基于深度学习的番茄识别与实例分割

摘要

目前番茄采摘主要依靠人工，实现番茄产业机械化和智能化刻不容缓，而番茄检测是最基础也最重要的一步。针对该问题，提出一种基于改进Mask RCNN的番茄检测算法。该算法选择ResNet50和FPN作为主干网络，提出一种新型RoI提取器，并在算法模型中使用空洞卷积（Atrous）。通过Labelme自制番茄数据集，将改进算法在自制数据集上进行训练和测试。结果表明，与Faster RCNN和Mask RCNN模型相比，改进后的模型AP值分别提高了5.5%和4.7%，AR值分别提升了6.8%和4.6%。该算法不仅提高了番茄的识别准确率，还更好地实现了实例分割。

0 引言

在我国，随着机器视觉技术的快速发展，图像处理已成为贯穿农业产业链各个阶段的重要技术之一，在选种适配、生长过程、采摘方式及水果质量检测等多个环节均有涉及［1］。成熟果实采摘是农产品走向市场的重要一步，准确识别出成熟果实是实现智能化果实采摘的首要任务。

<