基于改进Faster R-CNN模型的水果分类识别.pdf

基金项目:山 西 省 教 育 科 学“十 三 五”规 划 课 题(编 号:GH )作者简介:贾艳平(),女,山西旅游职业学院讲师,硕士.E m a i l:b c h e n x f o x m a i l c o m收稿日期:改回日期:D O I:/j s p j x 文章编号 ()基于改进F a s t e rR C NN模型的水果分类识别F r u i t i d e n t i f i c a t i o nu s i n g i m p r o v e dF a s t e rR C N Nm o d e l贾艳平J I ANY a n p i n g桑妍丽S ANGY a n l i李月茹L IY u e r u(山西旅游职业学院,山西 太原 ;山西大学,山西 太原 ;山西农业大学,山西 太原 )(S h a n x iV o c a t i o n a lC o l l e g eo fT o u r i s m,T a i y u a n,S h a n x i ,C h i n a;S h a n x iU n i v e r s i t y,T a i y u a n,S h a n x i ,C h i n a;S h a n x iA g r i c u l t u r a lU n i v e r s i t y,T a i y u a n,S h a n x i ,C h i n a)摘要:目的:提高水果类别识别准确率.方法:基于改进F a s t e rR C NN模型建立水果识别方法.使用正则化方法对高维参数进行权重衰减,以有效解决训练过程中可能出现的过拟合问题;在F a s t e rR C NN框架中添加两个损失函数:一个似然函数和一个正则化函数,以优化卷积层和池化层;以最小二乘法求解水果识别的目标函数;利用准确率、回召率、精度和F 分数对训练好的水果识别方法进行水果识别效果评估.结果:所提出的方法对水果识别的 准 确 率、精 度 和 回 召 率 达 到 ,;与其他种水果识别方法相比,所提出方法对水果识 别 的 准 确 率、精 度 和 回 召 率 至 少 提 高 了 ,.结论:该方法可准确识别水果种类.关键词:水果;识别方法;F a s t e rR C NN;损失函数A b s t r a c t:O b j e c t i v e:T oi m p r o v et h ei d e n t i f i c a t i o na c c u r a c yo ff r u i tc a t e g o r i e s M e t h o d s:A ni d e n t i f i c a t i o n m e t h o df o rf r u i tc a t e g o r i e sw a se s t a b l i s h e db a s e do na ni m p r o v e dF a s t e rr e g i o n a lc o n v o l u t i o n a ln e u r a ln e t w o r k(F a s t e rR C NN)m o d e l F i r s t l y,t h er e g u l a r i z a t i o n m e t h o d w a su s e dt oa t t e n u a t et h ew e i g h to fs o m eh i g h d i m e n s i o n a lp a r a m e t e r st oe f f e c t i v e l ys o l v et h eo v e r f i t t i n gp r o b l e mt h a tm a yo c c u r i n t h e t r a i n i n gp r o c e s s T h e n,t w ol o s s f u n c t i o n s,a l i k e l i h o o d f u n c t i o na n da r e g u l a r i z a t i o n f u n c t i o n,w e r ea d d e dt ot h eF a s t e rR C NNf r a m e w o r kt oo p t i m i z et h ec o n v o l u t i o nl a y e ra n dt h ep o o l i n gl a y e r A d d i t i o n a l l y,t h el e a s ts q u a r em e t h o dw a su t i l i z e d t os o l v e t h eo b j e c t i v e f u n c t i o no f f r u i tr e c o g n i t i o n F i n a l l y,t h ea c c u r a c y,r e c a l lr a t e,p r e c i s i o na n dF s c o r ew e r eu s e dt oe v a l u a t et h ef r u i ti d e n t i f i c a t i o ne f f e c to ft h et r a i n e d f r u i t i d e n t i f i c a t i o n m e t h o d R e s u l t s:T h e a c c u r a c y,p r e c i s i o na n d r e c a l lr a t e s o ft h e p r o p o s e d m e t h o d f o rf r u i ti d e n t i f i c a t i o nr e a c h e d ,a n d ,r e s p e c t i v e l y C o m p a r e d w i t h t h e o t h e r f r u i ti d e n t i f i c a t i o n m e t h o d s,t h ea c c u r a c y,p r e c i s i o na n dr e c a l lr a t eo ft h ep r o p o s e dm e t h o dw e r ea tl e a s t ,a n d h i g h e r C o n c l u s i o n:T h em e t h o dc a nr e a l i z e t h e a c c u r a t e r e c o g n i t i o no f d i f f e r e n t c a t e g o r i e so f f r u i t s K e y w o r d s:f r u i t;i d e n t i f i c a t i o n m e t h o d;F a s t e r R C NN;l o s sf u n c t i o n水果分拣机器人通常用于商店、市场、仓库等场所进行自动化的水果识别和分类工作.准确识别水果类别对水果分拣机器人至关重要,如果不能准确识别水果的类别,分拣机器人就无法提供准确的水果分拣服务.例如,在购物过程中无法正确地为顾客提供所需的水果,或者在仓库中无法正确地将水果分类和存储.通过准确地识别水果的类别,分拣机器人可以自动、高效地进行水果的分类、包装和储存,提高生产效率,减少错误和成本;而且还可以提升用户体验,确保顾客得到他们所需的水果,增加顾客的满意度.随着深度学习技术的迅速发展,基于快速区域C NN(F a s t e r r e g i o n a lC NN,F a s t e rR C NN)的目标识别算法,成为了水果识别任务完成过程中的重要工具.F a s t e rR C NN具有高精度和高 效率 目标 识 别的 特点,F a s t e rR C NN可通过在单一网络中进行目标检测和分类,完成端到端的目标识别过程.刘春妹等研究了基于稀疏化C NN网络的水果图像识别系统,该系统主要包含卷积层、池化层以及全连接层,为降低模型的复杂度,文中对卷积层的权重进行了稀疏化设计;系统测试结果表明,在稀疏化与量化过程中,所构建的C NN模型的复杂度有所降低,但同时也牺牲了一部分水果图像识别准确性.然而,传统的F a s t e rR C NN方法在水果识别过程中仍然面临挑战.首先,水果在外观上存在较大的不同,其次在不同光照、拍摄角度、环境条件下,水果的外观(形状、颜色、大小等)也会发生变化,这对水果识别的准确性F OO D&MA CH I N E R Y第 卷第期 总第 期|年月|和鲁棒 性 提 出 了 较 高 的 要 求.另 外,传 统F a s t e rR C NN方法对于遮挡严重的水果区域识别效果较差,这在实际应用中可能会导致漏检或者误检的问题.因此,为更好地完成水果识别任务,需要对F a s t e rR C NN方法进行改进,以提高其识别性能和应对水果识别中的挑战.Z h o n g等 提出基于改进F a s t e rR C NN模型的辣椒识别方法,该方法识别辣椒的整体准确率和平均准确率分别达到 和 ,与VG G 模型相比,分别提高了和.现有基于F a s t e rR C NN模型的水果识别方法虽取得了良好的水果识别效果,但识别准确率和泛化能力仍有待进一步提高.例如,W a n等 提出的F a s t e rR C NN模型只对一类水果进行识别;Z h a n g等 提出的层和 层的C NN模型仅考虑了 类水果的识别.为进一步提高对水果类别的识别准确率,研究对F a s t e rR C NN进行改进,提出基于改进F a s t e rR C NN模型的水果识别新方法.改进的F a s t e rR C NN模型基于改进F a s t e rR C NN模型的水果识别框架如图所示,该框架使用训练集中的水果图像作为输入,输出识别结果和图像中水果的边界框.特征提取过程使用了C NN模 型VG G .该 模 型 包 括 个 卷 积 层、个R e L u层、个池化层和个全连接层.图改进F a s t e rR C NN的架构F i g u r e I m p r o v e da r c h i t e c t u r e f o rF a s t e rR C NN假设第l层为卷积层,该层的输出特征向量为:xljfliMjxl ikli jlj(),()式中:xli 上一层(第l层)的第i个输出;kli j 卷积核;卷积乘法;lj 第l层的偏置;fl R e L u函数.假设第M层是池化层,该层的输出特征向量为:xmjfmjA xm j()mj,()式中:mj 连接系数;xmj 第M层的输入;A 第M层所有矩阵的总和;mj 偏差;f s o f t m a x函数.训练过程中可能会出现过拟合问题,为了进一步提高水果识别的准确性,并平衡模型的复杂性和数据量,使用正则化方法对一些高维参数进行权重衰减.为优化卷积层和池化层,添加了两个损失函数:一个似然函数 和一个正则化函数.函数参数可以根据不同的水果图像拍摄角度自动调整,保证每个卷积层的大小和核参数都在合理的范围内.卷积层中的损失函数定义为:Lc W,xk()mmiykWxi knjwj(),()式中:W 内核参数,W,nT;n 内核数量;x(k)第k个输入,x(k)xk,xk,xm kT;m 数据库维度;yk 第k个样本的实际标签;正则化惩罚因子.通过添加的两个损失函数,确保输出水果识别结果与输入水果类别一致.池化层中的损失函数定义为:Lp lW,xk()mmiykUxi knjj(),()式中:U 池化参数,U,t;t 参数总数.通常由专家知识决定,并将根据测试结果进行选择,然后得到每个待检测图像的卷积特征映射.区域生成网络以任意大小的待识别图像作为输入,并提供一组贮运与保鲜S TORAG ET RAN S P OR TA T I ON&P R E S E RVAT I ON总第 期|年月|矩形候选区域作为输出.包括、和向量的特定转换向量被用于池化过程.首先,使用向量获得 个区域,每个区域都有最大池;接下来,应用和向量进行相同的操作.因此,任何具有不同大小的区域的缩减维数都设置为.然后,感兴趣区域池化层被馈入两个完全连接层 一个盒分类层和一个盒回归层.分类器和回归器的工作方式:()分类器:在感兴趣区域池化层计算候选区域包含对象的概率.在特征映射完全遍历后,使用s o f t m a x函数计算特征映射i中每个元素包含目标对象的概率Pi.Pi总排名前 的区域为候选区域.()回归器:在回归器中,并集上的交集(I n t e r s e c t i o no v e ru n i o n,I o U)被用作衡量边界框的准确性的指标,并检测锚框中心点的坐标(x,y)以及该框的宽度w和长度h.可通过 式()计 算 回 归 器 衡 量 边 界 框 准 确 性 的指标.II OUABAB,()式中:II OU 衡量边界框准确性的指标;A、B 两个候选区域的面积.假设(x,y)是候选区域中心点的坐标,而(w,h)是该区域的宽度和高度.那么,可以使用四维索引(x,y,w,h)来描述候选区域.(Px,Py,Pw,Ph)、(G x,G y,G w,G h)和(Gx,Gy,Gw,Gh)分别代表锚定框、预测框和实际框.I o U的窗口可以在回归过程中调整原始候选区域的边缘.原始候选区域和实际区域之间的误差为tk(tx,ty,tw,th),其中:txGxPxPw,()tyGyPyPh,()twl gGwPw(),()thl gGhPh().()因此,水果识别的目标函数Le可以表示为:Le m i nNitiKTK(Pi),()式中:(Pi)输入特征向量;TK 从训练中获得的系数;N 样本总数.目标函数可以用最小二乘法求解.因此,分类器输出k个分数来估计每个候选区域的对象或背景的概率,而回归器输出k个输出用以编码k个框的坐标.k个候选区域与k个参考框相关联,表示为锚框.区域生成网络可以使用相同的C NN模型来获得,而无需训练单独的模型,这大大降低了处理速度.数据集和性能指标自建水果图像数据库采用地面车辆自主牵引的水果图像采集装置(图)采集 个果园中的水果图像,该水果图像采集装置使用高质量的数码相机在行间果树旁拍摄水果图像.立体相机放置在距地面 m的位置,个L E D频闪灯距离地面的高度分别为,m.整个系统安装在一辆改装的四轮平板车上.用于收集数据时,其行驶速度约为k m/h.图水果图像采集装置及其控制系统F i g u r eF r u i t i m a g ea c q u i s i t i o nd e v i c ea n di t s c o n t r o l s y s t e m相机传感器和镜头相机传感器和镜头是根据薄镜头模型的近似值选择的.假设焦距固定,无限远对焦,焦距与镜头到像平面的距离相同,则相机传感器上苹果的大小与三维空间之间的关系可表示为:WDLFHOHS O,()式中:WD 工作距离(相机到苹果的距离),mm;LF 相机镜头的焦距,mm;HO 三维苹果的高度,mm;HS O 相机传感器上苹果的高度,mm.传感器高度、图像中苹果高度、图像高度、相机传感器上苹果高度满足以下关系:HI OHS OHIHS,()式中:HI O 图像上观察到的苹果高度,mm;HI 图像的高度,mm;HS 相机传感器的高度,mm.结合式()和式(),使用传感器上的苹果高度(HS O)作为公共变量,则:WDHOLFHIHSHI O.()|V o l ,N o 贾艳平等:基于改进F a s t e rR C NN模型的水果分类识别物体高度(HO)和图像物体高度(HI O)均设置为,表示希望工作距离处三维坐标系中的mm图像至少由图像坐标系中的个像素表示.图像高度(HI)和传感器高度(HS)基于根据确定的相机传感器类型进行选择.人造光源使用定制的有源光源来提高室外野外条件下的图像质量.图中的频闪L E D灯由一组板上芯片(C h i p o n b o a r d,C O B)式L E D组成,图像采集装置中共设置有组频闪L E D灯,它们距离地面的高度分别为,m.这些L E D在短时间内过流驱动,产生 强 大 的 频 闪 效 果.每 个L E D的 额 定 功 率 为 W、光通量为 .每个L E D上的短脉冲功率增加到k W,单个闪光灯的总输出功率为 kW.图中的频闪电路使用 V、kWh密封铅酸电池供电,系统的其余部分使用单独的电池电源.图像捕获期间的人工照明作用:减少阳光和阴影的影响,从而产生更均匀的亮度和彩色图像;允许缩短相机的快门持续时间,这有助于减少影响相机系统在现场移动的图像中的运动模糊.当摄像头系统在行间移动时,由于地面振动,图像容易受到垂直运动模糊的影响;然而,考虑到相机的快门持续时间较短,在整个图像采集时间段内任何数据收集试验中都没有在图像中观察到运动模糊效果.L E D的过流驱动可能会因发热而损坏元器件;但在短时间和适当冷却的情况下,损坏概率较小.通过该水果图像采集装置共采集 种水果的 张图像,并以这些水果图像为基础,结合g o o g l e图像搜索获得的另外 种水果的 张图像,自建水果图像数据库.数据集测试水 果 识 别 方 法 性 能 的 水 果 图 像 数 据 中 包 含 种水 果.数 据 来 自个 数 据 库:F r u i t s 数 据库、自 建数 据 库、I m a g e N e t数 据 库 和V e g F r u数 据库.所有图像均被调整为 像素 像素.这些水果图像均是围绕固定轴旋转水果进行拍摄,每个水果果实有 个不同的轴.为训练和测试水果识别方法,选择数据集中的一部分水果图像构建原始数据集,并对其进行水果标记.每种水果的标记数据集被分成训练集和测试集,如表所示.表原始数据集T a b l eR a wd a t as e t数据库训练数据集中图像数测试数据集中图像数总水果图像数F r u i t s 自建数据库 I m a g e N e t V e g F r u 数据增强增强样本图像可以提高样本的质量和多样性,这有助于提高水果识别的准确率和精度.例如,“S t e r n”可以增加有亮度变化的样本图像以提高目标识别精度.果园在自然光照下,尤其是强光下,部分覆盖水果或逆光拍摄形成的果实外影,使得正常光照下的区域与漫射区域的颜色差异较大;这将影响水果样本的图像质量,进而影响水果识 别 方 法 的 识 别 准 确 率 和 精 度.所 改 进 快 速R C NN通过自适应直方图均衡技术增强水果图像,以减少光线对图像质量的影响,这相当于调整了图像的亮度,增加了样本照明条件的多样性.考虑到大部分水果果实以垂直悬挂状态挂在树上,部分果实由于枝干条件和果实的相互覆盖而处于不同角度的斜挂状态,将样本水平镜像旋转 和 ,从中心截取旋转后的图像.如果旋转后图像边缘的目标有任何不完整甚至完全丢失,水果标记将被舍弃.评估指标利用准确率、回召率、精度和F 分数对训练好的水果识别方法进行水果识别效果评估.准确率、回召率、精度和F 分数的定义为Aa c c u r a c yNT PNT NNT PNT NNF PNF N ,()Pp r e c i s i o nNT PNT PNF P,()Rr e c a l lNT PNT PNF N,()FF s c o r ePp r e c i s i o nRr e c a l lPp r e c i s i o nRr e c a l l,()式中:NT P 真实的阳性样本数;NF P 假阳性样本数;NF N 假阴性样本数;NT N 真阴性样本数;C 水果类别数;Aa c c u r a c y 准确度;Pp r e c i s i o n 精确率;Rr e c a l l 回召率;FF s c o r e F 分数.仿真试验与结果分析试验环境所有训练和测试均在同一台笔记本电脑上进行,电脑主 要 配 置 为I n t e lC o r e(TM)i HQ C P U GH z、G BG P UG e F o r c eG T X 和 G B随机存取内存.所有程序均采用C 编写,调用C U D A、O P E N C V库,在W i n d o w s 系统下运行.水果识别方法性能测试将研究提出的改进F a s t e rR C NN方法在测试数据贮运与保鲜S TORAG ET RAN S P OR TA T I ON&P R E S E RVAT I ON总第 期|年月|集上进行了水果识别测试试验.测试结果表明,研究提出的方 法 对 水 果 识 别 的 准 确 率、精 度 和 回 召 率 达 到 ,.以对 种常见水果的识别为例,研究提出的方法对 种常见水果的识别准确率混淆矩阵示例如图所示.根据生成的混淆矩阵,除个水果类外,研究提出的方法对其余 种典型水果的分类准确率达到 .从混淆矩阵推断,对某些水果类别错误识别的可能原因是由于水果表面混合色块引起的网络层非常相似的激活.如图所示,识别准确率最低的是橙子,容易与橘子、柚子、皇帝柑等混淆,识别准确率为;其次是鸡心果,容易与一些苹果混淆,识别准确率为 .尽管研究提出的方法对一些水果的识别准确率仍有待提高,但其整体水果识别准确率达到了 ,可以用于实际水果分类.将取自F r u i t s 数据库、自建数据库、I m a g e N e t数据库和V e g F r u数据库的水果图像用于所提出方法的水果识别性能测试时,水果识别精度与回召率的关系曲线如图所示,无论水果图像来自哪个数据库,研究提出的方法均表现出良好的水果识别性能.对F r u i t s 数据库、自建数据库、I m a g e N e t数据库和V e g F r u数据库中水果进行识别的效果如表所示,对于所有数据集,研究提出的方法都取得了良好的水果识别准确率、精度、回召率和F 分数,充分证明了研究提出的方法对不同水果识别条件和环境的强泛化能力.水果识别性能比较将研究提出的方法(基于改进F a s t e rR C NN模型的水果识别方法)的水果识别性能与 层C NN模型、改进的G o o g l e N e t、层C NN模型、M a s kR C NN、F a s t e r R C NN、C NN L S TM、R e s N e t 和D C DM 进行了对比,结果如表所示,研究提出的方法对水果识别的准确率、精度和回召率比其他方法至少提高了,.训练时间取决于水果识别过程中考虑的水果类别数量、使用的基本模型类型和实现的算法.例如,在文献 中,R e s N e t 考虑了较少的迭代次数和仅三类水果的识别;在文献 中,F a s t e rR C NN模型只对一类水果进行识别;在文献 中,层和 层的C NN模型仅考虑了 类水果的识别;在对研究提出的方法进行训练时,考虑了 种水果.因此,与其他水果分类方法相比,研究提出的改进F a s t e rR C NN模型的训练时间相对较长.图中对角线表示正确识别样本的百分比,非对角线表示错误识别的百分比图研究提出的方法对 种常见水果的识别准确率混淆矩阵示例F i g u r eA ne x a m p l eo f t h ec o n f u s i o nm a t r i xf o r t h er e c o g n i t i o na c c u r a c yo f c o mm o nf r u i t sb yt h ep r o p o s e dm e t h o d|V o l ,N o 贾艳平等:基于改进F a s t e rR C NN模型的水果分类识别图对多个数据库中水果识别的精度和回召率关系图F i g u r eR e l a t i o n s h i pm a p sb e t w e e nt h ea c c u r a c ya n dt h er e c a l l r a t eo f f r u i t i d e n t i f i c a t i o nf o rm u l t i p l ed a t a b a s e s表研究提出的方法对多个数据库中水果的识别性能T a b l eF r u i t i d e n t i f i c a t i o np e r f o r m a n c e f o rm u l t i p l ed a t a b a s e so f t h ep r o p o s e dm e t h o d数据集准确率/精度回召率F 分数F r u i t s 自建数据库 I m a g e N e t V e g F r u 表各种水果识别方法的识别性能对比T a b l eC o m p a r i s o no f f r u i t i d e n t i f i c a t i o np e r f o r m a n c e so fv a r i o u s f r u i t i d e n t i f i c a t i o nm e t h o d s方法准确率/训练时间/m i n精度回召率 层C NN 改进的G o o g L e N e t 层C NN M a s kR C NN F a s t e rR C NN C NN L S TM R e N e t D C DM 研究提出的方法 以上对比结果表明,研究提出的基于改进F a s t e rR C NN模型的水果识别方法的水果识别准确率、精度和回召率均优于所对比的其他水果识别方法.该对比结果及研究提出方法的泛化能力的验证结果充分说明了所提方法的有效性和实用性.结论研究提出了一种基于改进F a s t e rR C NN模型的水果识别方法,对所提方法的测试结果表明,该法对 种水果的整体识别准确率达到了 ,对多个水果数据库中水果均表现出良好的识别性能,与其他种水果识别方法相比,所提方法对水果识别的准确率、精度和回召率至少提高了,.与 层C NN等识别方法相比,该方法可提高水果识别准确率和泛化能力,但模型训练时间相对较长.后续将继续研究水果识别性能更好的方法,轻量化水果识别模型,在保持或提高水果识别准确率和泛化能力基础上,提升模型训练速度.参考文献1 胡国喜,王超,刘宇珩.基于改进光滑滑模阻抗控制的水果分拣机械人 夹 持 机 构 控 制 方 法 J.食 品 与 机 械,2021,37(2):130134.HU G X,WANG C,LIU Y H.A control technique for clampingmechanism of fruit sorting robot based on improved smooth slidingmode impedance control J.Food&Machinery,2021,37(2):130134.2 王成军,韦志文,严晨.基于机器视觉技术的分拣机器人研究综述J.科学技术与工程,2022,22(3):893902.WANG C J,WEI Z W,YAN C.Review on sorting robot based on贮运与保鲜S TORAG ET RAN S P OR TA T I ON&P R E S E RVAT I ON总第 期|年月|machine vision technologyJ.Science Technology and Engineering,2022,22(3):893902.3 唐媛红,刘月云.基于 PLC 的水果分拣机器人动作控制优化J.农机化研究,2021,43(12):233237.TANG Y H,LIU Y Y.Optimization of fruit sorting robot actioncontrol based on PLC J.Journal of Agricultural MechanizationResearch,2021,43(12):233237.4 魏冉,裴悦琨,姜艳超,等.基于改进 Faster RCNN 模型的樱桃缺陷检测J.食品与机械,2021,37(10):98105,201.WEI R,PEI Y K,JIANG Y C,et al.Detection of cherry defectsbased on improved Faster RCNN modelJ.Food&Machinery,2021,37(10):98105,201.5 金宗毅,陶学恒,金艳,等.海产品智能分拣装备与系统设计J.食品与机械,2022,38(3):7579.JIN Z Y,TAO X H,JIN Y,et al.Intelligent sorting equipment andsystem design of seafoodJ.Food&Machinery,2022,38(3):7579.6 刘春妹,高洪民,王学田,等.基于深度学习的水果图像识别系统J.微波学报,2020,36(S1):427430.LIU C M,GAO H M,WANG X T,et al.Fruit image recognitionsystem based on deep learningJ.Journal of Microwaves,2020,36(S1):427430.7 INDIRA D N V S L S,GODDU J,INDRAJA B,et al.A review onfruit recognition and feature evaluation using CNNJ.MaterialsToday:Proceedings,2023 80:3 4383 443.8 郑太雄,江明哲,冯明驰.基于视觉的采摘机器人目标识别与定位方法研究综述J.仪器仪表学报,2021,42(9):2851.ZHENG T X,JIANG M Z,FENG M C.Vision based targetrecognition and location for picking robot:A reviewJ.ChineseJournal of Scientific Instrument,2021,42(9):2851.9 NARANJOTORRES J,MORA M,HERNNDEZGARCA R,etal.A review of convolutional neural network applied to fruit imageprocessingJ.Applied Sciences,2020,10(10):3 443.10 ZHONG S H,XU W P,ZHANG T H,et al.Identification anddepth localization of clustered pod pepper based on improvedFaster RCNNJ.IEEE Access,2022,10:93 61593 625.11 WAN S H,GOUDOS S.Faster RCNN for multiclass fruitdetection using a robotic vision systemJ.Computer Networks,2020,168:107036.12 ZHANG Y D,DONG Z,CHEN X,et al.Image based fruitcategory classification by 13layer deep convolutional neuralnetwork anddataaugmentation J.MultimediaToolsandApplications,2019,78:3 6133 632.13 DU L,SUN Y Q,CHEN S,et al.A novel object detection modelbased on faster RCNN for spodoptera frugiperda according tofeeding trace of corn leavesJ.Agriculture,2022,12(2):248.14 MHALLA A,CHATEAU T,MAAMATOU H,et al.SMC fasterRCNN:Toward a scenespecialized multiobject detector J.Computer Vision and Image Understanding,2017,164:315.15 LI L,HASSAN M A,YANG S R,et al.Development of imagebased wheat spike counter through a Faster RCNN algorithm andapplication for genetic studiesJ.The Crop Journal,2022,10(5):1 3031 311.16 KARAR M E,ALSUNAYDI F,ALBUSAYMI S,et al.A newmobile application of agricultural pests recognition using deeplearning in cloud computing systemJ.Alexandria EngineeringJournal,2021,60(5):4 4234 432.17 黄晓红,李铁锋,刘祥鑫,等.基于改进 Faster RCNN 算法的岩石裂隙发展方向跟踪预测研究J.河南理工大学学报(自然科学版),2022,41(4):134141.HUANG X H,LI T F,LIU X X,et al.Research on tracking andprediction of rock fissure development based on improved FasterRCNN algorithm J.Journal of Henan Polytechnic University(Natural Science),2022,41(4):134141.18 KAGGLE.Fruits 360 dataset:A dataset of images containing fruitsand vegetables DB/OL.20230420.https:/ MORID M A,BORJALI A,DEL FIOL G.A scoping review oftransferlearningresearchonmedicalimageanalysisusingImageNet J.ComputersinBiologyandMedicine,2021,128:104115.20 ZHAO Q,WANG X,LYU S C,et al.A feature consistency drivenattention erasing network for finegrained image retrieval J.Pattern Recognition,2022,128:108618.21 倪云峰,叶健,樊娇娇.基于图像识别的水果分拣系统J.江苏农业科学,2021,49(10):170176.NI Y F,YE J,FAN J J.Fruit sorting system based on imagerecognition J.Jiangsu Agricultural Science,2021,49(10):170176.22 STEINBRENER J,P