10.3969/j.issn.1006-8023.2023.02.014
基于深度学习的林地澳洲坚果检测识别
为实现对林地澳洲坚果的准确检测,以园林环境下的澳洲坚果为研究对象,提出一种基于深度学习的检测模型.在Faster R-CNN基础上搭建检测模型,对比VGG16、Resnet-50、Resnet-101等多种主干网络的特征提取性能,在Resnet-50网络的基础上构建特征金字塔网络(Feature Pyramid Network,FPN)结构,并使用双线性插值ROI Align替换原来的ROI Pooling池化,提高模型对小尺寸物体的检测效果.结果表明,改进的Faster R-CNN模型能有效检测出复杂场景中的林地澳洲坚果目标,其检测精度达到98.89％,相比原始方法提高6.56％,与SSD、YOLO v3等目标检测算法相比有明显的精度优势.该研究充分表明该模型对园林下的澳洲坚果有良好的检测效果,且具有检测精度高、鲁棒性强的优点.
澳洲坚果、目标检测、深度学习、Faster R-CNN、特征金字塔网络
39
S776.01(森林工程、林业机械)
国家自然科学基金;云南省教育厅科学研究基金项目;云南省高层次人才培养支持基金项目;云南省高层次人才培养支持基金项目
2023-04-19（万方平台首次上网日期，不代表论文的发表时间）
共8页
113-120
