張學軍 黃爽 靳偉 鄢金山 史增錄 周鑫城 張朝書

摘 ? 要：為了實現農田殘膜的精準撿拾，提高殘膜回收機的回收率. 將改進Faster R-CNN卷積神經網絡運用到農田殘膜的識別檢測中，提出了一種農田殘膜的識別方法. 以11MS-1850殘膜回收機工作后遺留在農田表面的殘膜為研究對象，分別在晴天、陰天不同時間段采集圖像共計1 648幅. 通過更改圖像亮度、旋轉等方式擴充數據集，最終得到4 950幅殘膜樣本圖像，按照7 ∶ 2 ∶ 1劃分為訓練集（3 465幅）、 驗證集（990幅）、測試集（495幅）;采用雙閾值算法替代傳統(tǒng)的單閾值算法，降低了閾值對模型性能的影響;通過對比試驗，選取具有殘差網絡結構的ResNet50作為主干特征提取網絡，準確率可達88.84%，召回率為87.70%，總體精度為88.27%;為了使檢測模型對小目標更加靈敏，根據數據集中殘膜尺寸大小，在原有錨點基礎上增加322和642的尺度參數，準確率、召回率、總體精度分別提升了1.29%、0.67%、0.97%，單幅檢測時間為284.13 ms，基本滿足了識別殘膜的要求. 可為殘膜回收機加裝補收裝置提供參考，為研制人工智能殘膜回收機提供理論基礎.

關鍵詞：殘膜識別;Faster R-CNN;殘差網絡;特征提取網絡

中圖分類號：TP391.4 ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文獻標志碼：A

Identification Method of Agricultural Film

Residue Based on Improved Faster R-CNN

ZHANG Xuejun1，2，HUANG Shuang1，JIN Wei1，2，YAN Jinshan1，2，

SHI Zenglu1，2，ZHOU Xincheng1，ZHANG Chaoshu3

（1. College of Mechanical and Electrical Engineering，Xinjiang Agricultural University，Urumqi 830052，China;

2. Key Laboratory of Innovation Design Laboratory，Xinjiang Agricultural Engineering Equipment，Urumqi 830052，China;

3. Alar City Tiandian Agricultural Machinery Manufacturing Co Ltd，Alar 843300，China）

Abstract：In order to achieve precise picking of residual film in farmland and to improve the recovery rate of residual film recovery machine，the improved Faster R-CNN convolutional neural network is applied to ?identification and detection of residual film in farmland，and a method of identifying residual film in farmland is proposed. Taking the residual film left on the surface of the farmland after the 11MS-1850 residual film recovery machine worked as the research object，a total of 1 648 images are collected during different periods of sunny and cloudy days. The data set is expanded by changing the image brightness，rotation，etc，and finally 4 950 residual film sample images are got，which are divided into a training set （3 465），a validation set（990），and a test set （495） according to 7 ∶ 2 ∶ 1. The dual-threshold algorithm is used to replace the traditional single-threshold algorithm，which reduces the impact of thresholds on model performance. Through comparative experiments，ResNet50 with a residual network structure is selected as the backbone feature extraction network. The accuracy rate can reach 88.84%，the recall rate is 87.70%，and the overall accuracy is 88.27%. In order to make the detection model more sensitive to small targets，according to the size of the residual film in the data set，the scale parameters of 322 and 642 are added to the original anchor points，and the accuracy，recall，and overall accuracy are improved by 1.29%，0.67%，0.97%，respectively; the single detection time is 284.13 ms，which basically meets the requirements for identifying residual film. It can provide a reference for the installation of replenishment equipment for the residual film recovery machine，and provide a theoretical basis for the development of artificial intelligence residual film recovery machines.

Key words：residual film recognition;Faster R-CNN;residual network;feature extraction network

地膜覆蓋技術自引入中國至今已有40余年的歷史[1]，廢棄在農田里的地膜長年積累，若沒有及時回收則會造成種子腐爛、阻斷營養(yǎng)運輸，直接影響農作物產量. 針對殘膜回收問題，目前國內已研發(fā)設計出百余種不同工作形式的殘膜回收機. 其中部分殘膜回收機械的回收率高達90%以上[2-8]，但回收率似乎已經到達“瓶頸期”，很難有進一步突破. 因此，通過圖像識別的方法快速識別出農田里遺留的殘膜，是研制人工智能殘膜回收機，提高殘膜回收率的關鍵.

近年來，圖像識別技術已經廣泛應用于農業(yè)領域，已有研究人員對地膜進行了識別. 梁長江等[9]通過無人機采集農田地膜圖像，利用幾種傳統(tǒng)的圖像分割算法對地膜進行識別，結果表明迭代閾值分割算法對地膜的識別率最高. 朱秀芳等[10]利用無人機獲取影像并提取紋理信息，結合傳統(tǒng)的分割方法得到了地膜分布面積. 吳雪梅等[11]利用無人機采集煙地不同時期的殘膜，提出了一種基于顏色特征的識別方法. 江水泉等[12]利用直方圖閾值分割方法確定閾值，聯(lián)合邊緣檢測和區(qū)域填充，分離出了殘膜圖像. 上述文獻大多通過無人機航拍獲取地膜信息，用于評估當地的環(huán)境污染程度，很難直接將識別方法應用于農田殘膜的撿拾中. 文獻[12]雖然運用傳統(tǒng)的圖像識別方法識別出了殘膜，但同時也丟失了部分殘膜信息，增加了定位誤差. 傳統(tǒng)的識別方法依賴于閾值的選擇，適應性不強，魯棒性較差，況且地膜與農田背景信息相近，邊界區(qū)分不明顯，無固定輪廓特征，加大了檢測難度. 卷積神經網絡（Convolutional Neural Network，CNN）抗干擾能力強，能將目標從復雜背景中提取出來，依靠數據本身的特征屬性進行自主學習，在區(qū)分相近目標方面具有顯著效果. 目前卷積神經網絡已廣泛應用于無人駕駛[13-14]、植株病蟲害識別[15-16]、品種分類[17-18]、航空航天[19]、災害預警[20]、垃圾分類[21]、行為監(jiān)測[22-23]、醫(yī)療診斷[24-25]等方面.

針對地膜與背景干擾物相近，識別難度大等問題. 引入卷積神經網絡，選擇目前檢測精度最佳的Faster R-CNN網絡[26]，通過增加322和642的錨點尺寸，提出了一種適用于農田殘膜的檢測方法，最終實現殘膜的快速、自動識別.

1 ? 數據采集與處理

1.1 ? 數據采集

本文以新疆農業(yè)大學與新疆阿拉爾市天典農機制造有限公司聯(lián)合研制的11MS-1850型殘膜回收機工作后遺留在農田表面的殘膜為研究對象，于2019年9月至10月，使用索尼WX500采集殘膜圖像，分辨率為3 648像素×2 736像素，分別在晴天和陰天共采集1 648幅殘膜圖像，為了確保殘膜圖像的多樣性，樣本中含有不同土壤濕度、不同光照強度下殘余不等片數的殘膜圖像. 采集時相機鏡面與地面平行，距地面高度為80～110 cm. 11MS-1850型殘膜回收機如圖1所示，部分殘膜圖像樣本如圖2所示.

1.2 ? 數據集制作

深度學習為了獲得檢測性能較好的神經網絡模型，通常需要大量的數據樣本進行訓練. 為了強化模型的泛化能力和適應性，避免因樣本圖像太少而影響模型的訓練結果，通常采用裁剪、調整亮度、更改對比度、隨機旋轉等方式對樣本圖像進行數據擴充. 本文通過調整殘膜圖像亮度，對殘膜圖像旋轉45°、90°、270°進行擴充后最終得到4 950幅樣本圖像，以圖像中的殘膜為正樣本，除殘膜以外的背景均認定為負樣本. 將樣本圖像按7 ∶ 2 ∶ 1劃分為訓練集（3 465幅）、驗證集（990幅）、測試集（495幅）. 最后利用LabelImg標注工具按照PASCAL VOC2007標注格式對殘膜圖像進行標注.

2 ? 試驗條件與方法

2.1 ? 軟件與硬件

本文的試驗條件為：Window10操作系統(tǒng)，計算機配置為Intel（R）Core（TM）i7-10750H處理器，顯卡為GeForce GTX1650，8 G內存，512 GB固態(tài)硬盤. 編程環(huán)境為python3.6.2，torch1.5.0、torchvision0.6.0、cuda10.0、cudnn7.4.1.5. 標注工具為LabelImg.

2.2 ? 試驗方法

2.2.1 ? 基于Faster R-CNN的殘膜檢測框架

Faster R-CNN網絡模型是在Fast R-CNN模型的基礎上引入了RPN區(qū)域建議網絡（Region Proposal Networks），從而通過反向傳播和隨機梯度下降來實現端到端的訓練. Faster R-CNN殘膜檢測框架如圖3所示.

在殘膜檢測過程中主要分為四部分，即殘膜特征提取部分、候選區(qū)域建議網絡（RPN）、ROI Pooling感興趣區(qū)域池化部分、殘膜與背景二分類回歸部分. 基于Faster R-CNN的殘膜檢測環(huán)節(jié)如下：

1）由主干特征提取網絡提取殘膜特征，獲得特征圖用于RPN和Fast R-CNN共享.

2）RPN網絡利用3×3的滑動窗口，遍歷整個特征圖，其中Softmax分類器主要用于區(qū)分殘膜和背景信息，邊框回歸主要用于調整建議框的4個參數（即建議框的中心點x軸和y軸坐標及其寬和高），Proposals對獲得的建議框進行初步的篩選，最大程度上找到含有殘膜的區(qū)域.

3）ROI Pooling同時獲得特征圖及建議框，隨后利用建議框在特征圖上進行截取，為了將獲取到大小不同的特征圖調整至分類器所需的尺寸，對其進行歸一化處理，獲得固定大小.

4）利用分類和回歸網絡判斷截取到的特征圖中是否包含殘膜信息并對建議框進行調整，獲得最終的檢測框.

由于殘膜無固定形狀，因此在本文中認為殘膜外接矩形的中心點坐標即近似為殘膜的位置坐標，從而實現對殘膜的檢測和定位.

2.2.2 ? 評價指標

本文旨在識別殘膜回收機工作后遺留在田間的殘膜并確定其位置信息. 在執(zhí)行機構撿拾過程中，允許殘膜中心位置坐標存在較小誤差. 因此在本研究中認為只要檢測框中含有殘膜信息并且與其重疊區(qū)域大于75%，即視為有效檢測. 為了評估殘膜識別檢測網絡的性能，選擇準確率P（precision）、召回率R（recall）、總體精度F1作為評價指標，其公式為：

式中：R為召回率;P為準確率;F1為總體精度;TP為正確識別殘膜的樣本數量;FP為錯誤識別殘膜的樣本數量;FN為未檢測出殘膜的樣本數量.

2.2.3 ? 模型訓練

采用近似聯(lián)合訓練方式進行訓練，為了加速網絡訓練，將殘膜圖像統(tǒng)一至600像素×600像素，為了降低因數據樣本不足對網絡訓練的影響，本文選取在ImageNet數據集上訓練好的權重進行遷移學習，利用殘膜數據集對預訓練好的網絡進行微調，初始學習率lr = 0.005，每隔5步衰減一次學習率，設定衰減倍率因子ganma = 0.1，動量momentum = 0.9，weight_decay = 0.000 5，訓練批次epoch = 2 000，每訓練100個epoch保存一次訓練權重，最后選擇最優(yōu)權重用于驗證集進行驗證，訓練過程采用GPU加速訓練.

2.2.4 ? 改進NMS算法

非極大值抑制（Non-Maximum Suppression，NMS）可以根據分數矩陣和邊界框的坐標信息，從中找到置信度較高的矩形框. 但該方法過度依賴于閾值的選擇，若閾值選擇不當則會導致目標漏檢或誤檢，對于檢測目標出現重疊、遮擋的情況，該方法只保留得分最高的檢測窗口也會導致目標漏檢[27]. 雙閾值算法可有效降低單閾值對算法整體性能的影響，其流程圖如圖4所示. A = {a1，a2，…，ac}為殘膜候選框的集合，S = {s1，s2，…，sc}為候選框對應的置信度得分集合，D為最終候選框的集合，dc和dt為設定的雙閾值，其閾值以測試集殘膜圖像為目標，將精確率作為評價指標，采用聯(lián)合調參法確定，如表1所示，當取dc = 0.3，dt = 0.9時算法效果最佳. M為得分最高的檢測窗口. 首先在集合A中找出得分最高的檢測窗口將其放入D中并在A中將其刪除，隨后比較對于任意的候選框及M的交并比與閾值dc ?和dt ?的

大小，若小于dc則保留當前候選框及對應得分;若大于dt則刪除當前候選框及對應得分;若兩者都不滿足則對當前候選框得分分配相應的權重. 重復執(zhí)行以上操作，直至集合A為空集，輸出最終的候選框及其得分.

2.2.5 ? 主干特征提取網絡的選擇

Faster R-CNN網絡在殘膜特征檢測過程中需要選用已經訓練好的網絡來增加網絡的深度，提取更抽象的圖像特征，以提高模型的檢測能力獲得理想的檢測效果. 但隨著網絡級數的增加，梯度消失和爆炸問題也隨之產生. He等[28]在保留網絡深度的基礎上提出了殘差網絡（Residual Network），使網絡中的冗余層進行恒等映射，有效解決了因網絡層數增多引發(fā)的梯度消失問題，殘差網絡結構單元如圖5所示.

特征提取網絡的選擇對模型的整體性能有著重要的影響. 常見的特征提取網絡有VGG16[29]、ResNet50[30]、ResNet101[31]等. 為了選取適用于本研究的主干特征提取網絡，保證其他參數不變，分別使用VGG16、VGG19、ResNet34、ResNet50、ResNet101、SqueezeNet、AlexNet網絡作為特征提取網絡對測試集圖像進行檢測，結果見表2.

由表2可知，當AlexNet和SqueezeNet作為特征提取網絡時，雖然檢測速度很快但精度較低，這是由于網絡結構比較簡單，能夠提取到的殘膜特征有限. 而使用VGG和ResNet系列作為特征提取網絡總體精度均達到80%以上，其中ResNet101總體精度最高，達到了89.02%，檢測單幅運行時間為342.61 ms，相對于ResNet101，ResNet50總體精度雖然下降了0.75%，單幅檢測速度卻縮短了85.73 ms. 綜合考慮并結合本研究試驗條件及研究對象，最終選擇ResNet50作為主干特征提取網絡.

2.2.6 ? 更改錨點尺寸

殘膜回收機工作后遺留在農田表面的殘膜存在條狀大膜和細小的殘膜碎片，尺度變化較大. 而Faster R-CNN模型的原有錨點尺寸為{1282，2562， 5122}，對小目標檢測不夠靈敏，直接應用在殘膜的識別中容易出現漏識別的情況. 為了使Faster R-CNN檢測模型更適用于殘膜的檢測，統(tǒng)計殘膜數據集中的殘膜像素面積，由圖6可以看出，殘膜的像素面積主要集中在1002 ～ 3502之間，考慮到模型的綜合檢測能力，依然保留5122的尺寸，并在原有錨點尺寸的基礎上增加322和642的尺度參數，使得每個錨點對應15個候選窗口.

為了驗證本文改進算法的有效性，將改進后的Faster R-CNN模型與原模型（特征提取網絡均為ResNet50）在測試集上對殘膜進行檢測，結果見表3.

3 ? 結果分析

3.1 ? 定量分析

由表3可知，更改錨點尺寸后，改進Faster R-CNN模型在準確率、召回率、總體精度上分別增加1.29%、0.67%和0.97%，但在單幅檢測時間上增加了27.25 ms，主要原因一是由于每個錨點對應的候選框數量增加，運算量也隨之增大;二是雙閾值算法比非極大值抑制算法更復雜，檢測時間則消耗在多余候選框的篩除中. 雖然檢測時間有所增加，但是依然滿足實時檢測的要求. 部分殘膜檢測結果如圖7所示. 檢測模型在自然條件下識別殘膜的過程中取得了比較理想的檢測結果，如圖7（g）（h）所示，即使在細小的殘膜碎片和殘留棉花的干擾下，檢測框也能夠較準確的框選殘膜信息. 但在檢測存在些許粘連的殘膜時，出現了重復檢測的情況，如圖7（i）所示，這是由于在標注此類樣本時，標注準則不一致導致的（即標注時有時認定為一整片殘膜，有時認定為幾片殘膜），后期可增加此類樣本數量并統(tǒng)一標注準則進行規(guī)避.

3.2 ? 特征圖分析

為了更直觀地了解ResNet50特征提取網絡提取殘膜特征的過程，對特征提取的部分中間過程進行可視化操作. 只顯示Conv1、Layer1和Layer3前36個通道的灰度圖，為了便于觀察將輸出的特征圖統(tǒng)一到相同大小，特征圖可視化結果如圖8所示. 殘膜圖像經過Conv1卷積之后得到的特征圖能夠較好的展現原圖的紋理和輪廓信息. 隨著網絡深度的增加ResNet50能夠提取更抽象的殘膜特征，經過多層網絡的共同表達，殘膜特征能夠被完整的提取出來.

4 ? 結 ? 論

1）本文基于卷積神經網絡Faster R-CNN提出了一種農田殘膜識別方法. 為了選取特征提取網絡，對VGG16、VGG19、ResNet34、ResNet50、ResNet101、SqueezeNet、AlexNet進行對比試驗. 最終選取ResNet50作為特征提取網絡.

2）采用雙閾值算法替代傳統(tǒng)的NMS算法，弱化了單閾值對算法的影響，降低了漏識別率.

3）為了提高檢測模型對細小殘膜碎片的靈敏度，增加了322和642的尺度參數，降低了漏識別率，從而提高了檢測模型的召回率和總體精度. 改進后的Faster R-CNN準確率為90.13%、召回率為88.37%、總體精度為89.24%、單幅檢測時間為284.13 ms，使得通過機器視覺方法撿拾殘膜，提高殘膜回收機的回收率成為可能.

4）雖然改進Faster R-CNN模型在殘膜的檢測精度方面有所提升，但提升幅度不夠顯著，檢測時間也有所增加. 今后將在提高殘膜檢測精度的基礎上，繼續(xù)優(yōu)化雙閾值算法，提高模型的檢測速度，同時進行嵌入式開發(fā)研究，以期早日將殘膜識別技術投入生產.

將改進Faster R-CNN運用到實際殘膜的撿拾過程，包含殘膜的檢測、空間位置信息定位與撿拾部件拾取等部分. 當檢測出圖像中的殘膜信息后 ，將矩形框的中心點位置坐標換算成殘膜的空間位置坐標，將坐標信息傳送至執(zhí)行機構（機械手或氣吸裝置）實現殘膜的補收，增加殘膜回收機的回收效率. 可為殘膜回收機加裝補收裝置提供理論基礎，最終達到提高殘膜回收機回收效率的目的.

參考文獻

[1] ? ?顧滿，胡志超，姬廣碩，等. 殘膜回收機防膜回帶機構分析及發(fā)展思考[J]. 農機化研究，2019，41（4）：257—263.

GU M，HU Z C，JI G S，et al. Analysis and development of the film-return mechanism of plastic film collectors[J]. Journal of Agricultural Mechanization Research，2019，41（4）：257—263. （In Chinese）

[2] ? ?王吉奎，付威，王衛(wèi)兵，等. SMS-1500型秸稈粉碎與殘膜回收機的設計[J]. 農業(yè)工程學報，2011，27（7）：168—172.

WANG J K，FU W，WANG W B，et al. Design of SMS-1500 type straw chopping and plastic film residue collecting machine[J]. Transactions of the Chinese Society of Agricultural Engineering，2011，27（7）：168—172. （In Chinese）

[3] ? ?蔣德莉，陳學庚，顏利民，等. 隨動式殘膜回收機清雜系統(tǒng)作業(yè)參數優(yōu)化[J]. 農業(yè)工程學報，2019，35（19）：1—10.

JIANG D L，CHEN X G，YAN L M，et al. Operational parameters optimization of cleaning system of the follow-up film recovery machine [J]. Transactions of the Chinese Society of Agricultural Engineering，2019，35（19）：1—10. （In Chinese）

[4] ? ?張慧明，陳學庚，顏利民，等. 隨動式秸稈還田與殘膜回收聯(lián)合作業(yè)機設計與試驗[J]. 農業(yè)工程學報，2019，35（19）：11—19.

ZHANG H M，CHEN X G，YAN L M，et al. Design and test of follow-up combined machine for straw returning and film residue recovery[J]. Transactions of the Chinese Society of Agricultural Engineering，2019，35（19）：11—19. （In Chinese）

[5] ? ?田辛亮，趙巖，陳學庚，等. 4JSM-2000A型棉稈粉碎及摟膜聯(lián)合作業(yè)機的研制[J]. 農業(yè)工程學報，2018，34（10）：25—35.

TIAN X L，ZHAO Y，CHEN X G，et al. Development of 4JSM-2000A type combined operation machine for cotton stalk chopping and residual plastic film collecting[J]. Transactions of the Chinese Society of Agricultural Engineering，2018，34（10）：25—35.（In Chinese）

[6] ? ?趙巖，鄭炫，陳學庚，等. CMJY-1500型農田殘膜撿拾打包聯(lián)合作業(yè)機設計與試驗[J]. 農業(yè)工程學報，2017，33（5）：1—9.

ZHAO Y，ZHENG X，CHEN X G，et al. Design and test of CMJY-1500 type plastic film residue collecting and balling machine[J]. Transactions of the Chinese Society of Agricultural Engineering，2017，33（5）：1—9. （In Chinese）

[7] ? ?由佳翰，張本華，溫浩軍，等. 鏟齒組合式殘膜撿拾裝置設計與試驗優(yōu) 化[J]. 農業(yè)機械學報，2017，48（11）：97—104.

YOU J H，ZHANG B H，WEN H J，et al. Design and test optimization on spade and tine combined residual plastic film device[J]. Transactions of the Chinese Society for Agricultural Machinery，2017，48（11）：97—104. （In Chinese）

[8] ? ?王旭峰，胡燦，魯兵，等. 拋膜鏈齒輸送式殘膜回收機設計與試驗[J]. 農業(yè)機械學報，2018，49（3）：122—129.

WANG X F，HUCAN，LU B，et al. Design and test of the residual film recovery machine with cast-film sprocket conveyor [J] . Transactions of the Chinese Society for Agricultural Machinery，2018，49（3）：122—129. （In Chinese）

[9] ? ?梁長江，吳雪梅，王芳，等. 基于無人機的田間地膜識別算法研究[J]. 浙江農業(yè)學報，2019，31（6）：1005—1011.

LIANG C J WU X M，WANG F，et al. Field film identification algorithm based on UAV[J]. Zhejiang Agricultural Journal，2019，31（6）：1005—1011. （In Chinese）

[10] ?朱秀芳，李石波，肖國峰. 基于無人機遙感影像的覆膜農田面積及分布提取方法[J]. 農業(yè)工程學報，2019，35（4）：106—113.

ZHU X F，LI S B，XIAO G F. Method on extraction of area and distribution of plastic-mulched farmland based on UAV images[J]. Transactions of the Chinese Society of Agricultural Engineering，2019，35（4）：106—113. （In Chinese）

[11] ?吳雪梅，梁長江，張大斌，等. 基于無人機遙感影像的收獲期后殘膜識別方法[J]. 農業(yè)機械學報，2020，51（8）：189—195.

WU X M，LIANG C J，ZHANG D B，et al. Identification method of plastic film residue based on UAV remote sensing images[J]. Transactions of the Chinese Society for Agricultural Machinery，2020，51（8）：189—195. （In Chinese）

[12] ?江水泉，張海東，華英杰. 基于計算機視覺的農田殘膜定位研究[J]. 中國農機化學報，2016，37（11）：150—154.

JIANG S Q，ZHANG H D，HUA Y J. Research on location of residual plastic film based on computer vision[J]. Journal of Chinese Agricultural Mechanization，2016，37（11）：150—154. （In Chinese）

[13] ?王科俊，趙彥東，邢向磊. 深度學習在無人駕駛汽車領域應用的研究進展[J]. 智能系統(tǒng)學報，2018，13（1）：55—69.

WANG K J，ZHAO Y D，XING X L. Deep learning in driverless vehicles[J]. CAAI Transactions on Intelligent Systems，2018，13（1）：55—69. （In Chinese）

[14] ?王欣盛，張桂玲. 基于卷積神經網絡的單目深度估計[J]. 計算機工程與應用，2020，56（13）：143—149.

WANG X S，ZHANG G L. Monocular depth estimation based on convolutional neural network[J]. Computer Engineering and Applications，2020，56（13）：143—149. （In Chinese）

[15] ?OPPENHEIM D，SHANI G，ERLICH O，et al. Using deep learning for image-based potato tuber disease detection[J]. Phytopathology，2019，109（6）：1083—1087.

[16] ?李就好，林樂堅，田凱，等. 改進Faster R-CNN的田間苦瓜葉部病害檢測[J]. 農業(yè)工程學報，2020，36（12）：179—185.

LI J H，LIN L J，TIAN K，et al. Detection of leaf diseases of balsam pear in the field based on improved Faster R-CNN[J]. Transactions of the Chinese Society of Agricultural Engineering，2020，36（12）：179—185. （In Chinese）

[17] ?袁培森，黎薇，任守綱，等. 基于卷積神經網絡的菊花花型和品種識別[J]. 農業(yè)工程學報，2018，34（5）：152—158.

YUAN P S，LI W，REN S G，et al. Recognition for flower type and variety of chrysanthemum with convolutional neural network[J]. Transactions of the Chinese Society of Agricultural Engineering，2018，34（5）：152—158. （In Chinese）

[18] KAYA A，KECELI A S，CATAL C，et al. Analysis of transfer learning for deep neural network based plant classification models[J]. Computers and Electronics in Agriculture，2019，158：20—29.

[19] ?李濤，張海利. 一種基于深度學習算法的定量化航天產品質量控制方法[J]. 航天工業(yè)管理，2018（11）：9—12.

LI T，ZHANG H L. A quantitative aerospace product quality control method based on deep learning algorithm[J]. Aerospace Industry Management，2018（11）：9—12. （In Chinese）

[20] ?LI P，ZHAO W D. Image fire detection algorithms based on convolutional neural networks[J]. Case Studies in Thermal Engineering，2020，19：100625.

[21] ?吳曉玲，黃金雪，何文海. 基于深度卷積神經網絡的塑料垃圾分類研究[J]. 塑料科技，2020，48（4）：86—89.

WU X L，HUANG J X，HE W H. Research on plastic waste classification based on deep convolutional neural network[J]. Plastics Science and Technology，2020，48（4）：86—89. （In Chinese）

[22] ?劉忠超，何東健.基于卷積神經網絡的奶牛發(fā)情行為識別方法[J]. 農業(yè)機械學報，2019，50（7）：186—193.

LIU Z C，HE D J. Recognition method of cow estrus behavior based on convolutional neural network[J]. Transactions of the Chinese Society for Agricultural Machinery，2019，50（7）：186—193. （In Chinese）

[23] ?盧偉，胡海陽，王家鵬，等. 基于卷積神經網絡面部圖像識別的拖拉機 駕駛員疲勞檢測[J]. 農業(yè)工程學報，2018，34（7）：192—199.

LU W，HU H Y，WANG J P，et al. Tractor driver fatigue detection based on convolutional neural network face image recognition [J]. Transactions of the Chinese Society of Agricultural Engineering，2018，34（7）：192—199. （In Chinese）

[24] ?TANG S Y，YANG MIN，BAI J N. Detection of pulmonary nodules based on a multiscale feature 3D U-Net convolutional neural network of transfer learning[J]. PLOS ONE，2020，15（8）：1—27.

[25] ?SAXENA S，SHUKLA S，GYANCHANDANI M. Pre-trained convolutional neural networks as feature extractors for diagnosis of breast cancer using histopathology[J]. International Journal of Imaging Systems and Technology，2020，30（3）：577—591.

[26] ?徐巖，陶慧青，虎麗麗. 基于Faster R-CNN網絡模型的鐵路異物侵限檢測算法研究[J]. 鐵道學報，2020，42（5）：91—98.

XU Y，TAO H Q，HU L L.Railway foreign body intrusion detection based on Faster R-CNN network model[J]. Journal of the China Railway Society，2020，42（5）：91—98. （In Chinese）

[27] ?蔣弘毅，王永娟，康錦煜. 目標檢測模型及其優(yōu)化方法綜述[J/OL]. 自動化學報，https：//doi.org/10.16383/j.aas.c190756，2020-03-03.

JIANG H Y，WANG Y J，KANG J Y. A survey of target detection models and their optimization methods [J/OL]. Acta Automatica，https：//doi.org/10.16383/j.aas.c190756，2020-03-03. （In Chinese）

[28] ?HE K M，ZHANG X Y，REN S Q，et al. Deep residual learning for image recognition[C]//2016 IEEE Conference on Computer Vision and Pattern Recognition（CVPR）. Las Vegas：IEEE，2016：770—778.

[29] ?葉長文，康睿，戚超，等. 基于Faster-RCNN的肉雞擊暈狀態(tài)檢測方法 [J]. 農業(yè)機械學報，2019，50（12）：255—259.

YE C W，KANG R，QI C，et al. Detection method of chicken stunning state based on Faster-RCNN [J]. Transactions of the Chinese Society for Agricultural Machinery，2019，50（12）：255—259. （In Chinese）

[30] ?席芮，姜凱，張萬枝，等. 基于改進Faster R-CNN的馬鈴薯芽眼識別方法[J]. 農業(yè)機械學報，2020，51（4）：216-223.

XI R，JIANG K，ZHANG W Z，et al. Recognition method for potato buds based on improved Faster R-CNN[J]. Transactions of the Chinese Society for Agricultural Machinery，2020，51（4）：216-223. （In Chinese）

[31] ?孫哲，張春龍，葛魯鎮(zhèn)，等. 基于Faster R-CNN的田間西蘭花幼苗圖像檢測方法[J]. 農業(yè)機械學報，2019，50（7）：216—221.

SUN Z，ZHANG C L，GE L Z，et al. Image detection method for broccoli seedlings in field based on Faster R-CNN[J].Transactions of the Chinese Society for Agricultural Machinery，2019，50（7）：216—221. （In Chinese）

收稿日期：2020-11-03

基金項目：“十三五”國家重點研發(fā)計劃資助項目（2017YFD0701102-2），“Thirteenth Five-Year” National Key Research and Development Program of China（2017YFD0701102-2）;國家自然科學基金資助項目（51665057），National Natural Science Foundation of China（51665057）;新疆自治區(qū)重點研發(fā)任務專項（2016B01003-1），Xinjiang Autonomous Region Key Research and Development Task Special Project（2016B01003-1）;新疆自治區(qū)高?？蒲杏媱潉?chuàng)新團隊資助項目（XJEDU2017T005），University Scientific Research Project Innovation Team of Xinjiang Autonomous Region（XJEDU2017T005）

作者簡介：張學軍（1966—），男，四川渠縣人，新疆農業(yè)大學教授，博士

通信聯(lián)系人，E-mail：tuec@163.com