辨率探测小目标并结合CSP模块获得5倍地图大小功能,提高卷积神经网络的学习能力。YOLOv4网络结构,目标检测包含6 CBL单位和一个输出层卷积。基于deconvolutional单发射击检测器(DSSD)网络(23),以避免消失梯度和增强功能的多路复用网络结构时深,6 CBL单位变成2 CBL单位和2 Res单元,如图4。

在剩余网络图(图4 (c)),x是网络的输入,是预期的输出和Res净只是区别呢学习的输出和输入之间,即残 。网络最优时,模块设置为0,向下转移特征从一个相同的地图,同时保持网络最优条件没有太多的层。剩余单位可以定义如下:

其中,和的输入和输出k_th剩余的单元,是激活函数,通常一个修改线性单元(ReLU),然后呢卷积核(24]。

剩余的单元,米什函数(25是用来代替破ReLU函数作为激活函数的网络结构。米什激活函数的表达式如下:

米什函数的特征(即没有界限。、积极的价值可以达到任何高度)。当x是负的,它不是完全截断,而是允许一个相对较小的负梯度流动,确保了信息的流动,这样整个损失函数仍是光滑的。

使网络能够获得更多小目标的特征信息,提高检出率的小目标,我们使用一个特征映射得到的第二个剩余模块在原始网络来检测目标,因为它包含更小的目标位置信息。Upsampling执行两次8倍YOLOv4 downsampling特性映射输出,获得一个特性图,2 * upsampling特性映射是连接到功能映射得到的第二个剩余模块CSPDarknet53网络结构。特征融合的目标检测和一个输出层建立了4次将采样检测小目标。此外,2剩余单位CSPDarknet53网络结构的第二个剩余模块增加到4剩余单位,和4中残留的第五单元剩余模块原始CSPDarknet53网络结构是减少到2。剩余单位保持原CSPDarknet53骨干网络层数。改进YOLOv4网络结构如图5。

YOLOv4针使用的马赛克数据增强方法4照片在一起,大大丰富了检测数据集,特别是增加了许多小目标的随机缩放。同时利用这个订书机方法提出的陈Y et al。26),图像调整到一个更小的组件,缝大小相同的传统形象。YOLOv4使用4图片缝合。在这项研究中,马赛克数据增强方法的代码修改,这样一个图像可以缝合根据预设数量的图片。四种柑橘照片在柑橘类数据集选择培训材料,使用和控制变量的方法。在原YOLOv4方法中,只使用修改后的马赛克数据增强方法,以及模型与不同数量的图片用于培训。根据计算公式的准确性(27),模型的准确性缝合不同数量的图片计算,结果如图6。本文选择5图片缝合。

3.4。树冠算法和k - means算法+ +

选择锚箱值适合用户自己的数据集在卷积神经网络训练参数可以提高最终模型识别的准确性。在这项研究中,树冠算法进行粗聚类数据集提供K值和初始聚类中心的K - means算法+ +。即集群中心的数量分为提前选择数据集,然后predivided K值替换到K - means + +好的聚类算法获得的锚箱值卷积神经网络。算法流程图如图7。这种方法允许我们更准确地确定K值输入和提高网络模型识别精度。

在本文给出的实验数据集的标签信息和网络功能的数量输入到输出层算法和该算法自动计算和输出值和前一帧的数量。本文几个实验是在柑橘上执行数据集,和相对应的聚类精度比较不同先验盒子的数量;见表2。最后,先天的箱子的数量是选为12。

3.5。Channel-and-Layer修剪

确保提高识别精度和速度,我们使用层修剪和通道修剪方法提出的刘et al。28]。没有失去大量的识别精度,改进YOLOv4模型训练算法执行稀疏培训和修剪操作,所以修剪后获得的模型识别速度更快,占用更少的存储空间,方便后续使用的识别模型。修剪的流程图如图8。

在这项研究中,使用一个常数尺度参数稀疏的策略,改善YOLOv4模型训练的方法是首先稀疏训练;然后,CBL层在每个快捷层CSPDarknet53骨干网络评估,和γ意味着每一层的分类。最小的层是修剪。最后,通过微调模型获得的修剪后,最后的柑橘识别模型可以获得;修剪后的模型尺寸如表所示3。

4所示。实验结果和讨论

4.1。实验环境和参数指标

上述算法运行以下电脑配置:Windows 10操作系统;英特尔酷睿i7 - 8550 u CPU;显卡是方形住宅区P4000, NVIDIA 430.26驱动程序,CUDA 10.1, CUDNN 7.6.5。实验用DarkNet53.conv。74年,yolov4.conv。137和VGG-16 as deep learning models.

YOLOv3算法,批量大小和细分设置为64,和培训的最大数量是6000。势头,初步学习速率,体重衰变正规化,和其他参数原始YOLOv3模型中的参数。YOLOv4算法和改进的YOLOv4算法,训练步骤类似于YOLOv3模型训练,但是训练参数修改。每个YOLO层意思的随机设置为1,使多尺度培训。在VGG_16 Faster-RCNN算法,模型被用于训练。

的样品混淆矩阵可分为以下四种类型: ,正样本的预测模型; ,负样本的预测模型; ,负样本的预测模型 ,正样本的预测模型(29日]。精度 ,回忆 , 分数,意味着平均精度(地图),每个图像和识别时间是用来评估模型的优缺点: (我)地图是指平均精度,用来测量学模型在所有类别的质量30.]。(2)识别每个图像的时间是用来测量模型识别图像后学习的速度。

在这项研究中,实验的定性、定量分析如下:(1)比较了四个模型的识别性能在不同生长时期和成熟时阻塞度不超过50%,(2)比较了四种模式的性能在不同阻塞度,和(3)比较了四个模型的性能识别金橘,南枫橘子,肥沃的橙、橘子。

4.2。柑橘检测在不同生长阶段

这个实验的目的是使用金橘数据在不同生长阶段闭塞训练水平不超过50%,确定哪些模型具有更好的识别性能在不同阶段金橘。模式识别是如图的效果9和10:

它可以看到从检测到的图片和表4种植金橘,改进YOLOv4方法检测大量的柑橘类水果,而YOLOv3和Faster-RCNN方法检测相对很少有水果和少量的识别错误。对于成熟的金橘,改善YOLOv4方法优于其他三种方法。金橘小水果大小增长时期,绿色水果和树叶,和隐性颜色特征。改进的检测能力的提高YOLOv4方法是非常重要的,它不会影响识别准确性,因为色彩和个人特征。成熟的水果有更明显的色彩特征,更大的单卷,和更少的重叠。通过多个实验比较,证明改进YOLOv4方法优越和更快的比其他三种方法。

4.3。检测柑橘与不同程度的阻塞

这个实验的目的是利用成熟的柑橘火车柑橘图片具有不同程度的阻塞和确定为柑橘类模型具有更好的识别性能有不同程度的阻塞。阻塞程度的测试图片选择在这个实验中是超过50%,这意味着超过一半的照片中的柑橘被树叶或树枝或重叠严重。四个模型的影响如图11和12:

如发现图片和表所示5,当阻塞的程度不超过50%,改进YOLOv4方法检测柑橘;与此同时,Faster-RCNN方法检测相对较少的水果。阻塞的程度超过50%时,Faster-RCNN模型检测到更多的水果比YOLOv3模型,但仅次于theYOLOv4和改进YOLOv4方法。结合研究结果Osco et al。31日),目前的结果表明,当密度小的目标出现在组织,这些密集的小目标可能是柑橘类水果被树叶或树干;Faster-RCNN的识别和检测效果优于YOLOv3,但这个不足是补救改善YOLOv4。改进YOLOv4实验结果表明,该方法优于Faster-RCNN小目标的识别精度,为未来的果实识别提供了一种新的可行解的研究。

4.4。不同柑橘品种的识别实验

这个实验的目的是利用图像采集成熟时期的四个柑橘训练来验证模型的泛化能力。这四个方法的识别结果如图13- - - - - -16:

图17显示AP值为4种柑橘的四个方法。从图可以直观地看到,每种方法的识别精度变化为不同类型的柑橘。

它可以从发现图片和AP值之间的比较,改进YOLOv4方法比其他三种方法检测到更多的水果。这在一定程度上是由于这样的事实,较小的水果和各种距离的水果可以看到图片后被树叶。Faster-RCNN方法有一个遥远的贫困识别影响水果当其他水果。实验结果表明,改进的YOLOv4模型具有良好的性能在不同柑橘品种的检测精度,具有良好的泛化能力。在一幅画中,当一个大目标和小目标同时出现相同的特性,改进YOLOv4方法的识别精度也非常令人印象深刻的,和YOLOv3方法可能会导致误判。

5。结论

基于四个深学习算法、Faster-RCNN YOLOv3, YOLOv4,和改进YOLOv4,本文介绍了四种类型的目标识别结果的柑橘在不同时期。实验对三种不同的数据集。结论如下。

与无关紧要的柑橘类水果颜色生长时期和较小的个人特点,改进YOLOv4方法执行最好在四个算法,YOLOv4紧随其后。对柑橘成熟期间具有鲜艳的颜色特征,更大的个人,与相对密度的增长和柑橘,改进YOLOv4算法也优于其他三种方法在准确性和检测速度。

在小目标的识别(高阻塞),改进YOLOv4算法执行最好,其次是YOLOv4;在稀疏的大目标的识别(部分屏蔽),改进YOLOv4算法的性能也是最好的。

在四个算法,改进的YOLOv4算法精度和泛化能力最高。检测的柑橘类的多个品种,它具有良好的性能,不影响算法的检测精度。

总之,在我们的实验中,所呈现的整体识别性能改进YOLOv4是最优的。虽然培训所花费的时间和空间模型比其它模型更大,时间和空间可以减少修剪后。最后,它很容易将这些算法应用到不同的情景。

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

作者宣称没有利益冲突有关的出版。

确认

这项工作得到了上海农业应用技术发展项目(没有。G2015060402),中国国家自然科学基金(没有。61762013),广西的科学和技术基础(没有。2018 ad19339),研究多源信息挖掘与广西重点实验室基金安全(20-A-02-02)。作者还要感谢广西奖学基金广西教育部门的支持。

引用

1. j·j·郭,z . p .高,j·l·夏et al .,“化学成分的比较分析,柑橘类精油的抗菌和抗氧化活性主要栽培品种在中国,“Lebensmittel-Wissenschaft &技术,97卷,2018年。视图:谷歌学术搜索
2. j。j壮族,s·m·罗c . j .侯y, y, x和y雪,“检测果园柑橘类水果使用单眼机的自动摘水果的方法建立应用程序,”计算机和电子产品在农业卷,152年,第73 - 64页,2018年。视图:出版商的网站|谷歌学术搜索
3. 徐z z翟,x周et al .,“识别风险等级棉花盲散发恶臭的昆虫朴素贝叶斯分类器的基础上,“交易的CSAE没有,卷。31日。1,第211 - 204页,2015。视图:谷歌学术搜索
4. 李x黄g . c . Ma et al .,“绿色桃识别基于改进区别的区域功能一体化算法类似的背景,“交易的CSAE,34卷,不。23日,第148 - 142页,2018年。视图:谷歌学术搜索
5. c . Wang x, z吴et al .,“机器视觉检测马铃薯机械损伤基于流形学习算法,”交易的CSAE,30卷,不。1,第252 - 245页,2014。视图:谷歌学术搜索
6. a . Gongal s Amatya m . Karkee问:张先生,和k·刘易斯,“水果检测和定位传感器和系统:一个评论,”计算机和电子产品在农业卷。116年,8-19,2015页。视图:出版商的网站|谷歌学术搜索
7. g .林邹x, y . Tang j . Li和j .熊”攷虑柑橘检测和本地化RGB-D图像分析的基础上,“生物系统工程,第186卷,第3444页,2019年。视图:出版商的网站|谷歌学术搜索
8. g .林邹x, y . Tang j . Cheng和j .熊”水果检测在自然环境中使用部分形状匹配和概率霍夫变换,“精准农业,21卷,不。1,第177 - 160页,2020。视图:出版商的网站|谷歌学术搜索
9. m . Rahnemoonfar和c·谢泼德,“深数:水果计算基于深度模拟学习,”传感器,17卷,1 - 12,2017页。视图:谷歌学术搜索
10. 江f·李,y, y, t . Li和s·陈,“机器人终端执行器设计与测量系统精确的广场拾起并定位对象,“Procedia制造业48卷,第180 - 172页,2020年。视图:出版商的网站|谷歌学术搜索
11. y Lecun (y Bengio g·辛顿,“深度学习”,自然,卷521,不。7553年,第444 - 436页,2015年。视图:出版商的网站|谷歌学术搜索
12. h . Yamane S.-Y y些。林,中国。陈,r·道“品种荔枝果实图像,采用深度学习的歧视”Scientia Horticulturae,第269卷,第109360页,2020年。视图:出版商的网站|谷歌学术搜索
13. a·柯伊拉腊et al .,“深度学习方法概述和审查用于水果检测和产量估算,“农业部和食品卷,162年,第234 - 219页,2019年。视图:谷歌学术搜索
14. a·柯伊拉腊k·b·沃尔什fnm王、和c·麦卡锡“深度学习实时检测和果园水果水果负载估计:基准测试“MangoYOLO”、“精准农业,20卷,不。6,1107 - 1135年,2019页。视图:出版商的网站|谷歌学术搜索
15. j .熊z郑,j .梁z中,b . Liu和b .太阳,“柑橘类检测方法在夜间环境下基于改进YOLO v3网络,意思“交易的CSAE,51卷,不。4、199 - 206年,2020页。视图:谷歌学术搜索
16. h·康和c·陈,“水果检测和分割为苹果收获在果园使用视觉传感器,”传感器,19卷,不。20,4599年,页2019。视图:出版商的网站|谷歌学术搜索
17. x y . m . Chen,邹et al .,“三维感知果园香蕉中央股票增强适应性multi-vision技术,”计算机和电子产品在农业,第174卷,第105508页,2020年。视图:出版商的网站|谷歌学术搜索
18. h . y, g .杨z Wang Wang e·李和z .梁,“苹果检测在不同生长阶段在果园中使用改进的YOLO-V3模型,”计算机和电子产品在农业卷,157年,第426 - 417页,2019年。视图:出版商的网站|谷歌学术搜索
19. t·哈斯c·舒伯特、m . Eickhoff和h . Pfeifer”BubCNN:泡沫检测使用更快RCNN和形状回归网络,”化学工程科学文章ID 115467卷,216年,2020年。视图:出版商的网站|谷歌学术搜索
20. 吴x太阳,p, s . c·h·海下“人脸检测使用深度学习:一种改进更快RCNN方法,”Neurocomputing卷。299年,42-50,2018页。视图:出版商的网站|谷歌学术搜索
21. d .吴,吴,x阴et al .,“跛检测奶牛基于YOLOv3深度的学习算法和步长相对特征向量,”生物系统工程卷,189年,第163 - 150页,2020年。视图:出版商的网站|谷歌学术搜索
22. a . Bochkovskiy彭译葶。王,h .元,和m .廖”YOLOv4:最优目标检测的速度和准确性,”2020年,https://arxiv.org/abs/2004.10934。视图:谷歌学术搜索
23. a . c . y .傅w . Liu Ranga et al .,“DSSD: deconvolutional单检测器,”会议的程序在计算机视觉和模式识别火奴鲁鲁,p . 1701年,美国,2017年7月,你好。视图:谷歌学术搜索
24. j·戴和j .通“星系形态学分类使用深残余网络,”天文学的发展36卷,第397 - 384页,2018年。视图:谷歌学术搜索
25. d . Misra“米什:自我正规化non-monotonic神经激活函数,”2019年,https://arxiv.org/vc/arxiv/papers/1908/1908.08681v2.pdf。视图:谷歌学术搜索
26. p . y . Chen, z李et al .,“订书机:对象检测反馈驱动数据提供商,”2020年,https://arxiv.org/abs/2004.12432。视图:谷歌学术搜索
27. d .字体、t . Palleja m . Tresanchez et al .,“建议自动水果收获通过结合低成本立体电视摄像机和一个机械手臂,“传感器,14卷,不。7,11557 - 11579年,2014页。视图:出版商的网站|谷歌学术搜索
28. z z . Liu j . Li沈et al .,“学习效率卷积网络通过网络瘦身,”会议的程序在计算机视觉和模式识别火奴鲁鲁,嗨,美国,2017年7月。视图:谷歌学术搜索
29. s . s . Mehta c .吨Asundi, t·f·伯克斯,“多个相机水果使用粒子滤波定位,”计算机和电子产品在农业卷,142年,第154 - 139页,2017年。视图:出版商的网站|谷歌学术搜索
30. 江,问:吴x阴et al .,“FLYOLOv3深度学习奶牛身体关键部位的检测,“计算机和电子产品在农业卷,166年,第180 - 172页,2019年。视图:出版商的网站|谷歌学术搜索
31. l . p . Osco m·d·s·d·阿鲁达,j .清晰的初级et al .,“卷积神经网络方法计算和确定柑橘树拍摄地在无人机多光谱图像,”ISPRS《摄影测量与遥感卷,160年,第106 - 97页,2020年。视图:出版商的网站|谷歌学术搜索

版权

版权©2020 Wenkang陈等。这是一个开放的分布式下文章知识共享归属许可,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。