基于改进YOLOv3的果园行人检测方法研究
发布时间：2021-04-09 14:57
智慧农业是未来农业发展的方向,农业机械在人工智能的驱动下向智慧农机发展,是传统农业向智慧农业全面转型的关键环节。近年来,无人农机有助于解放劳动力,提高劳动效率,得到了快速的发展。在无人农机的安全作业中,障碍物检测是必不可少的关键技术之一,其中行人检测又是障碍物检测的重中之重。传统的目标检测算法查准率与查全率低,模型复杂,检测速度慢。近年来,深度学习算法有了长足的发展,其中YOLOv3算法是行人检测领域最先进的算法之一。本文基于YOLOv3算法,对如何实现精准且快速地果园环境下行人检测展开深入研究。主要研究内容如下:（1）阐述了传统目标检测算法和深度学习目标检测算法及原理。详尽介绍了深度学习YOLO系列算法YOLOv1、YOLOv2和YOLOv3,并且将YOLOv3算法与其他主流算法比较,阐明了YOLOv3算法精度与速度等性能的优越性,为本文选取YOLOv3作为行人检测深度学习基础算法提供了理论依据。（2）针对果园环境的特点,提出了改进的YOLOv3行人障碍物检测算法。首先,将YOLOv3骨干网络Darknet53更换为ResNet50网络,针对不同环境与场景的特点ResNet系列网络更...
【文章来源】：江苏大学江苏省
【文章页数】：67 页
【学位级别】：硕士
【部分图文】：
传统目标识别流程
江苏大学硕士学位论文7Felzenszwalb提出的，DPM模型也是作为HOG检测器的扩展之一。DPM模型非常地直观，它将目标对象建模成几个部件的组合，这也是就是后来深度学习领域“分而治之”检测思想之一。例如，检测一个“人”，DPM模型将人类表示成头/手/大腿/小腿等部件，每个部件的位置不是固定的，也就是说可以形变的，DPM模型考虑不同形变带来的惩罚，也就是说你的手不能离身体太远，否则就会扣分。而且每个部件和主体的相对位置是比较稳定的，头部在上方，手部在中间，腿在下边。2.2基于深度学习的目标检测算法基于深度学习的检测算法主要分为两个方向：两阶段(two-stage)算法如R-CNN系列算法，单阶段(one-stage)算法如YOLO系列算法、SSD算法等。2.2.1两阶段目标检测算法图2.2两阶段目标检测算法Fig.2.2Twostagetargetdetectionalgorithm两阶段算法原理一般是生成相应的样本候选框，再通过卷积神经网络进行样本分类，需要使用selectivesearch的启发式算法或者卷积神经网络产生候选区域，然后再在候选区域上做分类与回归。由上图2.2所示，输入图片通过穷举机制或者selectivesearch算法产生候选区域，然后再通过候选区域进行多分类和回归，得到两个输出。两阶段算法在定位准确度上占优，但是经过两次运算，速度上会相对较慢。2014年Girshick等人提出了使用卷积神经网络(CNN)提取特征区域(RegionProposal)
江苏大学硕士学位论文92.2.2单阶段目标检测算法图2.3单阶段目标检测算法Fig.2.3Onestagetargetdetectionalgorithm另一种是单阶段（onestage）算法，其原理是使用一个卷积神经网络直接预测不同目标的类别与位置，直接将输入图片分割成互不重合的小正方形，然后通过卷积层得到尺寸相同的特征图，然后通过每个元素来预测那些中心点在该小方块内的目标。由上图2.3看出输入图片通过anchor机制直接进行分类和回归得到输出，这也是为何其称之为一阶段(onestage)算法的原因。这类算法的速度是非常快的，往往是数倍甚至数十倍于两阶段(twostage)算法，但是其定位精度和识别准确率又是会落后于两阶段(twostage)算法。2015年，Joseph等人首次提出了YOLO算法，YOLO算法采用一个单独的卷积神经网络模型，可以实现端到端的目标检测，端到端目标检测的特点就是快速，也正如YOLO算法的全名那样YouOnlyLookOnce，意思就是指该算法只需要进行一次的卷积运算。YOLO算法将输入图片进行分割，分割成多个互不重合的小正方形，在进行卷积运算得到相同尺寸的特征图，利用特征图中的元素进行中心点预测，预测中心点是否会在该小正方形中。2017年，Jisoo等人提出了RainbowSSD算法[40]，是SSD算法的一种改进，也是单阶段算法，SSD算法存在两个问题，一个是会对同一目标进行多次检测，另一个是对小目标的检测率较低，RainbowSSD算法可以将不用尺度的特征图融合起来，增加特征金字塔网络层的特征图数量来检测小目标物体，利用分类网络增加不同层之间的特征图的联系，来减少重复框的出现避免对同一目标进行多次检测。
【参考文献】：
期刊论文
[1]无人农用机械的应用前景和普及问题[J]. 王泽坤,徐佳男,王新鑫. 河北农机. 2020(01)
[2]一种结合Dropblock和Dropout的正则化策略[J]. 胡辉,司凤洋,曾琛,舒文璐. 河南师范大学学报(自然科学版). 2019(06)
[3]特征增强的SSD算法及其在目标检测中的应用[J]. 谭红臣,李淑华,刘彬,刘秀平. 计算机辅助设计与图形学学报. 2019(04)
[4]基于改进SSD的果园行人实时检测方法[J]. 刘慧,张礼帅,沈跃,张健,吴边. 农业机械学报. 2019(04)
[5]一种基于均匀分布策略的NSGAⅡ算法[J]. 乔俊飞,李霏,杨翠丽. 自动化学报. 2019(07)
[6]智慧农机大数据平台发展的问题及对策[J]. 甄鸣,涛高波. 农业经济. 2018(12)
[7]融合边界信息和颜色特征的显著性区域检测[J]. 王豪聪,张松龙,彭力. 计算机工程与应用. 2019(03)
[8]推动互联网、大数据、人工智能和实体经济深度融合[J]. 雷尚君,李勇坚. 经济研究参考. 2018(08)
[9]基于多伯努利概率假设密度的扩展目标跟踪方法[J]. 李文娟,顾红,苏卫民. 电子与信息学报. 2016(12)
[10]基于直线检测的棋盘格角点自动提取[J]. 李海,张宪民,陈忠. 光学精密工程. 2015(12)
本文编号：3127826
【文章来源】：江苏大学江苏省
【文章页数】：67 页
【学位级别】：硕士
【部分图文】：
传统目标识别流程
江苏大学硕士学位论文7Felzenszwalb提出的，DPM模型也是作为HOG检测器的扩展之一。DPM模型非常地直观，它将目标对象建模成几个部件的组合，这也是就是后来深度学习领域“分而治之”检测思想之一。例如，检测一个“人”，DPM模型将人类表示成头/手/大腿/小腿等部件，每个部件的位置不是固定的，也就是说可以形变的，DPM模型考虑不同形变带来的惩罚，也就是说你的手不能离身体太远，否则就会扣分。而且每个部件和主体的相对位置是比较稳定的，头部在上方，手部在中间，腿在下边。2.2基于深度学习的目标检测算法基于深度学习的检测算法主要分为两个方向：两阶段(two-stage)算法如R-CNN系列算法，单阶段(one-stage)算法如YOLO系列算法、SSD算法等。2.2.1两阶段目标检测算法图2.2两阶段目标检测算法Fig.2.2Twostagetargetdetectionalgorithm两阶段算法原理一般是生成相应的样本候选框，再通过卷积神经网络进行样本分类，需要使用selectivesearch的启发式算法或者卷积神经网络产生候选区域，然后再在候选区域上做分类与回归。由上图2.2所示，输入图片通过穷举机制或者selectivesearch算法产生候选区域，然后再通过候选区域进行多分类和回归，得到两个输出。两阶段算法在定位准确度上占优，但是经过两次运算，速度上会相对较慢。2014年Girshick等人提出了使用卷积神经网络(CNN)提取特征区域(RegionProposal)
江苏大学硕士学位论文92.2.2单阶段目标检测算法图2.3单阶段目标检测算法Fig.2.3Onestagetargetdetectionalgorithm另一种是单阶段（onestage）算法，其原理是使用一个卷积神经网络直接预测不同目标的类别与位置，直接将输入图片分割成互不重合的小正方形，然后通过卷积层得到尺寸相同的特征图，然后通过每个元素来预测那些中心点在该小方块内的目标。由上图2.3看出输入图片通过anchor机制直接进行分类和回归得到输出，这也是为何其称之为一阶段(onestage)算法的原因。这类算法的速度是非常快的，往往是数倍甚至数十倍于两阶段(twostage)算法，但是其定位精度和识别准确率又是会落后于两阶段(twostage)算法。2015年，Joseph等人首次提出了YOLO算法，YOLO算法采用一个单独的卷积神经网络模型，可以实现端到端的目标检测，端到端目标检测的特点就是快速，也正如YOLO算法的全名那样YouOnlyLookOnce，意思就是指该算法只需要进行一次的卷积运算。YOLO算法将输入图片进行分割，分割成多个互不重合的小正方形，在进行卷积运算得到相同尺寸的特征图，利用特征图中的元素进行中心点预测，预测中心点是否会在该小正方形中。2017年，Jisoo等人提出了RainbowSSD算法[40]，是SSD算法的一种改进，也是单阶段算法，SSD算法存在两个问题，一个是会对同一目标进行多次检测，另一个是对小目标的检测率较低，RainbowSSD算法可以将不用尺度的特征图融合起来，增加特征金字塔网络层的特征图数量来检测小目标物体，利用分类网络增加不同层之间的特征图的联系，来减少重复框的出现避免对同一目标进行多次检测。
【参考文献】：
期刊论文
[1]无人农用机械的应用前景和普及问题[J]. 王泽坤,徐佳男,王新鑫. 河北农机. 2020(01)
[2]一种结合Dropblock和Dropout的正则化策略[J]. 胡辉,司凤洋,曾琛,舒文璐. 河南师范大学学报(自然科学版). 2019(06)
[3]特征增强的SSD算法及其在目标检测中的应用[J]. 谭红臣,李淑华,刘彬,刘秀平. 计算机辅助设计与图形学学报. 2019(04)
[4]基于改进SSD的果园行人实时检测方法[J]. 刘慧,张礼帅,沈跃,张健,吴边. 农业机械学报. 2019(04)
[5]一种基于均匀分布策略的NSGAⅡ算法[J]. 乔俊飞,李霏,杨翠丽. 自动化学报. 2019(07)
[6]智慧农机大数据平台发展的问题及对策[J]. 甄鸣,涛高波. 农业经济. 2018(12)
[7]融合边界信息和颜色特征的显著性区域检测[J]. 王豪聪,张松龙,彭力. 计算机工程与应用. 2019(03)
[8]推动互联网、大数据、人工智能和实体经济深度融合[J]. 雷尚君,李勇坚. 经济研究参考. 2018(08)
[9]基于多伯努利概率假设密度的扩展目标跟踪方法[J]. 李文娟,顾红,苏卫民. 电子与信息学报. 2016(12)
[10]基于直线检测的棋盘格角点自动提取[J]. 李海,张宪民,陈忠. 光学精密工程. 2015(12)
本文编号：3127826
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3127826.html
最近更新
教材专著
