發(fā)布時間：2023-04-08 00:43

　　針對棉花異性纖維檢測準確率不高、實時性較差的問題,以棉花為研究對象,提出了一種基于改進YOLOv3的棉花異性纖維檢測方法。引入輕量級MobileNets網(wǎng)絡為特征提取網(wǎng)絡,結合YOLOv3的多尺度特征融合檢測網(wǎng)絡,構建改進的MobileNets-YOLOv3模型。提出一種分段式學習率,以增強學習效果。將實際采集到的真實棉花異性纖維圖像數(shù)據(jù)集按4∶1的比例劃分為訓練集和測試集,并使用對比度增強、水平鏡像等6種圖像增廣方法擴充數(shù)據(jù)集。對擴充前后的數(shù)據(jù)集、不同的學習率、改進前后的YOLOv3模型、本文模型與Faster R-CNN和SSD₃00模型做了對比試驗。實驗結果表明,數(shù)據(jù)集的增廣、改進后的分段式學習率均能改善訓練模型的過擬合現(xiàn)象,在測試集上的平均正確率(mAP)分別提高了3.6%、5.64%;改進后的YOLOv3模型對測試集進行檢測的平均正確率(mAP)為84.82%,幀速率為66.67f·s^-1,識別精度優(yōu)于YOLOv3模型,提高了2.03%,幀速率是YOLOv3模型的3倍,總體性能也優(yōu)于Faster RCNN和SSD₃

【文章頁數(shù)】：9 頁

【文章目錄】：
1 引言
2 試驗數(shù)據(jù)
    2.1 圖像數(shù)據(jù)采集
    2.2 圖像數(shù)據(jù)增廣處理
3 棉花異纖圖像檢測模型構建
    3.1 改進的YOLOv3模型結構
    3.2 損失函數(shù)的計算
4 模型訓練與試驗結果分析
    4.1 試驗環(huán)境
    4.2 棉花異纖檢測網(wǎng)絡訓練
    4.3 試驗結果與分析
        4.3.1 評價指標
        4.3.2 試驗結果與分析
        4.3.3 圖像數(shù)據(jù)增廣對模型的影響
        4.3.4 學習率的改進對模型的影響
        4.3.5 與改進前網(wǎng)絡檢測結果的對比
        4.3.6 與其他檢測模型的對比
5 結論



本文編號：3785656