图8 P-R曲线Fig.8 P-R curve

在训练时间方面，统一设置模型每次迭代训练的批次大小为32，其中Faster-RCNN模型训练时间为16.7 h，SSD模型训练时间为12.2 h，该文提出的YOLOv3-LITE模型训练的时间为10.6 h，由于YOLOv3与SSD去掉了全连接层，所有在训练时间上相对Faster-RCNN会有显著提升，并且该文采用混合训练与迁移学习的方式，有效降低了训练时间。在检测速度方面，在GPU上，YOLOv3-LITE 可以达到246帧/s的检测速度，比SSD检测速度提升近4倍，比Faster-RCNN提升了近20倍。综合上述5组对比试验的结果分析表明，该文提出的改进YOLOv3-LITE轻量级神经网络能够有效识别自然环境下的柑橘果实，识别准确率和识别速度具有较显著的优势。

表7 不同网络模型的检测结果对比Table 7 Comparison of detection results using different network model测试集Test set网络模型Network modelsF1 score/%平均精度Average precision/% AGIoU+ BGIoU+ A+BGIoU+

图9 不同检测方法的结果对比Fig.9 Comparison of results using different detection methods

4 结 论

1）该文提出了一种改进的YOLOv3-LITE轻量级神经网络的柑橘识别方法。试验结果表明，在自然环境下，模型检测的F1和AP值分别达到93.69%和91.13%。使用GIoU回归框损失函数替代传统损失函数边框回归的MSE均方误差部分，Average IoU高达87.32%，为柑橘采摘机器人定位提供良好的技术支持。

2）该文通过改进模型，提出一种轻量级神经网络模型，模型占用内存为28 MB，且对单张416×416像素的图片的推断速度，在GPU上YOLOv3-LITE 可以达到16.9 ms，在CPU上可以达到80.9 ms的检测速度，可用于移植到嵌入式以及手机终端；提出一种混合训练与迁移学习结合的方法，将模型在COCO数据集学习到的知识迁移到柑橘识别模型中，提高了模型的泛化能力，大大降低了训练的时间和资源。

3）为了验证提出方法的可行性和优越性，该文以检测精度以及计算速度等为判别依据，与不同模型进行对比试验，对比了Faster-RCNN和SSD在不同场景下的识别准确率，在自然环境下，其F1值和AP值比SSD分别高出3.94%和3.49%，而比Faster-RCNN高出3.8%和3.26%。在GPU上，YOLOv3-LITE 可以达到246帧/s的检测速度，比SSD检测速度提升近4倍，而比Faster-RCNN提升了近20倍。通过对比，提出的方法具有显著优势。

吕石磊，卢思华，李 震，洪添胜，薛月菊，吴奔雷.基于改进YOLOv3-LITE轻量级神经网络的柑橘识别方法[J]. 农业工程学报，2019，35(17)：205－214. doi：10./

Lü Shilei, Lu Sihua, Li Zhen, Hong Tiansheng, Xue Yueju, Wu Benlei. Orange recognition method using improved YOLOv3-LITE lightweight neural network[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(17): 205－214. (in Chinese with English abstract) doi：10./

0 引 言

随着农业机械化与信息化的兴起，计算机视觉以及深度学习技术的不断突破，果实识别、机器人自动采摘、果实产量预测是近年来的研究热点[1]。在智慧农业方面[2]，人们通过对果实的识别来实现果树的精细化管理。柑橘产业是我国南方水果产业的重要支柱[3]，由于我国柑橘果园环境复杂，果实密集度高、叶片遮挡严重，且柑橘果树树冠较低，果实阴影程度较高，为实现柑橘果树的自动采摘，柑橘果实的精准识别研究至关重要。

近年来，针对于自然环境下柑橘目标识别问题，国内外相关文献基于传统机器视觉技术提出了多种解决方法。Hussin等[4]和谢忠红等[5]分别使用圆形Hough变换进行柑橘目标检测，检测精度较低，且在柑橘密集、重叠的情况下，容易导致错误检测。熊俊涛等[6]提出利用K-means聚类分割法结合优化Hough圆拟合方法实现柑橘果实分割，利用直线检测确定柑橘采摘点，但误检率会随目标密集度变化而增加。卢军等[7-9]提出遮挡轮廓恢复的方法进行柑橘识别，利用LBP特征的识别准确率可达82.3%，之后利用水果表面光照分布的分层轮廓特征进行树上绿色柑橘的检测，但在图像采集过程中需要人工采集光源且场景适应性不高。Zhao等[10]提出一种SATD匹配方法对潜在的水果像素点进行检测，使用支持向量机（support vector machine，SVM）进行分类，识别准确率达到83%以上，但该方法随着目标数的增加，检测的复杂度和难度随之增加，从而影响检测精度。Dorj等[11]提出利用颜色特征来预测柑橘产量，首先将RGB图像转换为HSV图像，再对图像进行橙色检测，利用分水岭分割法对柑橘进行计数，但该方法的检测准确率受距离和背景变化的影响较大。Liu等[12]提出一种基于成熟柑橘区域特征的识别方法，利用特征映射表来降低特征向量的维数，但该方法在阴影情况下的识别效果较差。

文章来源：《果树资源学报》 网址: http://www.gszyxb.cn/qikandaodu/2020/1013/483.html