針對棉花異性纖維檢測準(zhǔn)確率不高、實(shí)時性較差的問題,以棉花為研究對象,提出了一種基于改進(jìn)YOLOv3的棉花異性纖維檢測方法。引入輕量級MobileNets網(wǎng)絡(luò)為特征提取網(wǎng)絡(luò),結(jié)合YOLOv3的多尺度特征融合檢測網(wǎng)絡(luò),構(gòu)建改進(jìn)的MobileNets-YOLOv3模型。提出一種分段式學(xué)習(xí)率,以增強(qiáng)學(xué)習(xí)效果。將實(shí)際采集到的真實(shí)棉花異性纖維圖像數(shù)據(jù)集按4∶1的比例劃分為訓(xùn)練集和測試集,并使用對比度增強(qiáng)、水平鏡像等6種圖像增廣方法擴(kuò)充數(shù)據(jù)集。對擴(kuò)充前后的數(shù)據(jù)集、不同的學(xué)習(xí)率、改進(jìn)前后的YOLOv3模型、本文模型與Faster R-CNN和SSD₃00模型做了對比試驗(yàn)。實(shí)驗(yàn)結(jié)果表明,數(shù)據(jù)集的增廣、改進(jìn)后的分段式學(xué)習(xí)率均能改善訓(xùn)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(jìn)后的YOLOv3模型對測試集進(jìn)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(yàn)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(gòu)建
    3.1 改進(jìn)的YOLOv3模型結(jié)構(gòu)
    3.2 損失函數(shù)的計(jì)算
4 模型訓(xùn)練與試驗(yàn)結(jié)果分析
    4.1 試驗(yàn)環(huán)境
    4.2 棉花異纖檢測網(wǎng)絡(luò)訓(xùn)練
    4.3 試驗(yàn)結(jié)果與分析
        4.3.1 評價指標(biāo)
        4.3.2 試驗(yàn)結(jié)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(xué)習(xí)率的改進(jìn)對模型的影響
        4.3.5 與改進(jìn)前網(wǎng)絡(luò)檢測結(jié)果的對比
        4.3.6 與其他檢測模型的對比
5 結(jié)論



本文編號：3785656