简介：摘要 : 为提高现有苹果目标检测模型在硬件资源受限制条件下的性能和适应性，实现在保持较高检测精度的同时，减轻模型计算量，降低检测耗时，减少模型计算和存储资源占用的目的，本研究通过改进轻量级的 MobileNetV3网络，结合关键点预测的目标检测网络（ CenterNet），构建了用于苹果检测的轻量级无锚点深度学习网络模型（ M-CenterNet），并通过与 CenterNet和单次多重检测器（ Single Shot Multibox Detector， SSD）网络比较了模型的检测精度、模型容量和运行速度等方面的综合性能。对模型的测试结果表明，本研究模型的平均精度、误检率和漏检率分别为 88.9%、 10.9%和 5.8%；模型体积和帧率分别为 14.2MB和 8.1fps；在不同光照方向、不同远近距离、不同受遮挡程度和不同果实数量等条件下有较好的果实检测效果和适应能力。在检测精度相当的情况下，所提网络模型体积仅为 CenterNet网络的 1/4；相比于 SSD网络，所提网络模型的 AP提升了 3.9%，模型体积降低了 84.3%；本网络模型在 CPU环境中的运行速度比 CenterNet和 SSD网络提高了近 1倍。研究结果可为非结构环境下果园作业平台的轻量化果实目标检测模型研究提供新的思路。

简介：摘要 : 植被分类是高光谱影像分类中的特定应用问题，光谱特征和空间特征是植被分类中常用的两类特征，比较这两类特征的性能，对实际植被分类应用中选择合适的特征类型或两者的有效结合具有指导意义。用主成分分析（ PCA）提取光谱特征时，常选择前几个主成分（ PCs）作为光谱特征，虽然它们包含较大的信息量但并不能保证较高的类别可分性和分类正确率，针对这一问题本研究提出了一种混合特征提取方法，对高光谱影像在 PCA的基础上用改进的基于分散矩阵的特征选择方法选出具有较高类别可分性的 PCs用于后续分类。利用一景 AVIRIS高光谱植被影像，从分类精度的角度，首先比较了所提出的混合特征提取方法和原始 PCA、独立主成分分析（ ICA）及线性判别分析（ LDA） 3种常用子空间特征提取方法在高光谱影像植被分类中的性能。试验结果表明所提出的混合特征提取方法在研究中数据集 1和 2上均获得了最高的总体分类正确率，分别为 82.7%和 86.5%。与原始 PCA相比，本研究提出的混合特征提取方法的总体分类正确率，在数据集 1和 2上分别提高了 1.5%和 2.5%。由此阐明了所提出的混合特征提取方法在高光谱植被分类中的有效性。对光谱特征和空间特征在高光谱影像植被分类性能的比较中，总体上空间特征获得的分类正确率比光谱特征高，特别是 Gabor特征，在两个数据集上均获得了最高的总体分类正确率分别为 95.5%和 96.7%。由此表明空间特征较光谱特征在高光谱影像植被分类中更具优势。本研究结果为后续改进空 -谱特征方法及其两者有效结合，进一步提高植被分类正确率提供了参考。