温室樱桃番茄果实深度学习识别模型研究

doi:10.12190/j.issn.2096-1197.2023.05.12

北方农业学报 ›› 2023, Vol. 51 ›› Issue (5): 114-122.doi: 10.12190/j.issn.2096-1197.2023.05.12

温室樱桃番茄果实深度学习识别模型研究

沈超¹^,², 夏秀波¹^,³, 杨玮², 张焕春¹^,³, 李民赞²

1.山东省烟台市农业科学研究院，山东烟台 265500
2.中国农业大学智慧农业系统集成研究教育部重点实验室，北京 100083
3.烟台市智慧农业研究中心，山东烟台 265500

收稿日期:2023-08-02 出版日期:2023-10-20 发布日期:2024-01-04
通讯作者: 杨玮（1981—），女，副教授，博士，主要从事精细农业系统集成方面的研究工作。夏秀波（1980—），男，高级农艺师，硕士，主要从事蔬菜育种与智能化栽培方面的研究工作。
作者简介:沈超（1996—），男，硕士研究生，研究方向为智慧农业。
基金资助:
山东省烟台市科技计划项目(2020XCZX047);2023年烟台市设施番茄育种攻关团队项目

Research on deep learning recognition model of greenhouse cherry tomato fruit

SHEN Chao¹^,², XIA Xiubo¹^,³, YANG Wei², ZHANG Huanchun¹^,³, LI Minzan²

1. Yantai Academy of Agricultural Sciences of Shandong，Yantai 265500，China
2. Key Laboratory of Smart Agriculture Systems，Ministry of Education，China Agricultural University，Beijing 100083，China
3. Yantai Smart Agriculture Research Center，Yantai 265500，China

Received:2023-08-02 Online:2023-10-20 Published:2024-01-04

摘要/Abstract

摘要：

【目的】选取樱桃番茄果实深度学习识别模型，实现对温室樱桃番茄果实快速、准确的检测。【方法】采集樱桃番茄果实样本，标注数据，构建数据集，对YOLOv4和YOLOv4-Tiny算法模型进行训练，并对训练得到的模型进行精确率、召回率、平均准确率、综合评价指标F1值的分析。【结果】在训练好的YOLOv4和YOLOv4-Tiny算法模型上，樱桃番茄果实识别预测准确率分别为100%和96.84%、召回率分别为91.12%和90.53%、平均精确率分别为96.32%和94.18%、综合评价指标F1值分别为0.95和0.94。【结论】YOLOv4算法模型明显优于YOLOv4-Tiny，能够实现对樱桃番茄果实目标的准确检测。

关键词: 深度学习, 樱桃番茄, 果实, 识别, YOLOv4, YOLOv4-Tiny

Abstract:

【Objective】Select deep learning cherry tomato fruit recognition models to achieve rapid and accurate detection of greenhouse cherry tomato fruits.【Methods】The training data set was constructed by collecting the cherry tomato fruit samples and annotating the data. YOLOv4 and YOLO v4-Tiny algorithms were used for model training. The precision，recall，mean average precision and comprehensive evaluation index F1 value of the trained models were analyzed.【Results】The precision of cherry tomato fruit recognition prediction was 100% and 96.84% for the trained YOLOv4 and YOLOv4-Tiny models，the recall rates were 91.12% and 90.53%，average precision was 96.32% and 94.18%，and the comprehensive evaluation index F1 values were 0.95 and 0.94，respectively.【Conclusion】YOLOv4 algorithm model was obviously better than YOLOv4-Tiny，could achieve accurate cherry tomato fruit recognition.

Key words: Deep learning, Cherry tomato, Fruit, Recognition, YOLOv4, YOLOv4-Tiny

中图分类号:

TP391.41

沈超, 夏秀波, 杨玮, 张焕春, 李民赞. 温室樱桃番茄果实深度学习识别模型研究[J]. 北方农业学报, 2023, 51(5): 114-122.

SHEN Chao, XIA Xiubo, YANG Wei, ZHANG Huanchun, LI Minzan. Research on deep learning recognition model of greenhouse cherry tomato fruit[J]. Journal of Northern Agriculture, 2023, 51(5): 114-122.

图/表 9

图1

图2

表1

图3

图4

图5

图6

图7

图8

参考文献 27

[1]	TIEMAN D, ZHU G T, RESENDE Jr M F R, et al. A chemical genetic roadmap to improved tomato flavor[J]. Science, 2017, 355(6323):391-394. doi: 10.1126/science.aal1556 pmid: 28126817
[2]	郑锦荣, 李艳红, 聂俊, 等. 设施樱桃番茄产业概况及研究进展[J]. 广东农业科学, 2020, 47(12):212-220.
[3]	李天华, 孙萌, 娄伟, 等. 采摘机器人分割与识别算法的研究现状[J]. 山东农业科学, 2021, 53(10):140-148.
[4]	刘湘丽. 人工智能时代的工作变化、能力需求与培养[J]. 新疆师范大学学报(哲学社会科学版), 2020, 41(4):97-108.
[5]	李永玉, 赵洪卫, 常冬, 等. 小型西瓜果实成熟度的无损定性判别[J]. 光谱学与光谱分析, 2012, 32(6):1526-1530.
[6]	毕智健, 张若宇, 齐妍杰, 等. 基于机器视觉的番茄成熟度颜色判别[J]. 食品与机械, 2016, 32(12):133-136.
[7]	孙文杰, 牟少敏, 董萌萍, 等. 基于卷积循环神经网络的桃树叶部病害图像识别[J]. 山东农业大学学报(自然科学版), 2020, 51(6):998-1003.
[8]	王明迁, 李丹阳, 郝威凯, 等. 基于HSV颜色模型的图像识别技术研究[J]. 科技资讯, 2020, 18(35):1-2.
[9]	崔卓贤, 张清, 王恩培, 等. 种子分拣机器人图像处理研究[J]. 河北农机, 2020(12):19-20.
[10]	郑远攀, 李广阳, 李晔. 深度学习在图像识别中的应用研究综述[J]. 计算机工程与应用, 2019, 55(12):20-36. doi: 10.3778/j.issn.1002-8331.1903-0031
[11]	赵梓杉, 秦玉英, 李刚, 等. 基于深度学习的目标检测算法综述[J]. 汽车实用技术, 2021, 46(17):207-209.
[12]	EVERINGHAM M, VAN GOOL L, WILLIAMS C K I, et al. The pascal visual object classes(VOC) challenge[J]. International Journal of Computer Vision, 2010, 88(2):303-338. doi: 10.1007/s11263-009-0275-4
[13]	BOCHKOVSKIY A, WANG C Y, LIAO H Y M. YOLOv4:Optimal speed and accuracy of object detection[J]. Computer Vision and Pattern Recognition, 2020, 5:1244.
[14]	解尧婷, 张丕状. 基于改进的YOLOv4输电线路小目标检测[J]. 国外电子测量技术, 2021, 40(2):47-51.
[15]	史瑞鹏, 蒋丹妮, 方青. 基于YOLOv4的遥感影像飞机目标检测[J]. 测绘通报, 2021(S1):134-138.
[16]	边坤, 梁慧. 基于机器学习的图案分类研究进展[J]. 图学学报, 2023, 44(3):415-426. doi: 10.11996/JG.j.2095-302X.2023030415
[17]	张靖祺. 基于机器视觉温室番茄成熟度检测研究[D]. 泰安: 山东农业大学, 2019.
[18]	李国进, 黄晓洁, 李修华. 基于改进YOLOv3的树上成熟芒果检测方法[J]. 沈阳农业大学学报, 2021, 52(1):70-78.
[19]	朱旭, 马淏, 姬江涛, 等. 基于Faster R-CNN的蓝莓冠层果实检测识别分析[J]. 南方农业学报, 2020, 51(6):1493-1501.
[20]	WAN P, TOUDESHKI A, TAN H, et al. A methodology for fresh tomato maturity detection using computer vision[J]. Computers and Electronics in Agriculture, 2018, 146:43-50. doi: 10.1016/j.compag.2018.01.011
[21]	ZHAO Y S, GONG L, HUANG Y X, et al. Robust tomato recognition for robotic harvesting using feature images fusion[J]. Sensors, 2016, 16(2):173. doi: 10.3390/s16020173 pmid: 26840313
[22]	AREFI A, MOTLAGH A M, MOLLAZADE K, et al. Recognition and localization of ripen tomato based on machine vision[J]. Australian Journal of Crop Science, 2011, 5(10):1144-1149.
[23]	LIU G, MAO S, KIM J H. A mature-tomato detection algorithm using machine learning and color analysis[J]. Sensors, 2019, 19(9):2023. doi: 10.3390/s19092023
[24]	NYALALA I, OKINDA C, NYALALA L, et al. Tomato volume and mass estimation using computer vision and machine learning algorithms:Cherry tomato model[J]. Journal of Food Engineering, 2019, 263:288-298. doi: 10.1016/j.jfoodeng.2019.07.012
[25]	YUAN T, LV L, ZHANG F, et al. Robust cherry tomatoes detection algorithm in greenhouse scene based on SSD[J]. Agriculture, 2020, 10(5):160. doi: 10.3390/agriculture10050160
[26]	HU C, LIU X, PAN Z, et al. Automatic detection of single ripe tomato on plant combining faster R-CNN and intuitionistic fuzzy set[J]. IEEE Access, 2019, 7:154683-154696. doi: 10.1109/Access.6287639
[27]	WU J, ZHANG B, ZHOU J, et al. Automatic recognition of ripening tomatoes by combining multi-feature fusion with a bi-layer classification strategy for harvesting robots[J]. Sensors, 2019, 19(3):612. doi: 10.3390/s19030612

温室樱桃番茄果实深度学习识别模型研究

Research on deep learning recognition model of greenhouse cherry tomato fruit

RichHTML

PDF (PC)

赞

可视化

摘要/Abstract

引用本文

使用本文

图/表 9

参考文献 27

相关文章 15

Metrics

本文评价

推荐阅读 0

[1]	金青婷, 黄红星, 江顺. 基于文献计量学的农作物病虫害识别研究进展分析[J]. 北方农业学报, 2023, 51(4): 122-134.
[2]	孟佳丽, 沈虹, 吴绍军, 杨年福, 余翔, 张黎杰. 化肥减施对设施西瓜生长及果实品质的影响[J]. 北方农业学报, 2023, 51(3): 84-90.
[3]	王思阳, 路毅. 深度学习与全景图像技术在植物景观指标量化中的应用研究[J]. 北方农业学报, 2023, 51(2): 126-134.
[4]	秦鑫愿, 常仲林, 黄修梅, 郝丽珍, 付娜娜, 张凤兰. 沙芥属植物花粉和果实形态特征研究[J]. 北方农业学报, 2022, 50(4): 109-115.
[5]	李娜, 贾利霞, 付娜娜, 郝丽珍, 黄修梅, 张凤兰. 沙芥果实精油抗氧化及抑菌活性的研究[J]. 北方农业学报, 2021, 49(4): 120-126.
[6]	包珺玮, 于利峰, 乌兰吐雅, 许洪滔, 于伟卓, 敦惠霞. 基于ESTARFM模型的农作物类型识别方法应用[J]. 北方农业学报, 2021, 49(3): 128-134.
[7]	马柏林, 罗桂杰, 刘博, 谭军. 喷施不同浓度大丽花轮枝孢锌离子结合蛋白（VdAL）对宿晓红葡萄果实品质的影响[J]. 北方农业学报, 2020, 48(4): 110-115.
[8]	柳伟杰, 王南南, 孙昊琪, 崔振华, 王然, 马春晖. 中间砧对雪青梨根系发育及果实品质的影响[J]. 北方农业学报, 2019, 47(6): 96-100.
[9]	乌云德吉, 于利峰, 承昊, 包珺玮, 许洪滔, 赵佳乐, 乌兰吐雅. 基于GF-1/WFV时间序列数据的河套灌区主要农作物识别[J]. 北方农业学报, 2019, 47(5): 112-118.
[10]	孟佳丽;吴绍军;王夏雯;余翔;姜若勇. 不同砧木对西瓜生长以及果实品质的影响[J]. 北方农业学报, 2018, 46(1): 108-108.
[11]	乌云德吉;于利峰;包珺玮;许洪滔;乌兰吐雅. RapidEye卫星红边波段对主要农作物识别能力的影响研究[J]. 北方农业学报, 2017, 45(6): 118-118.
[12]	于利峰;乌兰吐雅;乌兰;包珺玮. 基于SAR-C的大兴安岭西麓地区主要农作物识别方法研究[J]. 北方农业学报, 2017, 45(3): 108-108.
[13]	乌兰乌兰吐雅包珺玮. 基于Landsat 8 OLI影像的大兴安岭西麓春小麦识别方法的比较研究[J]. 北方农业学报, 2017, 45(2): 109-109.
[14]	刘欢朱冠宇梁爽白杨闫雨彤郭金丽. 草莓果实采后衰老过程中果实品质及超微弱发光的变化[J]. 北方农业学报, 2016, 44(3): 29-29.
[15]	李志伟郭金丽南海风李连国. 不同栽植模式对葡萄果实品质影响的研究[J]. 北方农业学报, 2016, 44(1): 42-42.