科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对直接使用SegNet模型处理苹果图像会出现采摘点分割不清晰和分割错误的问题，提出了一种改进的SegNet语义分割模型进行苹果采摘点分割，使其更适应于复杂的自然环境，为采摘机器人提供帮助。在SegNet模型中引入DenseNet的思想，直接连接来自不同网络层的特征图，实现图像特征的多次重用，以提高模型的分割精度。为了验证改进算法的有效性，选取3种不同品种的苹果建立图像数据集，并在PyTorch深度学习框架上进行训练。利用通用的评价指标，将SegNet模型改进前后的测试结果进行对比。试验结果表明，改进的SegNet模型的最佳精确率、召回率、特异性和Dice系数分别为83.10%、84.82%、98.56%和83.95%。相比原模型，改进的SegNet模型识别成功率提高了2.19%,在运算时间几乎不变的情况下，能够更好地实现自然环境下采摘点的分割，为其他种类水果的采摘点分割识别算法提供了研究基础。
- 单位
