近年来各类检测算法在农业采摘、监测等方向得到了广泛运用
[1-4]。同时,农业中对于各类水果识别方面的相关研究也取得了许多进展。杜文圣等
[5]采用一种融合路径增强的改进Mask R-CNN(Region- Convolutional Neural Network)算法,针对葡萄花穗与果梗进行识别并通过集合逻辑算法定位疏花夹持点,夹持准确度可达83.3%。陈新等
[6]利用改进单激发多框探测器(Single Shot MultiBox Detector,SSD)算法并引入MobileNetV3轻量化模块,对番茄花朵进行识别,识别准确率可达92.57%,检测速度达到了0.079 s/f,极大地提升了模型检测速度。龙洁花等
[7]将卷积块注意力模块(Convolutional Block Attention Module, CBAM)注意力机制加入到了YOLOv4(You Only Look Once)网络的跨阶段局部残差模块中,对不同生长时期的草莓果实进行了识别,模型对草莓开花期、果实膨大期、绿果期和成熟期的检测平均精度分别为92.38%、82.45%、68.01%和92.31%。Wu等
[8]通过使用通道剪枝方法改进YOLOv4算法对苹果花进行检测,对训练好的YOLOv4模型,通过对比批量归一化 (Batch Normalization,BN)层的γ系数得到不同输入层对网络的贡献度,从而确定网络修剪方式并微调,其修剪后的苹果花检测模型的参数数量减少了96.74%,平均精度为97.31%。Farjon等
[9]通过Faster-RCNN进行迁移学习并由专业种植人员对花朵信息进行标注以实现对冠层苹果花不同开花程度的判别,模型平均精度可达68%,对开花程度的判别结果与人工判别结果高度一致,较好地对不同程度开放的苹果花进行了判别分类。