基于增强型Tiny-YOLOV3模型的野鸡识别方法
发布时间：2021-08-06 11:08
智慧农业病虫害检测技术发展迅猛,而对农作物具有危害的鸟类检测技术尚处于起步阶段,近年来由于生态改善,野鸡繁殖数量激增,其喜食小麦、玉米、红薯等农作物的种子与幼苗,对农业造成一定危害。该研究提出了一种适宜于嵌入式系统部署的人工智能野鸡识别方法。由于在野外环境下移动平台上部署,需采用轻量级网络,同时保证检测精度与实时性,因此,根据Tiny-YOLOV3轻量级目标检测网络基本结构,提出了一种针对野外复杂环境中出现野鸡的实时检测网络-增强型轻量级目标检测网络（EnhancedTiny-YOLO,ET-YOLO）,该网络特征提取部分加深Tiny-YOLOV3特征提取网络深度,增加检测尺度以提高原网络目标检测精度,网络检测层使用基于CenterNet结构的检测方式以进一步提高检测精度与检测速度。使用野外实地采集各种环境下出现的野鸡图像作为数据集,包括不同距离、角度、环境出现的野鸡共计6000幅高清图像制作数据集。试验结果表明,ET-YOLO在视频中复杂环境下出现的野鸡平均检测精度达86.5%,平均检测速度62帧/s,相对改进前Tiny-YOLOV3平均检测精度提高15个百分点,平均检测速度相对改进...
【文章来源】：农业工程学报. 2020,36(13)北大核心EICSCD
【文章页数】：7 页
【部分图文】：
其他鸟类出现Fig.6Objectrecognitionundea.SSD_MobileNetV2b.YOLOV3c.Faster
第13期易诗等：基于增强型Tiny-YOLOV3模型的野鸡识别方法145确识别出特殊姿态的野鸡目标，而Faster-RCNN、SSD_MobileNetV2无法成功识别出特殊姿态的野鸡目标。在野外农田中时常出现其他对农作物危害较小或者无危害的鸟类，而其特征与野鸡目标相似，因此检测网络不能误识别该类目标。最后一步测试，选取采集视频中同一环境下出现的其他鸟类，对比测试各目标检测网络的误识别性能，识别结果对比如图6所示。a.SSD_MobileNetV2b.YOLOV3c.Faster-RCNNd.Tiny-YOLOV3e.ET-YOLO注：SSD_MobileNetV2、YOLOV3、Faster-RCNN、Tiny-YOLOV3、ET-YOLO为5种目检测网络。下同。Note:SSD_MobileNetV2,YOLOV3,Faster-RCNN,Tiny-YOLOV3,ET-YOLOarefiveobjectdetectionnetworks.Sameasbelow.图4隐藏情况下野鸡目标识别Fig.4Objectrecognitionofpheasantinhiddenconditiona.SSD_MobileNetV2b.YOLOV3c.Faster-RCNNd.Tiny-YOLOV3e.ET-YOLO图5特殊姿态野鸡目标识别Fig.5Objectrecognitionofpheasantinspecialposturea.SSD_MobileNetV2b.YOLOV3c.Faster-RCNNd.Tiny-YOLOV3e.ET-YOLO图6其他鸟类出现情况下的目标识别Fig.6Objectrecognitionundertheoccurrenceofotherbirds由结果可知，测试图像中出现目标为1只画眉，其与野鸡同为农田环境下容易出现的鸟类，特征具有一定相似性，YOLOV3、Faster-RCNN将其误识别为野鸡，而Tiny-YOLOV3、SSD_MobileNetV2以及本文提出的ET-YOLO没有产生误识别[25-30]。经完整测试后，对各个目标检测网络检测野鸡目标的准确率P，召回率R，平均精度mAP，平均运算速度（MeanOperationrate，MO），模型大小的统计如表2所示。表2野鸡不同检
第13期易诗等：基于增强型Tiny-YOLOV3模型的野鸡识别方法145确识别出特殊姿态的野鸡目标，而Faster-RCNN、SSD_MobileNetV2无法成功识别出特殊姿态的野鸡目标。在野外农田中时常出现其他对农作物危害较小或者无危害的鸟类，而其特征与野鸡目标相似，因此检测网络不能误识别该类目标。最后一步测试，选取采集视频中同一环境下出现的其他鸟类，对比测试各目标检测网络的误识别性能，识别结果对比如图6所示。a.SSD_MobileNetV2b.YOLOV3c.Faster-RCNNd.Tiny-YOLOV3e.ET-YOLO注：SSD_MobileNetV2、YOLOV3、Faster-RCNN、Tiny-YOLOV3、ET-YOLO为5种目检测网络。下同。Note:SSD_MobileNetV2,YOLOV3,Faster-RCNN,Tiny-YOLOV3,ET-YOLOarefiveobjectdetectionnetworks.Sameasbelow.图4隐藏情况下野鸡目标识别Fig.4Objectrecognitionofpheasantinhiddenconditiona.SSD_MobileNetV2b.YOLOV3c.Faster-RCNNd.Tiny-YOLOV3e.ET-YOLO图5特殊姿态野鸡目标识别Fig.5Objectrecognitionofpheasantinspecialposturea.SSD_MobileNetV2b.YOLOV3c.Faster-RCNNd.Tiny-YOLOV3e.ET-YOLO图6其他鸟类出现情况下的目标识别Fig.6Objectrecognitionundertheoccurrenceofotherbirds由结果可知，测试图像中出现目标为1只画眉，其与野鸡同为农田环境下容易出现的鸟类，特征具有一定相似性，YOLOV3、Faster-RCNN将其误识别为野鸡，而Tiny-YOLOV3、SSD_MobileNetV2以及本文提出的ET-YOLO没有产生误识别[25-30]。经完整测试后，对各个目标检测网络检测野鸡目标的准确率P，召回率R，平均精度mAP，平均运算速度（MeanOperationrate，MO），模型大小的统计如表2所示。表2野鸡不同检
【参考文献】：
期刊论文
[1]基于改进SSD的柑橘实时分类检测[J]. 李善军,胡定一,高淑敏,林家豪,安小松,朱明. 农业工程学报. 2019(24)
[2]基于红外热成像与改进YOLOV3的夜间野兔监测方法[J]. 易诗,李欣荣,吴志娟,朱竞铭,袁学松. 农业工程学报. 2019(19)
[3]基于改进Tiny-YOLO模型的群养生猪脸部姿态检测[J]. 燕红文,刘振宇,崔清亮,胡志伟,李艳文. 农业工程学报. 2019(18)
[4]基于改进YOLOv3-LITE轻量级神经网络的柑橘识别方法[J]. 吕石磊,卢思华,李震,洪添胜,薛月菊,吴奔雷. 农业工程学报. 2019(17)
[5]基于增强Tiny YOLOV3算法的车辆实时检测与跟踪[J]. 刘军,后士浩,张凯,张睿,胡超超. 农业工程学报. 2019(08)
[6]基于机器视觉的水下河蟹识别方法[J]. 赵德安,刘晓洋,孙月平,吴任迪,洪剑青,阮承治. 农业机械学报. 2019(03)
[7]自然环境下绿色柑橘视觉检测技术研究[J]. 熊俊涛,刘振,汤林越,林睿,卜榕彬,彭红星. 农业机械学报. 2018(04)
[8]野鸡对春玉米的危害及综防策略研究[J]. 卢振宇,孙连新,黄志银,徐新建,赵智. 农业科技通讯. 2017(07)
[9]果园鸟害防治[J]. 李燕,万津瑜,徐环李. 北方园艺. 2012(03)
本文编号：3325661
【文章来源】：农业工程学报. 2020,36(13)北大核心EICSCD
【文章页数】：7 页
【部分图文】：
其他鸟类出现Fig.6Objectrecognitionundea.SSD_MobileNetV2b.YOLOV3c.Faster
第13期易诗等：基于增强型Tiny-YOLOV3模型的野鸡识别方法145确识别出特殊姿态的野鸡目标，而Faster-RCNN、SSD_MobileNetV2无法成功识别出特殊姿态的野鸡目标。在野外农田中时常出现其他对农作物危害较小或者无危害的鸟类，而其特征与野鸡目标相似，因此检测网络不能误识别该类目标。最后一步测试，选取采集视频中同一环境下出现的其他鸟类，对比测试各目标检测网络的误识别性能，识别结果对比如图6所示。a.SSD_MobileNetV2b.YOLOV3c.Faster-RCNNd.Tiny-YOLOV3e.ET-YOLO注：SSD_MobileNetV2、YOLOV3、Faster-RCNN、Tiny-YOLOV3、ET-YOLO为5种目检测网络。下同。Note:SSD_MobileNetV2,YOLOV3,Faster-RCNN,Tiny-YOLOV3,ET-YOLOarefiveobjectdetectionnetworks.Sameasbelow.图4隐藏情况下野鸡目标识别Fig.4Objectrecognitionofpheasantinhiddenconditiona.SSD_MobileNetV2b.YOLOV3c.Faster-RCNNd.Tiny-YOLOV3e.ET-YOLO图5特殊姿态野鸡目标识别Fig.5Objectrecognitionofpheasantinspecialposturea.SSD_MobileNetV2b.YOLOV3c.Faster-RCNNd.Tiny-YOLOV3e.ET-YOLO图6其他鸟类出现情况下的目标识别Fig.6Objectrecognitionundertheoccurrenceofotherbirds由结果可知，测试图像中出现目标为1只画眉，其与野鸡同为农田环境下容易出现的鸟类，特征具有一定相似性，YOLOV3、Faster-RCNN将其误识别为野鸡，而Tiny-YOLOV3、SSD_MobileNetV2以及本文提出的ET-YOLO没有产生误识别[25-30]。经完整测试后，对各个目标检测网络检测野鸡目标的准确率P，召回率R，平均精度mAP，平均运算速度（MeanOperationrate，MO），模型大小的统计如表2所示。表2野鸡不同检
第13期易诗等：基于增强型Tiny-YOLOV3模型的野鸡识别方法145确识别出特殊姿态的野鸡目标，而Faster-RCNN、SSD_MobileNetV2无法成功识别出特殊姿态的野鸡目标。在野外农田中时常出现其他对农作物危害较小或者无危害的鸟类，而其特征与野鸡目标相似，因此检测网络不能误识别该类目标。最后一步测试，选取采集视频中同一环境下出现的其他鸟类，对比测试各目标检测网络的误识别性能，识别结果对比如图6所示。a.SSD_MobileNetV2b.YOLOV3c.Faster-RCNNd.Tiny-YOLOV3e.ET-YOLO注：SSD_MobileNetV2、YOLOV3、Faster-RCNN、Tiny-YOLOV3、ET-YOLO为5种目检测网络。下同。Note:SSD_MobileNetV2,YOLOV3,Faster-RCNN,Tiny-YOLOV3,ET-YOLOarefiveobjectdetectionnetworks.Sameasbelow.图4隐藏情况下野鸡目标识别Fig.4Objectrecognitionofpheasantinhiddenconditiona.SSD_MobileNetV2b.YOLOV3c.Faster-RCNNd.Tiny-YOLOV3e.ET-YOLO图5特殊姿态野鸡目标识别Fig.5Objectrecognitionofpheasantinspecialposturea.SSD_MobileNetV2b.YOLOV3c.Faster-RCNNd.Tiny-YOLOV3e.ET-YOLO图6其他鸟类出现情况下的目标识别Fig.6Objectrecognitionundertheoccurrenceofotherbirds由结果可知，测试图像中出现目标为1只画眉，其与野鸡同为农田环境下容易出现的鸟类，特征具有一定相似性，YOLOV3、Faster-RCNN将其误识别为野鸡，而Tiny-YOLOV3、SSD_MobileNetV2以及本文提出的ET-YOLO没有产生误识别[25-30]。经完整测试后，对各个目标检测网络检测野鸡目标的准确率P，召回率R，平均精度mAP，平均运算速度（MeanOperationrate，MO），模型大小的统计如表2所示。表2野鸡不同检
【参考文献】：
期刊论文
[1]基于改进SSD的柑橘实时分类检测[J]. 李善军,胡定一,高淑敏,林家豪,安小松,朱明. 农业工程学报. 2019(24)
[2]基于红外热成像与改进YOLOV3的夜间野兔监测方法[J]. 易诗,李欣荣,吴志娟,朱竞铭,袁学松. 农业工程学报. 2019(19)
[3]基于改进Tiny-YOLO模型的群养生猪脸部姿态检测[J]. 燕红文,刘振宇,崔清亮,胡志伟,李艳文. 农业工程学报. 2019(18)
[4]基于改进YOLOv3-LITE轻量级神经网络的柑橘识别方法[J]. 吕石磊,卢思华,李震,洪添胜,薛月菊,吴奔雷. 农业工程学报. 2019(17)
[5]基于增强Tiny YOLOV3算法的车辆实时检测与跟踪[J]. 刘军,后士浩,张凯,张睿,胡超超. 农业工程学报. 2019(08)
[6]基于机器视觉的水下河蟹识别方法[J]. 赵德安,刘晓洋,孙月平,吴任迪,洪剑青,阮承治. 农业机械学报. 2019(03)
[7]自然环境下绿色柑橘视觉检测技术研究[J]. 熊俊涛,刘振,汤林越,林睿,卜榕彬,彭红星. 农业机械学报. 2018(04)
[8]野鸡对春玉米的危害及综防策略研究[J]. 卢振宇,孙连新,黄志银,徐新建,赵智. 农业科技通讯. 2017(07)
[9]果园鸟害防治[J]. 李燕,万津瑜,徐环李. 北方园艺. 2012(03)
本文编号：3325661
本文链接：https://www.wllwen.com/wenshubaike/kaixinbaike/3325661.html
