基于Tiny-YOLOv3的田间绿色柑橘目标检测方法

发布时间：2022-07-13 17:06

　　目的:为准确、快速地识别田间绿色柑橘,提出一种基于Tiny-YOLOv3网络的目标检测方法。方法:采用卷积层替换Tiny的池化层以减少目标信息丢失,借鉴DenseNet网络,在Tiny网络中嵌入2个多层密集块,提出Tiny-Dense-YOLOv3网络。结果:在2个数据集上试验以验证改进模型的有效性,在果园柑橘数据集中,Tiny-Dense-YOLOv3的准确率、召回率和F1值分别为88.98%、95.29%和92.03%,相比于Tiny-YOLOv3模型分别提高3.55%、4.81%和4.15%;在MSCOCO集的柑橘数据集中,Tiny-Dense-YOLOv3的F1值为52.83%,相比于Tiny-YOLOv3模型,F1值提高了6.33%。Tiny、Darknet53和Tiny-Dense等网络输出特征图的可视化结果表明,不同网络均能提取果实目标特征,其中Tiny网络未能有效抑制树叶、枝干等背景特征的干扰。结论:Tiny-Dense-YOLOv3轻量化卷积网络可实现对田间绿色柑橘的高精度实时检测。 

【文章页数】：9 页

【部分图文】：

密集块结构图

Tiny-Dense-YOLOv3结构图

不同YOLO模型的损失曲线

【参考文献】：
期刊论文
[1]基于深度学习语义分割的导光板缺陷检测方法[J]. 柳锋,李俊峰,戴文战.  计算机系统应用. 2020(06)
[2]改进Faster RCNN在铝型材表面缺陷检测中的应用研究[J]. 陈坤,徐向纮.  中国计量大学学报. 2020(02)
[3]基于卷积层特征可视化的猕猴桃树干特征提取[J]. 崔永杰,高宗斌,刘浩洲,李凯,傅隆生.  农业机械学报. 2020(04)
[4]基于改进YOLOv3的火灾检测与识别[J]. 任嘉锋,熊卫华,吴之昊,姜明.  计算机系统应用. 2019(12)
[5]基于Faster R-CNN的服装目标检测改进方法[J]. 陈双,何利力.  软件导刊. 2020(04)
[6]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)
[7]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)
[8]自然环境下多类水果采摘目标识别的通用改进SSD模型[J]. 彭红星,黄博,邵园园,李泽森,张朝武,陈燕,熊俊涛.  农业工程学报. 2018(16)
[9]未成熟芒果的改进YOLOv2识别方法[J]. 薛月菊,黄宁,涂淑琴,毛亮,杨阿庆,朱勋沐,杨晓帆,陈鹏飞.  农业工程学报. 2018(07)
[10]融合K-means与Ncut算法的无遮挡双重叠苹果目标分割与重建[J]. 王丹丹,徐越,宋怀波,何东健,张海辉.  农业工程学报. 2015(10)

硕士论文
[1]基于YOLO的实时目标检测方法研究[D]. 任培铭.江南大学 2019



本文编号：3660431