深度学习基于目标检测的番茄采摘模型

1.背景介绍

目标检测具有识别精度高、检测速度快等优点。将目标检测与农业采摘机器人结合起来，用于农业生产中，将极大地提高工作效率与作业质量。农业采摘机器人属于农业智能装备的一种，在于便捷、快速、高效地分辨成熟果实，并依靠视觉系统提供的位置信息，利用抓取机构完成采摘作业，农业采摘机器人研制过程中实现采摘机器人自动采摘动作的首要工作是实现基于机器视觉的果实识别。进行探索基于机器视觉的果实识别技术、研究水果自动采摘机器人等工作，能够提高科学技术在农业中的利用水平，还能极大地解放劳动生产力、促进农业快速进步与发展，对我国农业可持续发展战略具有重大意义。本研究使用单目摄像头采集图像，使用骨干网络提取特征来实现PicoDet-S模型的草莓识别。实现有监督式的目标检测提高番茄果实识别效率，促进我国农业现代化的实施与发展。

2.技术方案

随着深度学习的兴起，伴随着出现了大量的深度学习框架，比如：Caffe、Theano、Keras、TensorFlow、PaddlePaddle 和PyTorch 等等。本实验选取的PaddlePaddle框架，这是中国首个自主研发、功能完备、开源开放的产业级深度学习平台。现阶段排名世界第三中国第一，因为面向群体也多为国内企业，虽然起步比TensorFlow晚，但是开发者多为国人出现使用问题反馈更新也较为容易。我们使用PaddlePaddle中的PaddleDetection套件是专门用来做目标检测的套件，选取picodet进行项目开发，并部署于windows端。 PPYOLO tiny是什么？ 与其它常见的模型相比，PicoDet实现了更好的速度和时延之间的均衡。PicoDet-S使用仅0.99M参数实现30.6%-mAP，与YOLOX-Nano相比，在mAP上具有4.8%的绝对值提升，同时在移动CPU推理时延下降55%；与Nan