复杂田间环境下的多簇猕猴桃识别

《农业工程学报》2018年第34卷第2期刊载了西北农林科技大学等单位傅隆生、冯亚利、Elkamil Tola、刘智豪、李瑞和崔永杰的论文——“基于卷积神经网络的田间多簇猕猴桃图像识别方法”。该研究由陕西省重点研发计划一般项目（项目号：2017NY-164）等资助。

我国的猕猴桃栽培面积最大，但收获为人工采摘，费时费力，因此发展猕猴桃自动化采摘技术，特别是研发采摘机器人，具有重要的实用价值。采摘机器人的首要及关键技术之一，是果实的快速有效识别，但常规识别算法易受样本和人为主观性的影响，很难具有普适性。

卷积神经网络方法对图像具有极强的数据表征能力。该文根据猕猴桃的独特棚架式栽培模式，采用底部竖直向上成像，选取田间环境下6000幅单果猕猴桃图像、4020幅背景图像作为训练样本，100幅田间原始猕猴桃图像作为测试样本；提出一种基于LeNet卷积神经网络的深度学习模型，优化其结构与参数，研究田间复杂环境下多簇猕猴桃果实的快速有效识别方法。

经过测试，发现对100幅图像中包含的5918个猕猴桃果实，该文构建的卷积神经网络的识别率达到89.29%，其中对遮挡果实、重叠果实、相邻果实和独立果实的识别率分别为78.97％、83.11％、91.01％和94.78％，且识别速度达到了0.27 s/个，远少于其他常规算法识别时间。

该文所用模型可以有效识别田间环境下多果猕猴桃，而且稳定性好、具有较高的识别率和实时性，基本满足猕猴桃采摘机器人的工作需求，为猕猴桃采摘机器人多机械臂作业的研究提供有力支撑，同时表明卷积神经网络在田间果实识别方面具有良好的应用前景。