基于Mask R-CNN的复杂环境下辣椒识别方法研究

针对辣椒采摘机器人在真实场景中辣椒簇状、粘连和光照不均导致无法精准采摘辣椒的问题,提出一种基于Mask R-CNN实例分割网络模型的辣椒识别方法。以真实场景下的辣椒为研究对象,采集自然生长的辣椒图像4496张,对其中的4000张进行数据标注作为数据集,通过设置不同的学习率、训练周期和模型网络层对数据集进行训练。试验结果表明,Mask R-CNN网络模型对真实场景下辣椒的识别和分割效果较好,平均准确率达到90.34%,平均速度达到0.82 s/幅,为智能辣椒采摘机器人的辣椒分割识别和定位提供有力的技术支撑。

基于改进YOLOv5的辣椒目标检测算法研究

在自然环境下,辣椒果实生长比较密集,目标检测算法很难区分被枝叶遮挡或被其他辣椒遮挡的情况,这对自动检测辣椒果实增加了困难,在本文中,我们采用现有的辣椒数据集,基于YOLOv5算法模型进行了辣椒图像识别。为了更好的对辣椒进行检测,减小因为枝叶遮挡和被其他辣椒遮挡而造成的检测难度,我们在原来的YOLOv5模型中加入了CBAM注意力机制,构建了CM-YOLO模型,我们的模型mAP可以达到93.1%,比原来的YOLOv5高0.4个百分点。我们所构建的CM-YOLO模型提高了对辣椒的检测能力,同样该模型也可以应用于农产品识别和分类等其他领域。