李佳俊 朱子峰 劉洪鑫 蘇昱榮 溫傳聞 張原升 張慧敏 鄧立苗

摘要：針對Faster R-CNN模型對自然狀態(tài)下草莓（Fragaria ananassa Duch.）識別準確率不高的問題，以地壟種植草莓的實拍圖片為數(shù)據(jù)源，采用改進RPN結構和更換主干特征提取網(wǎng)絡的方法對Faster R-CNN模型進行了改進。結果表明，改進Faster R-CNN模型識別成熟草莓平均精度（AP）為0.893 0，識別未成熟草莓平均精度（AP）為0.820 7，草莓識別準確率達到較高水平，解決了未成熟草莓識別困難的問題。同時，為了檢驗模型的自動計數(shù)性能，依據(jù)模型的識別結果建立了自動計數(shù)與人工計數(shù)的線性回歸，成熟草莓、未成熟草莓的相關系數(shù)分別為0.973 7、0.944 7，自動計數(shù)與人工計數(shù)擁有較高的相關性，表明改進Faster R-CNN模型具有較高的識別性能與計數(shù)能力。

關鍵詞：草莓（Fragaria ananassa Duch.）；識別；Faster R-CNN模型；ResNet50

中圖分類號：S24 ? ? ? ? 文獻標識碼：A

文章編號：0439-8114（2023）11-0183-08

DOI：10.14088/j.cnki.issn0439-8114.2023.11.032 開放科學（資源服務）標識碼（OSID）：

Strawberry fruit recognition algorithm based on improved Faster R-CNN model

LI Jia-jun， ZHU Zi-feng， LIU Hong-xin， SU Yu-rong， WEN Chuan-wen，

ZHANG Yuan-sheng， ZHANG Hui-min， DENG Li-miao

（School of Science and Information， Qingdao Agricultural University， Qingdao ?266109， Shandong，China）

Abstract： In response to the problem of low recognition accuracy of the Faster R-CNN model for natural strawberries （Fragaria ananassa Duch.）， the Faster R-CNN model was improved by improving the RPN structure and replacing the backbone feature extraction network using live images of strawberries planted on ridges as the data source.The results showed that the improved Faster R-CNN model had an average precision （AP） of 0.893 0 when identifying mature strawberries and 0.820 7 when identifying immature strawberries. The accuracy of strawberry recognition reached a high level， solving the problem of difficulty in identifying immature strawberries.Meanwhile， in order to test the automatic counting performance of the model， a linear regression between automatic counting and manual counting was established based on the recognition results of the model. The correlation coefficients of mature and immature strawberries were 0.973 7 and 0.944 7， respectively. The high correlation between automatic counting and manual counting indicated that the improved Faster R-CNN model had high recognition performance and counting ability.

Key words：strawberry （Fragaria ananassa Duch.）； identification；Faster R-CNN model； ResNet50

隨著草莓（Fragaria ananassa Duch.）在中國種植面積的逐漸擴大，截至2018年，中國草莓種植面積為11.11萬hm2，總產(chǎn)量為296.43萬t［1］。草莓種植從業(yè)人員老齡化問題日益凸顯，加之草莓種植產(chǎn)業(yè)屬于勞動密集型的高投入高產(chǎn)出農(nóng)業(yè)［2］，致使在每年草莓收獲的季節(jié)都會出現(xiàn)采摘勞動力不足的情況，間接導致勞動成本增高。草莓種植產(chǎn)業(yè)亟需引入自動化采摘系統(tǒng)，以提高采摘效率［3］，減緩對人工采摘的依賴，降低采摘成本。對草莓進行準確的定位識別是實現(xiàn)自動化采摘的前提與關鍵，而對生長期草莓的精準計數(shù)是進行估產(chǎn)的關鍵。

近年來，隨著計算機相關算法和硬件的不斷發(fā)展，圖像分類［4］和目標檢測等機器視覺技術在各種深度學習算法的推動下得到了迅猛進步，并應用于果蔬［5-8］的識別和目標檢測。胡慶勝等［9］研究了基于機器視覺的果蔬識別方法，該方法利用Mask R-CNN神經(jīng)網(wǎng)絡框架對果蔬目標進行識別提取，解決了復雜環(huán)境下果蔬目標不能很好識別的問題，其中對于草莓的識別率達93.4%，但是使用的數(shù)據(jù)集較少，導致訓練出來的神經(jīng)網(wǎng)絡場景較少，同時研究中并沒有提及識別草莓過程中是否區(qū)分成熟草莓與未成熟草莓。針對自然狀態(tài)下草莓果實枝葉遮擋率較高，識別準確率較低等問題，閆勇等［10］提出了Lab色彩模型下梯度Hough圓變換的成熟草莓識別方法，該方法具有較強的穩(wěn)定性和精確性，在光線較差的環(huán)境下，依然能獲得較低的偏差，但是當拍攝距離較遠或者草莓形狀較圓時，識別性能就會下降，同時研究中的方法只能識別成熟草莓，對于未成熟草莓的識別并沒有進行描述。劉小剛等［11］改進了YOLOv3識別方法，在復雜環(huán)境下對草莓進行連續(xù)識別檢測，成熟草莓與未成熟草莓的平均精度均值（mAP）為0.875 1，但是并沒有對模型的草莓計數(shù)能力進行研究。綜上，對草莓的識別研究均具有一定的局限性，例如識別場景簡單、只針對成熟草莓識別等，為了讓草莓識別技術可以真正落地并投入到實際生產(chǎn)中，要求模型可以在真實的草莓種植基地環(huán)境下進行識別，為此優(yōu)化現(xiàn)有的識別模型，使其可以在草莓識別上發(fā)揮更好的效果。

1 數(shù)據(jù)集的建立與方法

1.1 數(shù)據(jù)集的建立

1.1.1 圖像采集 試驗地點為山東省青島市即墨區(qū)環(huán)秀街道辦事處西馴虎山有機草莓種植基地，大棚地壟式種植。實地采集草莓圖像2 757張，如圖1所示。圖像中成熟草莓為鮮艷的紅色，未成熟草莓為綠色或是粉色；背景中葉片為淺綠色或深綠色；薄膜為暗灰色；部分圖像背景中存在暴露的土壤，為棕紅色。

1.1.2 數(shù)據(jù)集劃分 將拍攝所得的2 757張圖片隨機均勻地劃分為6組，每組圖像按照圖片中草莓的個數(shù)再分為2個數(shù)據(jù)集，其中圖像中草莓數(shù)量≤4個的數(shù)據(jù)集標注為稀疏數(shù)據(jù)集，圖像中草莓數(shù)量≥5個的數(shù)據(jù)集標注為密集數(shù)據(jù)集，數(shù)據(jù)集劃分結果如表1所示，共產(chǎn)生12個數(shù)據(jù)集，分別用于不同的試驗情境。

1.1.3 數(shù)據(jù)標注 將采集的2 757張圖片壓縮至較小且相同的分辨率，方便后期導入模型進行訓練，同時利用標注軟件對所有圖像進行標注，標簽分為成熟草莓和未成熟草莓，同一張圖像上可以同時存在2種標簽，采用POSCAL VOC2007數(shù)據(jù)集分析［12］。

1.2 方法

1.2.1 改進Faster R-CNN模型 改進Faster R-CNN模型整體結構如圖2所示，共享基礎卷積層（Conv1至Conv4）是由VGG16或ResNet101［13］等主干特征提取網(wǎng)絡組成，用于提取整張草莓圖片的特征，在去除全連接層且保留卷積層后輸出采樣后的特征圖像［14］。特征圖像分別輸入改進的候選檢測框生成網(wǎng)絡（RPN）和ROIPooling，ROIPooling與分類網(wǎng)絡（Softmax和bbox_pred）對RPN產(chǎn)生的候選檢測框進行分類，并且第二次調(diào)整候選框坐標，最后輸出檢測結果［15，16］。

1.2.2 RPN網(wǎng)絡優(yōu)化 Faster R-CNN模型［17］的RPN要用1個3×3的slide window去遍歷整個feature map，在遍歷過程中，如圖3所示，每個windows中心點按照1∶2、1∶1、2∶1的基礎框比例生成anchor boxes，3個基礎框的面積分別為128×128、256×256、512×512［18］，在檢測較小的草莓時，由于3個基礎框的面積較大，很難匹配較小的草莓，導致Faster R-CNN模型在識別較小的草莓時識別效果較差。

考慮到在通常情況下會出現(xiàn)一些未開始發(fā)育的草莓，這些草莓較普通草莓更小，所以適當調(diào)小基礎框面積的下限有利于對未發(fā)育草莓的識別，但是在原結構中，3個基礎框的最小框已經(jīng)很小，故在調(diào)節(jié)時不需要進行大幅度的調(diào)節(jié)，將3個基框的面積改為112×112、256×256、512×512可以提高對體積較小草莓的識別效果。

在Faster R-CNN模型的RPN結構中，存在1個3×3的slide window，但是草莓果實大小不一，只有1種規(guī)格的滑動窗口會降低模型對草莓的識別能力，所以在原RPN的基礎上，增加1×1和5×5 2種規(guī)格的slide window，擴大其感受野，提高草莓識別性能，得到圖4所示的改進后RPN結構。

1.2.3 模型訓練 在模型測試時發(fā)現(xiàn)識別過程中識別框重疊概率較小，經(jīng)過多次微調(diào)試驗，將nms_thresh參數(shù)由0.7調(diào)至0.8，圖像中更多的草莓可以被檢測到。訓練迭代次數(shù)為10 000次，為了讓模型在損失曲線收斂時震蕩范圍更小，提高訓練性能，在模型即將完成訓練時減小其學習率，因此設置學習率為0.001［19］，在完成7 500次迭代后學習率降低。

訓練設備為1080Ti顯卡［20］，操作系統(tǒng)為Windows10，環(huán)境為PyThon3.5，Tensorflow1.3.0，訓練數(shù)據(jù)通過PyThon的wandb庫傳送到wandb云端平臺進行損失曲線可視化。

1.2.4 評價指標 采用精度（Precision）、召回率（Recall）、F1、mF1、AP和mAP等作為衡量模型性能的指標［21，22］。各指標參數(shù)的計算公式如下：

[Precision=TPTP+FP] ? ? ? ? ? ? ? ? （1）

[Recall=TPTP+FN] ? ? ? ? ? ? ? ? ? （2）

[F1=2×Precisionk×RecallkPrecisionk+Recallk] ? ? ? （3）

[mF1=1n2×Precisionk×RecallkPrecisionk+Recallk2] ? ? ? （4）

[AP=01Precision×dRecall] ? ? ? ?（5）

[mAP=1nAP] ? ? ? ? ? ? ? ? ? （6）

式中，k為圖片標號；n為標簽種類數(shù)；Precision為預測值為真且真實值也為真的樣本在預測值為真的所有樣本中所占的比例；Recall為預測值為真且真實值也為真的樣本在真實值為真的所有樣本中所占的比例；TP為實際為真，模型預測也為真的識別實例數(shù)量；FP為實際為假，模型預測為真的識別實例數(shù)量；FN為實際為真，模型預測為假的識別實例數(shù)量；F1為模型準確率和召回率的加權平均；mF1為所有類別F1的均值；AP為平均精度；mAP為所有類別AP的均值，用于衡量模型在所有類別上的好壞。

2 結果與分析

2.1 不同主干特征提取網(wǎng)絡下的檢測性能

采用不同的圖像主干特征提取網(wǎng)絡（VGG16、VGG19、ResNet50、ResNet101）對草莓圖像進行目標檢測［23］，所有模型在完成10 000次訓練后，對其損失曲線和PR曲線進行分析，綜合判斷并找到最適合對草莓進行目標檢測的主干特征提取網(wǎng)絡。

損失率［24］是實際值與期望值之差，損失率越小，模型的魯棒性越好。經(jīng)過10 000次訓練后，4個模型都出現(xiàn)了收斂的趨勢，經(jīng)過滑動平均（Exponential moving average）處理后，得到圖5所示的曲線。在前2 000次迭代中4個模型的損失率逐漸減小，在迭代2 000次左右時4個模型的損失曲線波動幅度均趨于緩和，在8 000次迭代后4個模型的損失率均低于0.5%，4個模型的損失曲線趨于平緩［25］。相比VGG16和VGG19，ResNet50和ResNet101在8 000次訓練后損失曲線波動較小，更平穩(wěn)。

在相同模型下，2類草莓的識別效果不同，在數(shù)據(jù)集中抽取2 077張圖片組成測試集進行測試，分別對4種主干特征提取網(wǎng)絡下成熟草莓和未成熟草莓的PR曲線進行分析，如圖6所示。對成熟草莓而言，在相同Recall下各主干特征提取網(wǎng)絡的PR曲線Precision差異較小，ResNet50較高；未成熟草莓中各主干特征提取網(wǎng)絡的PR曲線差異較大，相同Recall下，ResNet50的Precision較其他3個模型更有優(yōu)勢，在相同的Precision下，ResNet50的Recall也更高。

在數(shù)據(jù)集中選取3張具有代表性的圖片，分別使用不同主干特征提取網(wǎng)絡的Faster R-CNN模型進行識別，由圖7可知，VGG16、VGG19、ResNet50、ResNet101 4種模型對2號至6號草莓的識別效果差距較小，都表現(xiàn)出較高的識別率。1號、7號、8號為未成熟草莓，不僅體積非常小而且其葉片遮擋住了果實，4種模型對其識別效果都有所下降，且下降的程度不同，因此選取有葉片遮擋、體積小、未成熟的草莓圖片進一步測試。

圖8中只有ResNet50識別出了被葉片遮擋的未成熟草莓（1號），圖9中只有ResNet101和ResNet50識別出殘缺、體積很小的未成熟草莓（5號），因此選用ResNet50作為模型的特征提取網(wǎng)絡［26］。

2.2 模型性能評價

Faster R-CNN模型和改進Faster R-CNN模型的主干特征提取網(wǎng)絡均采用ResNet50，對比Faster R-CNN模型和改進Faster R-CNN模型的各類指標，評價模型的檢測性能。由圖10可知，改進Faster R-CNN模型曲線在Faster R-CNN模型曲線上方，說明在對未成熟草莓的識別上改進Faster R-CNN模型識別效果更好，而在成熟草莓的PR曲線對比中，2個模型識別效果差異不明顯。

由表2可知，改進Faster R-CNN模型成熟草莓、未成熟草莓的AP分別比Faster R-CNN模型高0.004 7、0.036 5，改進Faster R-CNN模型成熟草莓、未成熟草莓的F1分別比Faster R-CNN模型高0.016 7、0.031 3。

2.3 不同分布密度下的檢測性能

在實地拍攝的草莓圖像中，草莓數(shù)量有多有少，為了檢測使用ResNet50為主干特征提取網(wǎng)絡的改進Faster R-CNN模型對含有不同草莓數(shù)量圖像的檢測性能，將原來測試集中草莓數(shù)量≤4個的圖像設置為稀疏草莓數(shù)據(jù)集，將草莓數(shù)量≥5個的圖像設為密集草莓數(shù)據(jù)集，采用AP、Precision和Recall評估2個數(shù)據(jù)集，檢測結果如表3所示。

稀疏草莓數(shù)據(jù)集中未成熟草莓和成熟草莓的AP均高于密集草莓數(shù)據(jù)集，稀疏草莓數(shù)據(jù)集中成熟草莓的AP高達0.902 8；稀疏草莓數(shù)據(jù)集中成熟草莓的Precision高于密集草莓數(shù)據(jù)集，為0.934 7；稀疏草莓數(shù)據(jù)集中未成熟草莓和成熟草莓的Recall均高于密集草莓數(shù)據(jù)集；密集草莓數(shù)據(jù)集中未成熟草莓的Precision和Precision均值均高于稀疏草莓數(shù)據(jù)集。綜上，稀疏草莓數(shù)據(jù)集在AP和Recall上表現(xiàn)較好，密集草莓數(shù)據(jù)集在Precision上對未成熟草莓的識別效果較優(yōu)，所以總體上改進Faster R-CNN模型在識別≤4個草莓圖像時的檢測性能更好。

2.4 模型的計數(shù)性能

對12個數(shù)據(jù)集的草莓分別進行人工計數(shù)和改進Faster R-CNN模型自動計數(shù)。由圖11可知，成熟草莓的人工計數(shù)與自動計數(shù)差別較小，而未成熟草莓的自動計數(shù)數(shù)值普遍高于人工計數(shù)，說明在未成熟草莓的計數(shù)方面存在高估現(xiàn)象。根據(jù)線性回歸分析，成熟草莓的相關系數(shù)為0.973 7，與最理想的1∶1標準線非常接近，說明成熟草莓的計數(shù)效果較好。

3 討論

3.1 模型架構

本研究通過改進Faster R-CNN模型中的RPN結構和多次試驗測定出最適合草莓識別的主干特征提取網(wǎng)絡，構建了適用于草莓識別的模型。該模型RPN在原RPN結構中3×3的卷積窗口上增加了1×1和5×5 2個滑動窗口，擴大其感受野，提高識別性能。同時，根據(jù)數(shù)據(jù)集的圖像共有特征改進模型中的基礎框面積，對圖中較大草莓的識別并不會有較大影響。經(jīng)過試驗對比發(fā)現(xiàn)，將基礎框調(diào)小至112×112可以獲得較好的識別效果，李林升等［27］對蘋果的檢測和Li等［28］對粉虱和薊馬的檢測中同樣也對基礎框的大小進行了調(diào)整，識別效果均得到顯著提升，但是由于與本研究數(shù)據(jù)集不同，暫時無法比較2個模型的性能。

3.2 未成熟草莓的識別與計數(shù)問題

由于未成熟草莓顏色淺且與葉片顏色相似，未成熟草莓的識別難度較大。Sengupta等［29］研究水果識別模型中遮擋、形狀不規(guī)則和光照多變等問題，與本研究未成熟草莓的識別問題相似，都存在干擾模型識別的因素，導致無法得到較好的識別結果。成熟草莓的體積相對固定，未成熟草莓處于發(fā)育期，個體間體積差異較大，還包括未發(fā)育完全的帶有花托的小草莓，這些未成熟草莓對模型的識別率均會產(chǎn)生影響，趙輝等［30］基于果園復雜環(huán)境對YOLOv3模型進行了改進，改進的YOLOv3模型顯著提升了對體積小、未成熟蘋果果實的識別率。

未成熟草莓果實及其枝葉的顏色雖然相似，但是也存在差異。未成熟草莓的顏色為淺綠色，枝葉為深綠色，且未成熟草莓果實形狀同樣與其枝葉形狀有較大差異，因此可以通過提高訓練次數(shù)擴大未成熟草莓與枝葉之間的差異來達到提升識別準確率的目的。本研究基于上述未成熟草莓的特點做出改進，通過改進3種基礎框的最小框面積來提高對成熟草莓和未成熟草莓的檢測性能。

4 結論

為了實現(xiàn)草莓的自動識別與計數(shù)功能，本研究改進了原有的Faster R-CNN模型，建立了適用于草莓識別的模型。針對草莓圖像特征改進了模型的RPN結構和3種基礎框面積，提升了對成熟草莓和未成熟草莓的檢測性能。通過對VGG16、ResNet50、VGG19和ResNet101 4種主干特征提取網(wǎng)絡下模型識別效果的分析，選擇了效果相對較好的ResNet50。在ResNet50中成熟草莓的AP為0.893 0，未成熟草莓的AP為0.820 7，mAP為0.856 9，改進Faster R-CNN模型的識別效果較Faster R-CNN模型有了較大的提高。在計數(shù)方面，建立了人工計數(shù)和自動計數(shù)的線性回歸方程， 成熟草莓和未成熟草莓的相關系數(shù)分別達0.973 7和0.944 7。本研究中改進Faster R-CNN模型展現(xiàn)了較好的檢測性能與計數(shù)能力，可為草莓自動化采摘和估產(chǎn)提供理論基礎與技術支撐。

參考文獻：

［1］ 王鳴謙，薛 莉，趙 珺，等. 世界草莓生產(chǎn)及貿(mào)易現(xiàn)狀［J］. 中國果樹，2021（2）：104-108.

［2］ 肖逸塵，楊 涵.南京草莓產(chǎn)業(yè)SWOT分析及發(fā)展策略［J］.中國林業(yè)經(jīng)濟，2021（5）：74-77.

［3］ 王糧局，張立博，段運紅，等. 基于視覺伺服的草莓采摘機器人果實定位方法［J］. 農(nóng)業(yè)工程學報，2015，31（22）：25-31.

［4］ 林相澤，張俊媛，朱賽華，等.基于K-SVD和正交匹配追蹤稀疏表示的稻飛虱圖像分類方法［J］.農(nóng)業(yè)工程學報，2019，35（19）：216-222.

［5］ 王丹丹，何東健.基于R-FCN深度卷積神經(jīng)網(wǎng)絡的機器人疏果前蘋果目標的識別［J］.農(nóng)業(yè)工程學報，2019，35（3）：156-163.

［6］ OLANIYI E O， OYEDOTUN O K， ADNAN K.Intelligent grading system for banana fruit using neural network arbitration：Intelligent grading system for banana fruit［J］. Journal of food process engineering， 2017， 40（1）：e12335.

［7］ 謝忠紅，徐煥良，黃秋桂，等.基于高光譜圖像和深度學習的菠菜新鮮度檢測［J］.農(nóng)業(yè)工程學報，2019，35（13）：277-284.

［8］ JUNCHENG M， KEMING D， FEIXIANG Z， et al. A recognition method for cucumber diseases using leaf symptom images based on deep convolutional neural network［J］. Computers and electronics in agriculture， 2018， 154：18-24.

［9］ 胡慶勝，符亞云，牛金星.采摘機器人視覺系統(tǒng)的目標識別提取研究［J］.河南科技，2020，39（25）：5-8.

［10］ 閆 勇，陳立夫，郭坤坤，等.Lab色彩模型下梯度Hough圓變換的成熟草莓識別［J］.安徽農(nóng)業(yè)大學學報，2020，47（3）：488-493.

［11］ 劉小剛，范 誠，李加念，等.基于卷積神經(jīng)網(wǎng)絡的草莓識別方法［J］.農(nóng)業(yè)機械學報，2020，51（2）：237-244.

［12］ 任 會，朱洪前.基于深度學習的目標橘子識別方法研究［J］.計算機時代，2021（1）：57-60，64.

［13］ WANG T T， XU L， LI J B. Sdcrkl-gp： Scalable deep convolutional random kernel learning in gaussian process for image recognition［J］.Neurocomputing， 2021， 456：288-298.

［14］ 席 芮，姜 凱，張萬枝，等.基于改進Faster R-CNN的馬鈴薯芽眼識別方法［J］.農(nóng)業(yè)機械學報，2020，51（4）：216-223.

［15］ 張 磊，姜軍生，李昕昱，等.基于快速卷積神經(jīng)網(wǎng)絡的果園果實檢測試驗研究［J］.中國農(nóng)機化學報，2020，41（10）：183-190，210.

［16］ ZHONG Z， JIN L，HUANG S.A new approach for text proposal generation and text detection in natural images［A］.Ieee international conference on acoustics， speech and signal processing（ICASSP）［C］.New Orleans，LA，USA：IEEE，2017.1208-1212.

［17］ HE K M，ZHANG X Y，REN S Q，et al. Deep residual learning for image recognition［A］. Ieee conference on computer vision and pattern recognition［C］.Las Vegas，NV，USA：IEEE，2016.770-778.

［18］ REN S Q， HE KM， GIRSHICK， R， et al. Faster R-CCC： Towards real-time object detection with region proposal networks［J］. Ieee transactions on pattern analysis and machine intelligence，2017，39（6）：1137-1149.

［19］ 張文靜，趙性祥，丁睿柔，等.基于Faster R-CNN算法的番茄識別檢測方法［J］.山東農(nóng)業(yè)大學學報（自然科學版），2021，52（4）：624-630.

［20］ 岳有軍，孫碧玉，王紅君，等.基于級聯(lián)卷積神經(jīng)網(wǎng)絡的番茄果實目標檢測［J］.科學技術與工程，2021，21（6）：2387-2391.

［21］ 陳怡佳. 基于Faster RCNN的目標檢測系統(tǒng)［D］. 哈爾濱：哈爾濱理工大學，2019.

［22］ 荊偉斌，李存軍，競 霞，等.基于深度學習的蘋果樹側視圖果實識別［J］.中國農(nóng)業(yè)信息，2019，31（5）：75-83.

［23］ 閆建偉，趙 源，張樂偉，等.改進Faster-RCNN自然環(huán)境下識別刺梨果實［J］.農(nóng)業(yè)工程學報，2019，35（18）：143-150.

［24］ 倪建功，李 娟，鄧立苗，等.基于知識蒸餾的胡蘿卜外觀品質(zhì)等級智能檢測［J］.農(nóng)業(yè)工程學報，2020，36（18）：181-187.

［25］ 成 偉，張文愛，馮青春，等.基于改進YOLOv3的溫室番茄果實識別估產(chǎn)方法［J］.中國農(nóng)機化學報，2021，42（4）：176-182.

［26］ 彭明霞，夏俊芳，彭 輝. 融合FPN的Faster R-CNN復雜背景下棉田雜草高效識別方法［J］. 農(nóng)業(yè)工程學報，2019，35（20）：202-209.

［27］ 李林升，曾平平.改進深度學習框架Faster-RCNN的蘋果目標檢測［J］.機械設計與研究，2019，35（5）：24-27.

［28］ LI W Y，WANG D J，LI M，et al. Field detection of tiny pests from sticky trap images using deep learning in agricultural greenhouse［J］. Computers and electronics in agriculture，2021，183： 106048.

［29］ SENGUPTA S， LEE W S. Identification and determination of the number of immature green citrus fruit in a canopy under different ambient light conditions［J］. Biosystems engineering， 2014， 117： 51-61.

［30］ 趙 輝，喬艷軍，王紅君，等.基于改進YOLOv3的果園復雜環(huán)境下蘋果果實識別［J］.農(nóng)業(yè)工程學報，2021，37（16）：127-135.