米佳豪 蔣權(quán)

摘? 要：為了提高香蕉長勢的分類準(zhǔn)確度，依據(jù)香蕉生長特性，文章提出了一種基于葉片數(shù)量和類別占比的香蕉長勢檢測方法。針對香蕉樹主要的3個長勢區(qū)間，利用YOLOv5s目標(biāo)檢測算法為基礎(chǔ)構(gòu)建模型，在檢測端根據(jù)模型的預(yù)測結(jié)果對置信度低于0.8的目標(biāo)進(jìn)行篩選，依據(jù)葉片數(shù)與類別占比的分類矯正方法對模型輸出的低置信結(jié)果進(jìn)行矯正。結(jié)果表明，經(jīng)過矯正后的模型與基礎(chǔ)模型相比分類更加準(zhǔn)確。

關(guān)鍵詞：長勢檢測；分類矯正；YOLOv5s

中圖分類號：TP391.4? 文獻(xiàn)標(biāo)識碼：A? 文章編號：2096-4706（2023）23-0106-06

Banana Tree Growth Detection Based on Leaf Quantity and Category Proportion

MI Jiahao， JIANG Quan

（Guangxi Minzu University， Nanning? 530006， China）

Abstract： In order to improve the classification accuracy of banana growth， based on the growth characteristics of bananas， this paper proposes a banana growth detection method based on the number of leaves and the proportion of categories. Based on the YOLOv5s object detection algorithm， a model is constructed for the three main growth intervals of banana trees. At the detection end， targets with a confidence level lower than 0.8 are selected based on the predicted results of the model. The low confidence output of the model is corrected using a classification correction method based on the number of leaves and the proportion of categories. The results show that corrected model is more accurate in classification compared to the basic model.

Keywords： growth detection; classification correction; YOLOv5s

0? 引? 言

香蕉是全球市場上經(jīng)濟(jì)效益顯著的水果產(chǎn)品之一。香蕉為草本果樹，生長周期短、可快速投產(chǎn)、產(chǎn)量居高，可保持周年供應(yīng)，經(jīng)濟(jì)效益較好，故而被各香蕉生產(chǎn)國及蕉農(nóng)所青睞?？焖贉?zhǔn)確地識別香蕉樹長勢，提供香蕉樹各類長勢期間于產(chǎn)業(yè)園內(nèi)的時空分布信息成為合理人工分配以及智能化采摘的必要條件。

在作物長勢檢測領(lǐng)域，早年的機(jī)器學(xué)習(xí)及遙感監(jiān)測提供了很多方法。Anatoly等[1]研究了植被覆蓋率在可見光和近紅外（NIR）光譜范圍內(nèi)從0%到100%的小麥冠層的光譜特性，隨著VF增長或接近季中近紅外反射率趨于平穩(wěn)，使用中會受此限制Liu等[2]以柚子果實(shí)成熟度為對象進(jìn)行識別，使用橢圓邊界模型的機(jī)器學(xué)習(xí)算法，引入最小二乘法擬合橢圓邊界模型的隱式二階多項(xiàng)式，識別準(zhǔn)確率為93.5%，但該方法在處理未成熟綠色果實(shí)時的檢測效果較差。Liu等[3]提出了一種基于形狀與顏色特征的蘋果果實(shí)成熟度檢測算法，召回率達(dá)到85%以上，但該方法的魯棒性較差。

近5年的研究表示，深度學(xué)習(xí)在作物長勢檢測領(lǐng)域應(yīng)用越來越多，應(yīng)用這一技術(shù)較以往的機(jī)器學(xué)習(xí)與遙感監(jiān)測的方法，或速度快，或準(zhǔn)確率提高，以及檢測成本有了大幅的下降。

2021到2022年間Kateb[4]等人提出了一種果園中實(shí)時水果檢測的注意力特征聚合，提高了果實(shí)檢出率。Fu[5-7]等基于YOLOv4提出YOLO-banana目標(biāo)檢測網(wǎng)絡(luò)，實(shí)現(xiàn)果園環(huán)境下對香蕉果實(shí)多類別快速檢測。Wu[8-10]等對香蕉機(jī)器人進(jìn)行研究，提出了基于YOLO系列算法的香蕉多目標(biāo)特征識別，并針對香蕉果軸斷蕾點(diǎn)進(jìn)行視覺定位，經(jīng)試驗(yàn)達(dá)到作業(yè)要求。

在針對各種不同作物的目標(biāo)檢測及分類任務(wù)中，各種作物都有了很多快速及高準(zhǔn)確率的應(yīng)用深度學(xué)習(xí)的檢測方法。在香蕉長勢檢測領(lǐng)域，目前的研究多數(shù)為香蕉果實(shí)采摘的研究，而采用無人機(jī)對整個產(chǎn)業(yè)園的香蕉長勢進(jìn)行大范圍檢測的方法卻寥寥無幾，故本文基于香蕉生長特性引入提高香蕉分類檢測準(zhǔn)確率的方法，提高香蕉產(chǎn)業(yè)園的管護(hù)與智能化水平。

1? 材料與方法

1.1? 樣本采集

本文所用香蕉樹圖像拍攝于2023年1月3日，拍攝地為廣西隆安金穗香蕉產(chǎn)業(yè)核心示范區(qū)。該示范區(qū)面積約4.13萬畝，以發(fā)展香蕉上中下游產(chǎn)品為目標(biāo)在園內(nèi)建設(shè)香蕉標(biāo)準(zhǔn)化種植產(chǎn)業(yè)園、香蕉產(chǎn)品深加工產(chǎn)業(yè)園、香蕉交易產(chǎn)業(yè)園，是經(jīng)農(nóng)業(yè)部綠色食品管理辦公室和中國視頻綠色發(fā)展中心予以認(rèn)定公布的綠色食品產(chǎn)業(yè)園區(qū)。為提高本文研究的適用性，對核心區(qū)內(nèi)種植不同品種的多塊香蕉田進(jìn)行了圖像采集。采集時園區(qū)內(nèi)各品種香蕉生長階段介于營養(yǎng)生長期至果實(shí)膨大期之間，基本將香蕉生長的各個時期覆蓋。

本文所采集圖像數(shù)據(jù)的拍攝方法均是使用無人機(jī)空中正射影像的方式采集的，無人機(jī)型號為大疆Phantom 4 pro2，一款小型多旋翼航測無人機(jī)，面向低空攝影測量應(yīng)用，可較好的適配本次空中正射影像圖像采集任務(wù)。

1.2? 數(shù)據(jù)處理

本次無人機(jī)圖像拍攝任務(wù)共采集了營養(yǎng)生長期，花蕾期，果實(shí)膨大期三種不同長勢下的圖像。針對廣西隆安香蕉實(shí)驗(yàn)站實(shí)驗(yàn)項(xiàng)目中的6個品種（中熱1號、中熱2號、中蕉9號、中蕉4號，南天黃、桂蕉9號）對每個完整地塊進(jìn)行滑動窗口式拍攝，共采集到529張高清圖像。

數(shù)據(jù)集標(biāo)注使用開源的圖像標(biāo)注軟件Labelme以矩形框標(biāo)注，標(biāo)注數(shù)據(jù)集使用標(biāo)簽為：1、2、3，分別對應(yīng)三個生長發(fā)育時期：營養(yǎng)生長期，花蕾期，果實(shí)膨大期。標(biāo)注范例如圖1所示。

由于所準(zhǔn)備的數(shù)據(jù)集為無人機(jī)拍攝，采集到的圖像分辨率都較大，故采用裁剪拼接的方法對數(shù)據(jù)進(jìn)行處理。對529張圖像數(shù)據(jù)進(jìn)行1 216×1 216的正方形滑動窗口式裁剪，裁剪的重合比例上為了考慮葉片及樹木的完整性，選擇以30%的裁剪重合比例進(jìn)行裁剪，得到6 348張1 216×1 216分辨率大小的圖像。對標(biāo)注好的數(shù)據(jù)集按照8：2的比例劃分訓(xùn)練集與測試集。

1.3? YOLOv5s模型

YOLOv5于2020年由glenn-jocher首次提出，直至今日YOLOv5仍然在不斷進(jìn)行升級迭代。YOLOv5有YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x四個版本。文件中，這幾個模型的結(jié)構(gòu)基本一樣，不同的是depth_multiple模型深度和width_multiple模型寬度這兩個參數(shù)。通過五個版本模型的參數(shù)對比，YOLOv5s在多項(xiàng)參數(shù)均衡對比中更顯優(yōu)勢，模型內(nèi)存小于其他版本，模型加載快且物體檢測速度也很具優(yōu)勢，mAP值相對其他較大模型也沒有太大的損失，最終選擇YOLOv5s為本次研究香蕉樹長勢檢測的基礎(chǔ)模型。YOLOv5s結(jié)構(gòu)圖如圖2所示。

2? 檢測分類矯正設(shè)計(jì)

2.1? 香蕉長勢特征及分類難點(diǎn)

在本文所用數(shù)據(jù)集中共包含了香蕉樹的三種生長發(fā)育時期，分別是營養(yǎng)生長期，花蕾期以及果實(shí)膨大期，三種時期的樣例如圖3所示。

（a）營養(yǎng)生長期? ? ? （b）花蕾期? ? （c）果實(shí)膨大期

營養(yǎng)生長期香蕉樹及該時期葉片的空中正射影像形態(tài)如圖3（a）所示。營養(yǎng)生長期歷時5～6個月，該時期長勢特征為葉片未見明顯撕裂且基本形態(tài)完整，中心部位的花芽尚未長成，呈現(xiàn)一種初生的幼態(tài)，葉片數(shù)量一般不超過10片。

花蕾期香蕉樹及葉片空中正射影像形態(tài)如圖3（b）所示?；ɡ倨跉v時9～12個月，該時期剛剛從越冬期的生長延緩階段脫離，長勢特征為葉片有較小的撕裂痕跡，呈現(xiàn)輕微的鋸齒狀且葉片抽大，中心部位花芽從葉片中央突起，進(jìn)入快速生長發(fā)育階段，葉片數(shù)量一般超過10片。

果實(shí)膨大期香蕉樹及葉片空中正射影像形態(tài)如圖3（c）所示。果實(shí)膨大期歷時13～15個月，結(jié)束花芽分化的階段后果實(shí)開始發(fā)育。為防止蕉油污染、蟲害啃咬及水爛，在進(jìn)入此階段都會套袋護(hù)果。此階段長勢特征中葉片有較大的撕裂痕跡，呈現(xiàn)重度的鋸齒狀且葉片不再變化，葉片逐漸發(fā)黃由邊緣向內(nèi)部蔓延。此時葉片數(shù)量由于香蕉樹發(fā)育完成，葉片遮擋較為嚴(yán)重，難以通過目標(biāo)檢測的方式統(tǒng)計(jì)分析此階段葉片數(shù)量。

在分析本文采集的數(shù)據(jù)并加以標(biāo)注的過程中，我們可以發(fā)現(xiàn)果實(shí)膨大期由于它較為明顯的特征，以及套袋護(hù)果后藍(lán)色袋子的特征附加，在使用YOLOv5s測試中分類檢測結(jié)果比較理想。但是，在營養(yǎng)生長期和花蕾期之間，部分?jǐn)?shù)據(jù)中這兩個時期的特征界限較為模糊，經(jīng)常會出現(xiàn)誤檢的情況。在生長時間段處于營養(yǎng)生長期末尾的樹木與度過越冬期后重新進(jìn)入發(fā)育階段的花蕾期樹木兩者之間經(jīng)常難以區(qū)分，給本文的檢測分類工作帶來了很大困擾。

圖4即為被誤檢的香蕉樹。葉片嫩綠的初生態(tài)及相對完整的形態(tài)都展現(xiàn)了營養(yǎng)生長期的長勢特征，但是中心部位存在一片近乎垂直的葉片使得模型推理檢測過程中容易將此誤判為花蕾期所具備的特征，即中心突起的花芽。而該樹真正的花芽部位如圖中標(biāo)注所示。

2.2? 融合葉片數(shù)及類別占比的檢測模型改進(jìn)

在上一小節(jié)中我們提到了香蕉長勢檢測在無人機(jī)正射影像數(shù)據(jù)下面臨的困境。為了解決營養(yǎng)生長期和花蕾期之間誤檢的問題，提高YOLOv5s模型分類的準(zhǔn)確率，本文設(shè)計(jì)出一種基于葉片數(shù)量去輔助矯正模型分類結(jié)果及分析分類占比雙重判斷的方法。

從采集到的529張香蕉樹圖像數(shù)據(jù)中篩選出200張圖像，將本次采集的圖像中葉片的各種形態(tài)實(shí)現(xiàn)全部覆蓋。使用YOLOv5s模型結(jié)構(gòu)對香蕉樹葉片和香蕉樹同時進(jìn)行檢測，統(tǒng)計(jì)每顆香蕉樹上包含葉片的數(shù)量，根據(jù)葉片數(shù)量對營養(yǎng)生長期末尾的樹木與度過越冬期后重新進(jìn)入發(fā)育階段的花蕾期樹木進(jìn)行二次分類矯正誤檢結(jié)果。

同時鑒于產(chǎn)業(yè)園區(qū)內(nèi)同一地塊的香蕉樹種植基本為同步進(jìn)行，在子母株的種植方式之下，一個完整的地塊內(nèi)應(yīng)基本處于同一生長發(fā)育時期之內(nèi)或兩種長勢并存，即使有第三類別的出現(xiàn)也屬少數(shù)。故在葉片數(shù)量矯正分類的同時添加類別占比矯正的二重判斷，通過分析檢測圖片中各個類別的樹木數(shù)量占比，對檢測圖片上存在單個類別數(shù)量占比過高的情況進(jìn)行類別矯正。

2.2.1? 葉片數(shù)據(jù)處理

將所采數(shù)據(jù)三個時期數(shù)據(jù)平均分布的辦法篩選出了200張圖像。由于所采集圖像都為無人機(jī)空中正射影像，分辨率較高，在投入模型中訓(xùn)練時會有一定的難度，故在此采用裁剪拼接的數(shù)據(jù)處理方式，對200張圖像數(shù)據(jù)進(jìn)行1 216×1 216的正方形滑動窗口式裁剪。裁剪的重合比例上為了考慮葉片及樹木的完整性，選擇以30%的裁剪重合比例進(jìn)行裁剪，將200張圖像裁剪為了2 400張1 216×1 216分辨率大小的圖像。在標(biāo)注過程中對圖像中因葉片相互覆蓋導(dǎo)致顯示不全的葉片也進(jìn)行了標(biāo)注，最終按照8：2的比例劃分訓(xùn)練集與測試集。

設(shè)置葉片標(biāo)注標(biāo)簽為0，與香蕉樹三分類標(biāo)簽1、2及3相區(qū)別開來，同時在香蕉樹與葉片的標(biāo)注框同時存在的情況下易于觀察。

考慮到數(shù)據(jù)中葉片形態(tài)大小不一，形態(tài)各異，如果使用旋轉(zhuǎn)框進(jìn)行標(biāo)注的話固然可以使得標(biāo)注框能夠更加精確的提取到葉片圖像。但是在識別中就會產(chǎn)生很大難度，漏檢率極高，故本文葉片數(shù)據(jù)標(biāo)注采用了傳統(tǒng)的矩形框標(biāo)注。矩形框標(biāo)注雖然無法使錨框精確環(huán)繞葉片圖像，但是通過對葉片邊緣特征的挖掘，盡管本文所用圖像中存在葉片面積大小不一，覆蓋及葉片圖像不全等情況，在葉片的檢測效果上仍然表現(xiàn)良好。圖5為葉片標(biāo)注示例。

2.2.2? 葉片數(shù)量矯正分類設(shè)計(jì)

在上個小節(jié)中我們完成了對圖像的篩選及數(shù)據(jù)的標(biāo)注，本節(jié)內(nèi)將對葉片數(shù)量的統(tǒng)計(jì)展開設(shè)計(jì)與闡述。在分別完成基于葉片數(shù)據(jù)模型及樹木數(shù)據(jù)模型的訓(xùn)練后，在圖片推理階段將兩種模型訓(xùn)練出的模型配置文件同時進(jìn)行推理。推理出的檢測框信息保存為一個txt文件，并創(chuàng)建一個列表對葉片的檢測框進(jìn)行編號。該文件中存儲了樹木的類別、坐標(biāo)信息及包含葉片的編號，以及葉片的坐標(biāo)和置信度。

傳統(tǒng)的IoU交并比計(jì)算方式是以葉片與樹木檢測框交集除以葉片與樹木檢測框并集的面積。但是在本文的數(shù)據(jù)中，樹木及葉片的數(shù)據(jù)都表明了樹木檢測框的面積將會遠(yuǎn)大于葉片檢測框的面積。如果使用IoU去計(jì)算那么大部分葉片在計(jì)算后它們的IoU數(shù)值差距將會非常小，難以起到辨別一個葉片屬于與它相交的多棵樹木中的哪一棵的效果。所以本文采用以葉片與樹木檢測框交集部分的面積除以葉片檢測框面積的方式，這樣可以更加準(zhǔn)確的統(tǒng)計(jì)出葉片的歸屬。圖6是統(tǒng)計(jì)出葉片歸屬后存儲類別、坐標(biāo)、置信度及所屬葉片的txt文件中部分信息。

統(tǒng)計(jì)出每顆樹木包含的葉片數(shù)量后，就可以對樹木葉片分類進(jìn)行矯正了。在樹木檢測的IoU閾值為0.3的基礎(chǔ)上，我們設(shè)置一個二重閾值。在模型檢測分類中，對營養(yǎng)生長期和花蕾期的分類結(jié)果中置信度高于0.9的分類結(jié)果不做矯正，對置信度位于0.4到0.9區(qū)間的分類結(jié)果則進(jìn)入矯正環(huán)節(jié)，對頂層葉片數(shù)量在10片以上的樹木分類結(jié)果矯正為花蕾期，對頂層葉片數(shù)量在10片及10片之下則歸為營養(yǎng)生長期。圖7為原版分類結(jié)果與矯正后的對比。

（a）改進(jìn)模型檢測效果? ? （b）加入葉片判斷結(jié)果

圖7的檢測結(jié)果中藍(lán)色框?yàn)橄憬稑涞臋z測框，紅色框?yàn)槿~片檢測框。圖7中香蕉實(shí)際處于營養(yǎng)生長期，在圖7（a）中樹葉嫩綠且形態(tài)完整的情況下被誤檢為了花蕾期，且葉片數(shù)量不符合花蕾期應(yīng)有的葉片數(shù)量，通過本文的葉片數(shù)量統(tǒng)計(jì)設(shè)計(jì)矯正，在圖7（b）中發(fā)現(xiàn)誤檢被糾正，使得模型分類結(jié)果更加準(zhǔn)確。

2.2.3? 香蕉長勢類別占比矯正分類設(shè)計(jì)

在上一小節(jié)我們提到了一種基于葉片數(shù)量對YOLOv5s模型訓(xùn)練推理出的分類結(jié)果矯正的辦法，有效地對部分介于營養(yǎng)生長期和花蕾期之間的香蕉樹分類結(jié)果進(jìn)行了矯正。

但是在部分香蕉幼苗獨(dú)立生長或未有母株遺留提供營養(yǎng)的香蕉種植地塊中，在進(jìn)行香蕉樹長勢檢測時將會發(fā)現(xiàn)香蕉處于同一長勢階段。香蕉種植過程中，由于自然或人為作用導(dǎo)致的不可避免的長勢檢測偏差，少數(shù)營養(yǎng)生長期末期及花蕾期初期的香蕉樹將會出現(xiàn)葉片數(shù)量與長勢不符的情況。在這種情況的影響下，本文對檢測圖片中模型推理的分類結(jié)果進(jìn)行統(tǒng)計(jì)，計(jì)算營養(yǎng)生長期及花蕾期香蕉樹數(shù)量在整張檢測圖中的占比，對于占比大于90%，且檢測圖中類別置信度低于0.9的某類長勢香蕉，類別修正為由占比判斷確定的類別。

圖8（a）為改進(jìn)YOLOv5s模型訓(xùn)練推理的結(jié)果，圖8（b）為基于葉片數(shù)量及置信度判斷后修正的分類結(jié)果，圖8（c）為加入長勢類別占比判斷后的分類結(jié)果?？梢钥吹綀D8（a）中檢測到的香蕉樹為1類即營養(yǎng)生長期，圖片中的香蕉樹具備營養(yǎng)生長期階段嫩綠及未見撕裂狀的葉片，同時也具備花蕾期香蕉樹中央突起的花芽兩個特征，此時在改進(jìn)模型檢測的基礎(chǔ)上進(jìn)一步利用葉片數(shù)量判斷所得的結(jié)果亦有誤差，如圖8（b）所示。故加入長勢類別占比判斷，對分類結(jié)果進(jìn)一步修正。在加入葉片數(shù)量判斷矯正后，圖8（a）中置信度低于0.9的1類營養(yǎng)生長期香蕉樹在葉片數(shù)量超出閾值的情況下，結(jié)合類別占比判斷，修正為了2類即花蕾期，如圖8（c）所示。

2.3? 實(shí)驗(yàn)結(jié)果及分析

通過葉片數(shù)量判斷及類別占比判斷的設(shè)計(jì)，使得YOLOv5s模型的分類結(jié)果得到了很大的改善，本節(jié)采用添加了上述兩種判斷環(huán)節(jié)的模型進(jìn)行檢測，結(jié)果如圖9所示。

通過實(shí)驗(yàn)測試，在圖9中展示了YOLOv5s檢測效果與添加了矯正分類設(shè)計(jì)后檢測效果的對比。在圖9（a）中YOLOv5s將左上角置信度0.794的香蕉樹誤檢為2類即花蕾期，經(jīng)過矯正后檢測在圖9（b）中將該樹矯正為了1類即營養(yǎng)生長期。在右下角圖9（a）檢測為2類即花蕾期的香蕉樹，在圖9（b）中被矯正為1類即營養(yǎng)生長期。通過實(shí)驗(yàn)結(jié)果對比展示，矯正分類設(shè)計(jì)較好地實(shí)現(xiàn)了對香蕉樹長勢檢測的分類矯正。

本方法在分類準(zhǔn)確率的數(shù)據(jù)統(tǒng)計(jì)上還有待補(bǔ)充。未來可能采取人工統(tǒng)計(jì)的辦法，通過地面圖像輔助判別，部分地面圖像如圖10所示。

3? 結(jié)? 論

通過本文所提出的葉片數(shù)量與類別占比雙重判斷矯正分類結(jié)果的設(shè)計(jì)，對香蕉樹無人機(jī)影像檢測分類準(zhǔn)確率有了很大的提升?；就瓿闪讼憬稑溟L勢檢測任務(wù)，對產(chǎn)業(yè)園的智能化管護(hù)提供了幫助。

同時在葉片檢測的方面還有待提高。針對無人機(jī)拍攝大分辨率圖像雖然本文采用了裁剪拼接的檢測方式極大地提高了模型的檢測效果，但是針對部分遮擋目標(biāo)的檢測還需在小目標(biāo)及存在遮擋的復(fù)雜情況下提升模型的性能。

參考文獻(xiàn)：

[1] GITELSON A A，KAUFMAN Y J，STARK R，et al. Novel algorithms for remote estimation of vegetation fraction [J].Remote Sensing of Environment：An Interdisciplinary Journal，2002，80（1）：76-87.

[2] LIU T H，EHSANI R，TOUDESHKI A，et al. Identifying immature and mature pomelo fruits in trees by elliptical model fitting in the Cr–Cb color space [J].Precision Agriculture，2018，20（1）：138-156.

[3] LIU X，ZHAO D，JIA W. A Detection Method for Apple Fruits Based on Color and Shape Features [J].IEEE Access，2019（7）：67923-67933.

[4] KATEB F A，MONOWAR M M，HAMID M A，et al. FruitDet： Attentive Feature Aggregation for Real-Time Fruit Detection in Orchards [J/OL].Agronomy，2021，11（12）：2440（2021-11-29）.https：//doi.org/10.3390/agronomy11122440.

[5] FU L，DUAN J，ZOU X，et al. Fast and accurate detection ofbanana fruits in complex background orchards [J].IEEEAccess，2020，8：196835-196846.

[6] FU L，YANG Z，WU F，et al. YOLO-Banana： A lightweightneural network for rapid detection of banana bunches andstalks in the natural environment [J].Agronomy，2022，12（2），391（2023-04-10）.https：//doi.org/10.3390/agronomy13041157

[7] FU L，WU F，ZOU X，et al. Fast detection of banana bunchesand stalks in the natural environment based on deeplearning [J].Computers and Electronics in Agriculture，2022，194：106800[2022-08-12].https：//doi.org/10.1016/j.compag.2022.106800

[8] WU F，DUAN J，CHEN S，et al. Multi-target recognition ofbananas and automatic positioning for the inflorescence axiscutting point [J/OL].Frontiers in Plant Science，2021：（2021-11-02）.https：//doi.org/10.3389/fp1s.2021.705021.

[9] 吳烽云，葉雅欣，陳思宇，等.復(fù)雜環(huán)境下香蕉多目標(biāo)特征快速識別研究 [J].華南農(nóng)業(yè)大學(xué)學(xué)報(bào)，2022，43（2）：96-104.

[10] WU F，DUAN J，AI P，et al. Rachis detection andthree-dimensional localization of cutoffpoint forvision-based banana robot [J].Computers and Electronics inAgriculture，2022，198：107079[2022-08-12].https：//doi.org/10.1016/j.compag.2022.107079.

作者簡介：米佳豪（1996—），男，漢族，山西長治人，碩士研究生在讀，研究方向：深度學(xué)習(xí)；通訊作者：蔣權(quán)（1989—），男，漢族，廣西桂林人，講師，博士研究生，研究方向：計(jì)算機(jī)視覺、計(jì)算智能。