Research on fast recognition of banana multi-target features by visual robot in complex environment
-
摘要:目的
针对野外环境下断蕾机器人对多特征的变量目标快速识别难题，以及目标受到树叶、遮挡及光照影响精度的问题，提出多特征目标的快速识别方法。
方法提出对香蕉果实、果轴和花蕾这3个目标进行多尺度特征提取及模型分类，融合聚类算法设计新的目标候选框参数，提出改进YOLOv3模型及网络结构参数的YOLO-Banana模型；为了平衡速度和准确度，用YOLO-Banana和Faster R-CNN分别对变化尺寸的香蕉多目标进行试验，研究算法对识别精度与速度的影响。
结果YOLO-Banana和Faster R-CNN这2种算法识别香蕉、花蕾和果轴的总平均精度分别为91.03%和95.16%，平均每张图像识别所需时间分别为0.237和0.434 s。2种算法精度均高于90%，YOLO-Banana的速度相对快1.83倍，更符合实时作业的需求。
结论野外蕉园环境下，采用YOLO-Banana模型进行香蕉多目标识别，可满足断蕾机器人视觉识别的速度及精度要求。
Abstract:ObjectiveAiming at fast recognition of multi-feature variable target by robot vision in field environment, and considering the problem that the accuracy of target is affected by leaves, shade and light, a fast recognition method of multi-feature target was proposed.
MethodA multi-scale feature extraction and classification model was proposed for three targets including banana fruit, fruit axis and flower bud. New target candidate box parameters were designed using clustering algorithm. The network structure parameters of YOLOv3 model were optimized and the YOLO-Banana model was proposed. In order to balance the speed and accuracy, YOLO-Banana and Faster R-CNN were used to conduct experiments on banana multi-targets with varying sizes. The effects of algorithms on recognition accuracy and speed were analyzed.
ResultThe average accuracies of YOLO-Banana and Faster R-CNN algorithms on banana fruit, fruit axis and flower bud were 91.03% and 95.16% respectively, average recognition time per photo was 0.237 and 0.434 s respectively. Therefore the accuracies of two algorithms were both above 90%. YOLO-Banana had relatively 1.83 times faster speed than Faster R-CNN, better satisfying the requirement of real-time operation.
ConclusionIn the wild environment, utilization of YOLO-Banana model for banana multi-target recognition can meet the speed and accuracy requirements for visual recognition by the bud-breaking robots.
-
Keywords:
- Deep learning /
- Flower bud /
- Fruit axis /
- Multi-feature /
- Multi-target recognition /
- Fast classification
-
草地贪夜蛾Spodopter frugiperda (Smith)属于鳞翅目Lepidoptera夜蛾科Noctuidae灰翅夜蛾属Spodoptera，原产于美洲热带和亚热带地区[1-3]，是一种典型的远距离迁飞性害虫[4]。自2016年1月在非洲尼日利亚和加纳发现后，至今已扩散到亚洲多个国家[4]。2019年1月，我国云南省江城县首次发现草地贪夜蛾，随后迅速蔓延到25个省，见虫面积超过100万hm2[5]。
草地贪夜蛾作为联合国粮农组织全球预警的重大害虫，具有适生区域广、迁飞能力和繁殖能力强、寄主范围广和取食量大等特点[5]，其防控技术主要包括物理诱杀、农业防治和化学防治。物理诱杀技术主要用于成虫发生期，集中连片采用杀虫灯诱杀[6]，可搭配性诱剂和食诱剂提升防治效果。然而，物理诱杀仅能杀死部分成虫，对于造成主要为害的幼虫无法直接防控，存在见效慢、防治不及时的缺点。农业防治上，通过不同作物间作套种，发挥生物多样性的自然控制优势，形成生态阻截带[7]是一种可持续发展的控制措施，但针对这种迁飞性强、繁殖迅速、取食量大的爆发性害虫，农业防治的具体措施还需要很长一段时间的探索过程。目前，化学防治是防治草地贪夜蛾的主要手段，多种杀虫剂如氯虫苯甲酰胺、氟氯双酰胺和乙基多杀菌素等对草地贪夜蛾都有良好的防效[5-6], 但由于草地贪夜蛾的农药代谢相关基因存在显著扩张，且世代周期短，抗药性产生的风险大。因此，开发特异性强、对环境友好、对人畜无害的绿色防控措施对草地贪夜蛾的可持续治理具有重要意义。
昆虫的生殖受到多种因素调控，每一种因素在分子水平上的反映均为某些特定的基因参与调控。针对草地贪夜蛾存在不同品系间杂种不育和交配障碍等生殖隔离现象，探索基于种群遗传调控的生物技术手段防控草地贪夜蛾，不仅可显著降低害虫的种群密度，还可以减少化学农药的使用、保护生态环境。本文对性连锁平衡致死系统、杂交不育、性激素和生殖发育调控相关基因等方面的研究现状进行了综述，以期为草地贪夜蛾防治提供更多潜在手段。
1. 种群遗传调控
昆虫种群遗传调控技术经历了20世纪基于辐射不育的昆虫不育技术和21世纪基于遗传转化的遗传调控技术[8]。1969年，Serebrovskii [9]提出通过遗传手段控制害虫的理论，主要是将携带遗传畸变的害虫品系释放到自然群体中，在自然环境下交叉交配后降低子代繁殖力，从而减少害虫种群数量。种群遗传调控是利用昆虫自身生长发育的关键基因，采用性别控制开关，通过遗传转化使雄虫成为携带导致后代雌虫发育异常或不育的遗传控制复合体。昆虫遗传调控基于不育昆虫种群控制系统[10]，能够对目标昆虫的性别进行遗传调控，对益虫利用和农林害虫防治具有重要的意义。目前，利用较多的种群遗传调控手段有性连锁平衡致死系统和杂交不育产生不育个体，该技术在鳞翅目昆虫成功运用的例子较多，在鳞翅目棉铃虫Helicoverpa armigera和玉米螟Pyrausta nubilalis中均得到了实现[11-12]。加拿大不列颠哥伦比亚省等地在1992年进行了苹果蠹蛾Cydia pomonella遗传控制项目，通过将不育的苹果蠹蛾雄虫进行多年的田间释放，大大减少了苹果蠹蛾的种群数量[13-14]。
1.1 性连锁平衡致死系统
平衡致死系统即一对同源染色体分别带有一个座位不同的隐性致死基因，这2个致死基因始终处在对应的染色体上，以杂合状态保存不发生分离[15]。1975年，Strunnikov[16]用经典遗传学建立了家蚕Bombyx mori的性连锁平衡致死系统。该系统利用雄性与雌性杂交，后代只有雄性正常孵化，而雌性在胚胎期死亡，实现只养雄蚕的目的。性连锁平衡致死系统中，雄蚕的2条Z染色体分别带有一个非等位突变致死基因L1和L2，当突变基因发生纯合时，雌蚕致死(图1)。
另一种是Z−W易位平衡致死系统[17](图2)。通过电离辐射把 Z 染色体左端的片段切下并使之易位到W染色体上，断裂的染色体剩余部分在以后的杂交中被正常的Z染色体所替代。染色体的改变产生了新的家蚕品系，其雌虫有一套Z−W染色体，雄虫跟正常的雄性一样, 存在2个Z染色体片段，被易位到W染色体上的Z染色体片段掩盖了相应的正常等位基因，该雌虫能够存活并且把致死基因传递给自己的雄性后代。依次杂交，易位处理雌虫先与一个带有致死基因的雄虫交配, 子代再与带有另一个异质结合致死基因的雄虫交配，成功育成了一个新的具有2个平衡致死基因的品系。由于2条Z染色体基因交换的影响, 所以性比通常是99.9♂∶0.1♀ ，在F1中任何一个雄性个体都带有来自父本的一个致死基因，这种雄性个体与正常雌性个体杂交所产生的后代, 性比为2♀ ∶1♂ [18-19]。何克荣等[20]已经把平衡致死系统的性别控制基因成功导入活体中，选育出实用的雄蚕品种。
![]()
1923年，Ward[21]通过遗传杂交试验发现，黑腹果蝇Drosophila melanogaster 卷翅突变是平衡致死系统，即杂合子存活，纯合子致死。1969年，清久正夫细律子[22]对东方果蝇的蛹，使用2.4 KR的低剂量CY射线照射，在雌雄后代中，其雌性和雄性组合的4个世代都有明显的不育性遗传。通过拟果蝇D. simulans和毛果蝇D. mauritiana 2种果蝇之间进行杂交，对影响杂交不育基因进行定位，发现雄性杂交不育基因Odysseus(Ods) [23]。澳大利亚园艺产业为防止果蝇入侵，通过释放引入雄性不育果蝇，与野生雌性种群交配后产生不育后代，减少果蝇数量，应对果蝇入侵威胁[24]。2000 年，Heinirich 等 [25]在果蝇中建立了四环素控制的雌性特异的致死体系；Thomas 等 [26]也在果蝇中建立了类似系统, 但是使用的启动子是Yp3 和Hsp26, 致死基因是Ras64BV12和msl-2NOPU。2003年，Horn等 [11]利用转基因技术构建了一个果蝇胚胎期特异致死的遗传系统, 该系统运用了胚胎期特异表达启动子(nullo, serendipity α 启动子)调控表达tTA和hid基因, 从而引起果蝇胚胎期特异致死。
在农业上，昆虫种群调控不仅可以有效提高经济昆虫的生产效率，还可以保护经济作物不受害虫的损害。基于草地贪夜蛾品系间杂交的特殊性，构建携带2个致死的非等基因草地贪夜蛾致死品系，将性连锁致死系统应用于草地贪夜蛾具有较高的可行性(图1)。通过低剂量药品、食物或辐射获得2个品系草地贪夜蛾雌性绝育品系(图2)，每个品系都具有不同的Z染色体易位性和Z染色体致死性，杂交后代雌性胚胎死亡率达100%，从而不需要进行繁琐的雌雄分离达到释放单一雄性个体的目的；另外，杂种雄性反复释放将导致自然种群中雌性死亡率每一代都逐步增加，产生累计效应获得更好的防治效果。
1.2 杂交不育
不同生物种群的生殖隔离可以发生在合子前或者合子后。合子前障碍主要是由于2个品系之间交配时性行为或者雌性信息素导致的隔离[27-28]，合子后隔离则主要是由于交配形成的合子不能发育至成体，或成体的生殖力低下 [15]。根据寄主趋向性，草地贪夜蛾被分为玉米品系(C)和水稻品系(R)，2个品系在形态学上区分不出差异，但是在遗传上可以使用品系特异性分子标记区分开[29]，且存在一定的生殖隔离。Groot等[30]发现2个品系在某种程度上也可以配对，但玉米品系和水稻品系存在一定生境隔离和行为隔离。
目前的研究表明，草地贪夜蛾C品系和R品系之间的生殖隔离在合子前后都有发生。1987年，Pashley等[27]用波多黎各和易斯安那州种群研究了合子后基因流动的障碍，发现雌性C品系和雄性R品系交配没有获得后代，也没有精原细胞转移；雌性R品系和雄性C品系之间可以交配受精，其后代被饲养到成虫阶段并与亲本回交，F1雌性的回交中没有产生后代，表明品系间的2个交叉方向的某个阶段存在繁殖障碍。2011年，Velásquez-Vélez 等[28]在哥伦比亚中部发现2种品系的生活史特征的合子后隔离，并确定了草地贪夜蛾中杂种雌性数量的减少和杂种不育性的增多，这与Haldane[31]关于杂种配子在杂种后代中生殖能力降低的研究结果相一致。Pashley等[27]比较了R×C、C×R、R × R、C× C等品系杂交组合发现，C×R品系杂交的F1代受精率显著降低。2016年，Kost等[32]发现当雌性R品系与雄性C品系交配时，所得RC品系杂种雌性的繁殖力显著降低，且不受其配偶伴侣的影响。RC品系生育能力降低是由于这些雌性不交配的行为不育所造成。遗传分析表明，Z染色体连锁的不育位点与常染色体(或细胞质)上的一个未知因子不相容，导致观察到性隔离。杂种不育在遗传上可能是由于染色体重排，例如基因转座或复制，染色体倒置或易位以及多倍性[33-34]。草地贪夜蛾R品系和C品系之间存在不相容性，具有明显的杂交障碍。
曾保胜等[10]基于草地贪夜蛾玉米型、水稻型杂交不育的现象，通过生物信息学对导致草地贪夜蛾杂合不相容性的因素进行基因定位，进而筛选导致杂种不育的基因，为利用分子手段防治草地贪夜蛾奠定基础。
2. 生殖干扰在害虫防治中的应用
昆虫的生殖受多种特定途径的基因调控。与昆虫生殖调控相关的基因在昆虫生殖过程中发挥重要作用，如影响昆虫保幼激素(Juvenile hormone, JH)、蜕皮激素(Molting hormone, MH)以及神经肽的生物合成及性信息素，并且直接参与昆虫的配子发生和交配行为。研究生殖调控相关基因，对于控制害虫繁殖、进行害虫防治具有重要的科学意义。
2.1 昆虫激素在害虫防治中的应用
昆虫保幼激素和蜕皮激素是昆虫中最为重要的两大激素，在昆虫的发育和生殖过程中发挥着重要作用。保幼激素可以促进雌虫卵的成熟以及雄虫性腺，控制昆虫性发育，产生性信息素，促进卵子成熟等[35-36]，Wigglesworth[35]通过对吸血蝽Rhodnius prolixus的研究发现，保幼激素可促进雌虫卵的成熟以及雄虫性腺的发育；叶恭银等[37]研究表明，高浓度的保幼激素对天蚕Antheraea yamamai卵巢发育有明显的抑制作用；保幼激素处理导致正常喂食的雌虫保幼激素降解减少，产卵受到抑制[38-39]。保幼激素浓度上升会导致果蝇卵母细胞的积聚以及产卵的延迟，蜕皮激素促进昆虫的蜕皮、变态发育等生理过程和行为，家蚕蜕皮激素调控卵黄蛋白的合成，其中，转录因子是家蚕卵黄蛋白基因表达趋势一致的基因，也受蜕皮激素的调节[40]。2010年，Parthasarathy等[41]研究蜕皮激素对赤拟谷盗Tribolium castaneum的卵巢发育和卵母细胞成熟的影响，通过从赤拟谷盗卵巢中提取的RNA的微阵列分析发现，赤拟谷盗雌虫羽化后第4天，与蜕皮激素生物合成相关的某些基因的表达量发生上调。
保幼激素及蜕皮激素的合成在昆虫生长发育及生殖过程中发挥着至关重要的作用，基于这2条通路中的关键酶被认为是用于昆虫防治的重要分子靶标。可以通过对草地贪夜蛾保幼激素及蜕皮激素相关基因的功能研究，从生殖的角度找到进行草地贪夜蛾防控的靶标基因，为其防治提供分子生物学依据。
2.2 雄性生殖相关基因在害虫防治中的作用
在雄虫中，根据已有的报道，筛选出一系列雄虫生殖调控相关基因lola[42]、Gld2[43]、dic[44]、orb2[45]、aly[46]、Rab11[47]、cg5017[48]、nap1[48]、per[49]、topi[50]、odsH[51]、rac[52]、upd[52]、magu[52]等，这些基因在精子发生过程中维持减数分裂的有序进行、参与精子鞭毛丝的形成，并在细胞的减数分裂和精子发生末期调节细胞分化以及维持昆虫生物节律等方面发挥重要作用。
已发现在果蝇[51]、沙漠飞蝗Locusta migratoria [49]和赤拟谷盗[53]中，某些基因可参与雄虫的精子发生，并发挥重要作用。利用RNAi技术抑制，沙漠飞蝗的per基因不会对雄虫的性成熟及交配行为产生影响，但干扰后的雄虫与未处理的雌虫交配后会导致子代的孵化受影响。雄虫per基因被抑制，使昆虫的生物节律被打乱，导致交配时精子不能正常转运到雌虫的受精囊，致使与雌虫交配后的有效卵量下降。桔小实蝇Bactrocera dorsalis 通过RNAi技术抑制精子发生相关基因的表达，雄虫正常交配但受精卵的孵化率降低甚至不孵化，该结果在半野外试验中也得到了很好的验证，从而达到雄性不育技术的应用[54]。奚志勇团队让白纹伊蚊Aedes albopictus感染3种沃尔巴克氏体Wolbachia菌株，使受到细菌感染的蚊子在野外与正常雌蚊子交配时，有沃尔巴克氏体的精细胞遇到不含同种细菌的卵细胞，“胞质不融合”现象会让虫卵无法存活，可以达到蚊子绝育的效果[55]；新型的CRISPR/Cas技术在害虫遗传调控方面也发挥了重要的作用，屠志坚团队找到了埃及伊蚊Aedes aegypti中的雄性因子Nix(Mfactor)，并通过CRISPR/Cas技术对Nix基因进行功能研究[56]。通过敲除Nix基因，雄性的埃及伊蚊发生了性别分化的转换，并失去了生育能力，为害虫的生殖调控提供了新的思路。
通过筛选草地贪夜蛾雄性生殖调控基因，阐明相关基因对其雄虫精子发生的调控及生殖力的影响，通过RNAi或基因编辑技术导致雄性不育将为利用雄性不育技术防治草地贪夜蛾提供新的途径。
2.3 利用性信息素防治害虫
性信息素调控昆虫的产卵、交配等行为，对协调生物体之间的相互作用以及维持整个种群的发展起到了重要的作用，夜蛾科性信息素通信可以确保雄性和雌性相互识别与交配，性信息素已用于多种害虫的检测，在蛾类配偶识别中性信息素起到关键作用。干扰性信息素使雄虫丧失寻找雌虫的定向能力，致使田间雌、雄虫交配几率大为减少，从而使下一代虫口密度急剧下降。
性信息素是蛾类物种求爱和交配的重要嗅觉信号，雌虫在腹部尖端的特殊腺体产生一种特定的性信息素，同种雄虫被其吸引[57-58]。应用性信息素防治害虫的控制效果与昆虫的生殖方式有关，如交配行为、生殖方式和飞行能力等[59]。昆虫延迟交配使昆虫当代的生殖力、卵孵化率、交配以及寿命受到抑制，控制了昆虫后代的危害，从而达到防治效果。延迟交配在小眼夜蛾 Panolis flammea和棉红铃虫Pectinophora gossypiella的防治中起到了一定的效果[60-61]。性信息素的合成和释放受信息素生物合成激活神经肽(PBAN)的调节[62]，性信息素合成并应用于田间干扰昆虫交配已成为农业上重要的鳞翅目害虫管理(IPM)的可行策略。Kim等[62]确定了来自烟蚜夜蛾Heliothis virescens的PBAN受体(PBANR)促进飞蛾中性信息素的合成和释放，阐明了PBAN类似物的构效关系，为PBANR特异性激动剂和拮抗剂提供了框架，可破坏害虫生殖功能，达到防治害虫的目的。
Sekul和Sparks[63-64]初步确定Z9-14:Ac是草地贪夜蛾的主要性信息素的组分，随后Tumlinson 等[65]进一步确定草地贪夜蛾性信息素成分有7种化合物。来自北美的草地贪夜蛾性信息素成分有Z7-12:Ac、Z9-12:Ac、Z9-14:Ac和Z11-16:Ac[66-67]；而瓜德罗普岛报道的主要成分有Z9-12:Ac、Z9-14:Ac和Z11-16:Ac[68]。在巴西，除了有Z9-14:Ac和Z11-16:Ac外，还报道了E7-12:Ac的存在[69]。地理种群不同，草地贪夜蛾信息素的组分和比例存在一定的差异[30, 70]。
草地贪夜蛾玉米品系和水稻品系的交配节律不同，雌性玉米品系释放性信息素和交配发生在深夜，水稻品系发生在后半夜[71-72]。以活体雌性作为信息素诱剂的诱饵，在诱捕器中发现雌性的玉米品系吸引了更多的雄性玉米品系，雌性水稻品系吸引了更多的雄性水稻品系[71]。对佛罗里达州收集的雌性信息素腺体提取物分析表明，雌性的玉米品系中Z7-12：OAc和Z9-12：OAc相对含量远低于水稻品系[70-71]。但是，在路易斯安那州和佛罗里达州进行不同雄性引诱试验结果表明，雄性对同一品系的雌性并没有持续的吸引作用[71]，这表明雌性信息素的差异不足以引起雌性交配。草地贪夜蛾在雌性信息素混合物和雄性反应中存在地理差异[30, 71]。
草地贪夜蛾性信息素组成存在种内地理差异，来自不同地方的草地贪夜蛾性信息素的成分不同，玉米品系和水稻品系信息素变化也存在一定的差异[27]。通过改变草地贪夜蛾性信息素组分比例合成性引诱剂，并与雌虫释放的性信息素竞争，使雄虫产生错误信息，从而影响草地贪夜蛾的交配。探究草地贪夜蛾性信息素生物合成的关键因子，对于理解草地贪夜蛾利用性信息素交流产生种间隔离过程具有重要意义，可为害虫防治提供新思路。
3. 小结与展望
针对草地贪夜蛾在中国入侵爆发、防治需求迫切的形势，充分利用草地贪夜蛾生殖特性，通过损坏其遗传系统、诱发遗传紊乱或不育、干扰雌雄虫交配，进而降低种群数目等策略，结合并完善现有RNAi干扰或者基因编辑等遗传调控技术，构建特异性强、对环境友好、对人畜无害的绿色防控措施，对于减少农药使用量，有效控制草地贪夜蛾具有重要的理论和实践意义。
-
![]()
图 1 顺、逆光下的香蕉果实、花蕾和果轴
Figure 1. Banana fruit，flower bud and fruit axis target detection under frontlight and backlight
![]()
图 2 基于香蕉多特征目标的YOLOv3网络结构
Figure 2. YOLOv3 network structure based on banana multi-feature target
![]()
图 4 顺光下香蕉测试结果对比图
a1, b1, c1表示香蕉原图；a2(1.00, 0.93, 0.99), b2(0.99, 0.92, 0.98), c2(1.00, 0.98, 1.00)表示YOLO-Banana模型处理后的香蕉图像；a3(1.00, 1.00, 1.00), b3(1.00, 1.00, 0.999), c3(1.00, 1.00, 0.999)表示 Faster R-CNN模型处理后的香蕉图像；括号内数字分别代表该算法对香蕉果实, 果轴和花蕾的置信度
Figure 4. Comparison of banana test results under frontlight
a1, b1 and c1 are original images of banana; a2(1.00, 0.93, 0.99), b2(0.99, 0.92, 0.98), c2(1.00, 0.98, 1.00) are banana images treated by YOLO-Banana model; a3(1.00, 1.00, 1.00), b3(1.00, 1.00, 0.999), c3(1.00, 1.00, 0.999) are banana images treated by Faster R-CNN model; The numbers in parentheses represent the confidence of the algorithm for banana fruit, fruit axis and flower bud, respectively
![]()
图 5 逆光下香蕉测试结果对比
a1表示香蕉原图；a2(0.97, 0.35, 0.99)表示YOLO-Banana模型处理后的香蕉图像；a3(1.00, 0.999, 0.999)表示 Faster R-CNN模型处理后的香蕉图像；括号内数字分别代表该算法对香蕉果实, 果轴和花蕾的置信度
Figure 5. Comparison of banana test results under backlight
a1 is original image of banana, a2 (0.97, 0.35, 0.99)is banana image treated by YOLO-Banana model; a3 (1.00, 0.999, 0.999) is banana image treated by Faster R-CNN model; The numbers in parentheses represent the confidence of the algorithm for banana fruit, fruit axis and flower bud, respectively
表 1 香蕉多目标候选框参数
Table 1 Parameters of banana multi target candidate box for banana
候选框参数 Parameters of candidate box 1 2 3 4 5 6 7 8 9 新候选框高 Height of new candidate box 23 25 28 31 43 51 66 169 172 新候选框宽 Width of new candidate box 31 53 81 148 67 87 111 233 158 原候选框高 Height of original candidate box 10 16 33 30 62 59 116 156 373 原候选框宽 Width of original candidate box 13 30 23 61 45 119 90 198 326 
下载: 导出CSV
表 2 YOLO-Banana与Faster R-CNN的香蕉多目标特征检测结果的对比
Table 2 Comparison of multi-target feature detection results for banana between YOLO-Banana and Faster R-CNN
模型
Model花蕾 Flower bud 果实 Fruit 果轴 Fruit axis 总平均精度/%
Mean of average
precisiont/s 平均精度/%
Average precision召回率/%
Recall平均精度/%
Average precision召回率/%
Recall平均精度/%
Average precision召回率/%
RecallFaster R-CNN 99 99.48 98 98.05 89 89.51 95.16 0.434 YOLO-Banana 97 97.38 95 95.12 81 85.19 91.03 0.237
下载: 导出CSV
表 3 YOLO-Banana与Faster R-CNN的顺光逆光下的香蕉多目标检测结果的对比
Table 3 Comparison of multi-target detection results for banana between YOLO-Banana and Faster R-CNN under frontlight and backlight conditions
% 模型
Model花蕾精度
Flower bud average precision果实精度
Fruit average precision果轴精度
Fruit axis average precision总平均精度
Mean of average precision顺光
Frontlight逆光
Backlight顺光
Frontlight逆光
Backlight顺光
Frontlight逆光
Backlight顺光
Frontlight逆光
BacklightFaster R-CNN 100 100 100 100 93 92 97.64 97.47 YOLO-Banana 100 98 100 93 93 83 97.58 91.24
下载: 导出CSV
-
[1] YIN Y H, LI H F, FU W. Faster-YOLO: An accurate and faster object detection method[J]. Digital Signal Processing, 2020, 102: 102756. doi: 10.1016/j.dsp.2020.102756.
[2] 何银水, 余卓骅, 李健, 等. 基于视觉特征的厚板机器人焊接焊缝轮廓的有效提取[J]. 机械工程学报, 2019, 55(17): 56-60. [3] 訾斌, 尹泽强, 李永昌, 等. 基于YOLO模型的柔索并联机器人移动构件快速定位方法[J]. 机械工程学报, 2019, 55(3): 64-72. [4] 孙国鹏, 郝向阳, 张振杰, 等. 多特征判断的合作目标识别方法[J]. 系统仿真学报, 2018, 30(6): 2377-2383. [5] 薛培林, 吴愿, 殷国栋, 等. 基于信息融合的城市自主车辆实时目标识别[J]. 机械工程学报, 2020, 56(12): 165-173. [6] 张青, 邹湘军, 林桂潮, 等. 草莓重量和形状图像特征提取与在线分级方法[J]. 系统仿真学报, 2019, 31(1): 7-15. [7] TANG Y C, LI L J, WANG C L, et al. Real-time detection of surface deformation and strain in recycled aggregate concrete-filled steel tubular columns via four-ocular vision[J]. Robotics and Computer-Integrated Manufacturing, 2019, 59: 36-46. doi: 10.1016/j.rcim.2019.03.001
[8] DAI Z, SONG H S, LIANG H X, et al. Traffic parameter estimation and control system based on machine vision[J]. Journal of Ambient Intelligence and Humanized Computing, 2020: 1-13. doi: 10.1007/s12652-020-02052-5.
[9] MIAN A S, BENNAMOUN M, OWENS R. Three-dimensional model-based object recognition and segmentation in cluttered scenes[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2006, 28(10): 1584-1601. doi: 10.1109/TPAMI.2006.213
[10] WEI X Q, JIA K, LAN J H, et al. Automatic method of fruit object extraction under complex agricultural background for vision system of fruit picking robot[J]. Optik, 2014, 125(19): 5684-5689. doi: 10.1016/j.ijleo.2014.07.001.
[11] GONGAL A, AMATYA S, KARKEE M, et al. Sensors and systems for fruit detection and localization: A review[J]. Computers and Electronics in Agriculture, 2015, 116: 8-19. doi: 10.1016/j.compag.2015.05.021.
[12] TANG Y C, CHEN M Y, WANG C L, et al. Recognition and localization methods for vision-based fruit picking robots: A review[J]. Frontiers in Plant Science, 2020, 11: 510. doi: 10.3389/fpls.2020.00510.
[13] FU L H, DUAN J L, ZOU X J, et al. Banana detection based on color and texture features in the natural environment[J]. Computers and Electronics in Agriculture, 2019, 167: 105057. doi: 10.1016/j.compag.2019.105057.
[14] ANDERSON N T, UNDERWOOD J P, RAHMAN M M, et al. Estimation of fruit load in mango orchards: Tree sampling considerations and use of machine vision and satellite imagery[J]. Precision Agriculture, 2018, 20(4): 823-839.
[15] ROUT R, PARIDA P. A review on leaf disease detection using computer vision approach[J]. International Conference on Innovation in Modern Science and Technology, 2019: 863-871. doi: 10.1007/978-3-030-42363-6_99.
[16] PATRICIO D I, RIEDER R. Computer vision and artificial intelligence in precision agriculture for grain crops: A systematic review[J]. Computers and Electronics in Agriculture, 2018, 153: 69-81. doi: 10.1016/j.compag.2018.08.001.
[17] 罗陆锋, 邹湘军, 王成琳, 等. 基于轮廓分析的双串叠贴葡萄目标识别方法[J]. 农业机械学报, 2017, 48(6): 15-22. doi: 10.6041/j.issn.1000-1298.2017.06.002. [18] HOČEVAR M, ŠIROK B, GODEŠA T, et al. Flowering estimation in apple orchards by image analysis[J]. Precision Agriculture, 2014, 15(4): 466-478. doi: 10.1007/s11119-013-9341-6
[19] GEORGESCU M I, IONESCU R T. Teacher-student training and triplet loss for facial expression recognition under occlusion[C]//2020 25th International Conference on Pattern Recognition (ICPR). Milan, Italy: IEEE, 2021: 2288-2295. doi: 10.1109/ICPR48806.2021.9412493
[20] REDMON J, FARHADI A. YOLOv3: An incremental improvement[EB/OL]. 2018 [2020-07-20].http://preddie.commedia/files/YOLOv3.pdf.
[21] ALEXE B, DESELAERS T, FERRARI V. Measuring the objectness of image windows[J]. IEEE Transactions on Software Engineering, 2012, 34(11): 2189-2202.
[22] LIN P, CHEN Y M. Detection of strawberry flowers in outdoor field by deep neural network[C]// 2018 IEEE 3rd International Conference on Image, Vision and Computing (ICIVC). Chongqing: IEEE, 2018: 482-486. doi: 10.1109/ICIVC.2018.8492793.
[23] TIAN Y N, YANG G D, WANG Z, et al. Instance segmentation of apple flowers using the improved mask R–CNN model[J]. Biosystems Engineering, 2020, 193: 264-278. doi: 10.1016/j.biosystemseng.2020.03.008.
[24] KOIRALA A, WALSH K B, WANG Z L, et al. Deep learning for mango (Mangifera indica) panicle stage classification[J]. Agronomy, 2020, 10(1): 143. doi: 10.3390/agronomy10010143.
[25] 陈燕, 王佳盛, 曾泽钦, 等. 大视场下荔枝采摘机器人的视觉预定位方法[J]. 农业工程学报, 2019, 35(23): 48-54. doi: 10.11975/j.issn.1002-6819.2019.23.006. [26] SONG S S, DUAN J L, YANG Z, et al. A three-dimensional reconstruction algorithm for extracting parameters of the banana pseudo-stem[J]. Optik, 2019, 185: 486-496. doi: 10.1016/j.ijleo.2019.03.125.
[27] CHEN M Y, TANG Y C, ZOU X, et al. Three-dimensional perception of orchard banana central stock enhanced by adaptive multi-vision technology[J]. Computers and Electronics in Agriculture, 2020, 174: 105508.
[28] ZOU X, YE M, LUO C, et al. Fault-tolerant design of a limited universal fruit-picking end-effector based on vision-positioning error[J]. Applied Engineering in Agriculture, 2016, 32(1): 5-18. doi: 10.1016/j.compag.2020.105508.
[29] SOVIANY P, IONESCU R T. Optimizing the trade-off between single-stage and two-stage deep object detectors using image difficulty prediction[C]//2018 20th International Symposium on Symbolic and Numeric Algorithms for Scientific Computing (SYNASC). Timisoara, Romania: IEEE, 2018: 209-214. doi: 10.1109/SYNASC.2018.00041.
-
期刊类型引用(7)
1. 陶萌萌，马庆辉，孟昭军，严善春. 美国白蛾绿色防控研究进展. 应用昆虫学报. 2023(01): 13-22 . 
百度学术
2. 张晶，段至柔，刘常权，彭英传，张万娜，肖海军. 寄主植物与刺吸式昆虫互作防御的研究进展. 昆虫学报. 2023(04): 575-590 . 百度学术
3. 吴婷，张秋朗，赵庆义，徐进，叶辉. 草地贪夜蛾的择偶与生殖力研究. 昆虫学报. 2023(04): 564-574 . 百度学术
4. 孙浩月，张雨晴，张凡，雷捷惟，马妹，徐常青，刘赛，乔海莉，陆鹏飞. 枸杞红瘿蚊的交尾行为及其影响因素. 应用昆虫学报. 2023(03): 860-871 . 百度学术
5. 张罗燕，汪分，万小双，徐进，叶辉. 草地贪夜蛾生殖行为及其昼夜节律研究. 环境昆虫学报. 2022(03): 509-522 . 百度学术
6. 吕朝军，钟宝珠，刘丽，覃伟权，李朝绪. 槟榔园红棕象甲聚集信息素引诱剂使用技术规程. 热带农业科学. 2021(03): 102-105 . 百度学术
7. 梁沛，谷少华，张雷，高希武. 我国草地贪夜蛾的生物学、生态学和防治研究概况与展望. 昆虫学报. 2020(05): 624-638 . 百度学术
其他类型引用(4)
计量
- 文章访问数: 539
- HTML全文浏览量: 13
- PDF下载量: 788
- 被引次数: 11
