17、深度学习框架在果园目标检测中的应用探索

深度学习框架在果园目标检测中的应用探索

在果园作业的智能化进程中，准确检测果树树干和果实对于实现自动化操作至关重要。本文将深入探讨利用深度学习框架进行果树树干检测以及实时梨果检测与计数的相关研究。

果树树干检测：多种深度学习模型的较量

传统的机器视觉、GNSS和LiDAR在果园环境下识别树干存在一定局限性。机器视觉通常分析RGB图像，难以应对低光照条件；GNSS会因果园内茂密的树冠而出现信号中断；LiDAR则由于扫描范围大，在识别树干时存在困难。为了提高检测方法的鲁棒性，研究采用了热成像相机结合深度学习的方法，以在不同光照条件下识别果树树干。

研究选取了Faster R - CNN、YOLO - v3和CenterNet三种深度学习模型，使用相同的数据集进行训练，并通过绘制精确召回曲线和测试相同图像来评估它们的性能。
- CenterNet测试 ：CenterNet的训练以epoch为单位，设置为60个epoch，训练结束时损失趋于平稳。在第45个epoch时获得最佳结果，损失为0.78，精确召回曲线显示其准确率达到0.94，并且能够准确识别树干。
- 模型性能比较 ：通过比较发现，YOLO - v3在热成像图像中的准确性较低，而Faster R - CNN和CenterNet能够更准确地识别目标。虽然CenterNet的准确率高于Faster R - CNN，但Faster R - CNN在图像测试中能够找到更多目标，并且目标准确率更高。例如，在联合树果园中，Faster R - CNN能够检测到被架子覆盖的树干，而CenterNet则无法检测到。不过，Faster R - CNN有