在农业果实自动化采摘过程中,果实检测易受光照、尺度变换等影响导致算法缺乏泛化性.针对这些问题,本文提出了一种基于条件增强随机蕨(conditional boosted random ferns,CBRFs)的果园苹果检测方法.首先,基于面向HOG(histogram of orien...在农业果实自动化采摘过程中,果实检测易受光照、尺度变换等影响导致算法缺乏泛化性.针对这些问题,本文提出了一种基于条件增强随机蕨(conditional boosted random ferns,CBRFs)的果园苹果检测方法.首先,基于面向HOG(histogram of oriented gradients)特征域的增强随机蕨分类器(boosted random ferns,BRFs),在选取特征时限制特征方向区间选择的随机性;其次,改变分类器的二进制特征产生方式,以避免从图像平坦区域中随机选取的特征出现误分类的情况;最后,在自制苹果检测数据集上进行分类器训练,构建条件增强随机蕨分类器,使其适应于果实重叠、枝叶遮挡和光照不均等复杂环境下的果园苹果检测.在测试集上的验证结果表明,F1值与原增强随机蕨模型相比提高了5.44%,这说明本文所提方法能有效增强果园中苹果的检测效果.展开更多
文摘在农业果实自动化采摘过程中,果实检测易受光照、尺度变换等影响导致算法缺乏泛化性.针对这些问题,本文提出了一种基于条件增强随机蕨(conditional boosted random ferns,CBRFs)的果园苹果检测方法.首先,基于面向HOG(histogram of oriented gradients)特征域的增强随机蕨分类器(boosted random ferns,BRFs),在选取特征时限制特征方向区间选择的随机性;其次,改变分类器的二进制特征产生方式,以避免从图像平坦区域中随机选取的特征出现误分类的情况;最后,在自制苹果检测数据集上进行分类器训练,构建条件增强随机蕨分类器,使其适应于果实重叠、枝叶遮挡和光照不均等复杂环境下的果园苹果检测.在测试集上的验证结果表明,F1值与原增强随机蕨模型相比提高了5.44%,这说明本文所提方法能有效增强果园中苹果的检测效果.
