基于改进的轻量化卷积神经网络火龙果检测方法（英文）

发布时间：2021-08-15 16:34

　　在自然环境下对火龙果进行实时检测是实现火龙果自动化采摘的必要条件之一。该研究提出了一种轻量级卷积神经网络YOLOv4-LITE火龙果检测方法。YOLOv4集成了多种优化策略,YOLOv4的检测准确率比传统的YOLOv3高出10%。但是YOLOv4的骨干网络复杂,计算量大,模型体积较大,不适合部署在嵌入式设备中进行实时检测。将YOLOv4的骨干网络CSPDarknet-53替换为MobileNet-v3,MobileNet-v3提取特征可以显著提高YOLOv4的检测速度。为了提高小目标的检测精度,分别设置在网络第39层以及第46层进行上采样特征融合。使用2513张不同遮挡环境下的火龙果图像作为数据集进行训练测试,试验结果表明,该研究提出的轻量级YOLOv4-LITE模型Average Precision（AP）值为96.48%,F1值为95%,平均交并比为81.09%,模型大小仅为2.7MB。同时对比分析不同骨干网络,MobileNet-v3检测速度大幅度提升,比YOLOv4的原CSPDarknet-53平均检测时间减少了160.32 ms。YOLOv4-LITE在GPU上检测一幅1 2... 

【文章来源】：农业工程学报. 2020,36(20)北大核心EICSCD

【文章页数】：8 页

【文章目录】：
0 Introduction
1 Materials and Methods
    1.1 Data collection
    1.2 Dataset preparation
    1.3 YOLO convolutional neural network
    1.4 YOLOv4-LITE lightweight neural network
        1.4.1 YOLOv4-LITE backbone network
        1.4.2 YOLOv4-LITE prediction network
2 Experiment
    2.1 Experimental platform
    2.2 Experimental parameters
    2.3 Model evaluation
3 Results and analysis
    3.1 Analysis of dragon fruit recognition results
    3.2 Analysis of different backbone networks
    3.3 Analysis of multi-scale prediction results
    3.4 Analysis of different network models
4 Conclusions


【参考文献】：
期刊论文
[1]基于图像和卷积神经网络的蝴蝶兰种苗生长势评估（英文）[J]. 朱逢乐,郑增威.  农业工程学报. 2020(09)
[2]基于实例分割的柑橘花朵识别及花量统计[J]. 邓颖,吴华瑞,朱华吉.  农业工程学报. 2020(07)
[3]自然环境下贴叠葡萄串的识别与图像分割算法[J]. 刘平,朱衍俊,张同勋,侯加林.  农业工程学报. 2020(06)
[4]基于卷积神经网络的草莓识别方法[J]. 刘小刚,范诚,李加念,高燕俐,章宇阳,杨启良.  农业机械学报. 2020(02)
[5]基于短波近红外高光谱和深度学习的籽棉地膜分选算法[J]. 倪超,李振业,张雄,赵岭,朱婷婷,蒋雪松.  农业机械学报. 2019(12)
[6]融合FPN的Faster R-CNN复杂背景下棉田杂草高效识别方法[J]. 彭明霞,夏俊芳,彭辉.  农业工程学报. 2019(20)
[7]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)
[8]多通道深度可分离卷积模型实时识别复杂背景下甜菜与杂草[J]. 孙俊,谭文军,武小红,沈继锋,芦兵,戴春霞.  农业工程学报. 2019(12)
[9]基于R-FCN深度卷积神经网络的机器人疏果前苹果目标的识别[J]. 王丹丹,何东健.  农业工程学报. 2019(03)
[10]基于卷积神经网络的田间多簇猕猴桃图像识别方法[J]. 傅隆生,冯亚利,Elkamil Tola,刘智豪,李瑞,崔永杰.  农业工程学报. 2018(02)



本文编号：3344902