|
|||||
|
|
| 基于改进SSD轻量化神经网络的番茄疏花疏果农事识别方法 | |
| 摘 要： | 设施番茄疏花疏果工作多依赖于人工,针对人工逐一判断、工作量大、移动设备实时性要求高等问题,通过卷积神经网络进行番茄部分生长参数识别,并结合农事操作经验进行应用讨论。在卷积神经网络SSD算法中引入轻量化模块MobileNetV3,提出了基于SSD-MobileNetV3模型的番茄花和果实的识别分析方法。与传统方法相比,一定程度上克服了重叠及遮挡、光照条件变化、亮度不均等干扰因素的影响。在串开花数、串结果数等生长参数识别基础上,结合疏花疏果工作进行讨论。结果表明,试验模型对于设施环境下常见干扰因素具有良好的实时性和鲁棒性,与SSD算法相比,花果平均识别率为92.57%,提高了7.9%,识别速度为0.079 s,提升了约4倍,识别率和识别速度明显提高,计算参数减少,基本满足应用要求。 |
| 本文献已被 CNKI 等数据库收录！ | |