基于改进YOLOv3的棉花异性纤维检测

发布时间：2023-04-08 00:43

　　针对棉花异性纤维检测准确率不高、实时性较差的问题,以棉花为研究对象,提出了一种基于改进YOLOv3的棉花异性纤维检测方法。引入轻量级MobileNets网络为特征提取网络,结合YOLOv3的多尺度特征融合检测网络,构建改进的MobileNets-YOLOv3模型。提出一种分段式学习率,以增强学习效果。将实际采集到的真实棉花异性纤维图像数据集按4∶1的比例划分为训练集和测试集,并使用对比度增强、水平镜像等6种图像增广方法扩充数据集。对扩充前后的数据集、不同的学习率、改进前后的YOLOv3模型、本文模型与Faster R-CNN和SSD₃00模型做了对比试验。实验结果表明,数据集的增广、改进后的分段式学习率均能改善训练模型的过拟合现象,在测试集上的平均正确率(mAP)分别提高了3.6%、5.64%;改进后的YOLOv3模型对测试集进行检测的平均正确率(mAP)为84.82%,帧速率为66.67f·s^-1,识别精度优于YOLOv3模型,提高了2.03%,帧速率是YOLOv3模型的3倍,总体性能也优于Faster RCNN和SSD₃

【文章页数】：9 页

【文章目录】：
1 引言
2 试验数据
    2.1 图像数据采集
    2.2 图像数据增广处理
3 棉花异纤图像检测模型构建
    3.1 改进的YOLOv3模型结构
    3.2 损失函数的计算
4 模型训练与试验结果分析
    4.1 试验环境
    4.2 棉花异纤检测网络训练
    4.3 试验结果与分析
        4.3.1 评价指标
        4.3.2 试验结果与分析
        4.3.3 图像数据增广对模型的影响
        4.3.4 学习率的改进对模型的影响
        4.3.5 与改进前网络检测结果的对比
        4.3.6 与其他检测模型的对比
5 结论



本文编号：3785656