智慧農(nóng)業(yè)病蟲害檢測技術(shù)發(fā)展迅猛,而對農(nóng)作物具有危害的鳥類檢測技術(shù)尚處于起步階段,近年來由于生態(tài)改善,野雞繁殖數(shù)量激增,其喜食小麥、玉米、紅薯等農(nóng)作物的種子與幼苗,對農(nóng)業(yè)造成一定危害。該研究提出了一種適宜于嵌入式系統(tǒng)部署的人工智能野雞識別方法。由于在野外環(huán)境下移動平臺上部署,需采用輕量級網(wǎng)絡,同時保證檢測精度與實時性,因此,根據(jù)Tiny-YOLOV3輕量級目標檢測網(wǎng)絡基本結(jié)構(gòu),提出了一種針對野外復雜環(huán)境中出現(xiàn)野雞的實時檢測網(wǎng)絡-增強型輕量級目標檢測網(wǎng)絡（EnhancedTiny-YOLO,ET-YOLO）,該網(wǎng)絡特征提取部分加深Tiny-YOLOV3特征提取網(wǎng)絡深度,增加檢測尺度以提高原網(wǎng)絡目標檢測精度,網(wǎng)絡檢測層使用基于CenterNet結(jié)構(gòu)的檢測方式以進一步提高檢測精度與檢測速度。使用野外實地采集各種環(huán)境下出現(xiàn)的野雞圖像作為數(shù)據(jù)集,包括不同距離、角度、環(huán)境出現(xiàn)的野雞共計6000幅高清圖像制作數(shù)據(jù)集。試驗結(jié)果表明,ET-YOLO在視頻中復雜環(huán)境下出現(xiàn)的野雞平均檢測精度達86.5%,平均檢測速度62幀/s,相對改進前Tiny-YOLOV3平均檢測精度提高15個百分點,平均檢測速度相對改進... 

【文章來源】：農(nóng)業(yè)工程學報. 2020,36(13)北大核心EICSCD

【文章頁數(shù)】：7 頁

【部分圖文】：

其他鳥類出現(xiàn)Fig.6Objectrecognitionundea.SSD_MobileNetV2b.YOLOV3c.Faster

第13期易詩等：基于增強型Tiny-YOLOV3模型的野雞識別方法145確識別出特殊姿態(tài)的野雞目標，而Faster-RCNN、SSD_MobileNetV2無法成功識別出特殊姿態(tài)的野雞目標。在野外農(nóng)田中時常出現(xiàn)其他對農(nóng)作物危害較小或者無危害的鳥類，而其特征與野雞目標相似，因此檢測網(wǎng)絡不能誤識別該類目標。最后一步測試，選取采集視頻中同一環(huán)境下出現(xiàn)的其他鳥類，對比測試各目標檢測網(wǎng)絡的誤識別性能，識別結(jié)果對比如圖6所示。a.SSD_MobileNetV2b.YOLOV3c.Faster-RCNNd.Tiny-YOLOV3e.ET-YOLO注：SSD_MobileNetV2、YOLOV3、Faster-RCNN、Tiny-YOLOV3、ET-YOLO為5種目檢測網(wǎng)絡。下同。Note:SSD_MobileNetV2,YOLOV3,Faster-RCNN,Tiny-YOLOV3,ET-YOLOarefiveobjectdetectionnetworks.Sameasbelow.圖4隱藏情況下野雞目標識別Fig.4Objectrecognitionofpheasantinhiddenconditiona.SSD_MobileNetV2b.YOLOV3c.Faster-RCNNd.Tiny-YOLOV3e.ET-YOLO圖5特殊姿態(tài)野雞目標識別Fig.5Objectrecognitionofpheasantinspecialposturea.SSD_MobileNetV2b.YOLOV3c.Faster-RCNNd.Tiny-YOLOV3e.ET-YOLO圖6其他鳥類出現(xiàn)情況下的目標識別Fig.6Objectrecognitionundertheoccurrenceofotherbirds由結(jié)果可知，測試圖像中出現(xiàn)目標為1只畫眉，其與野雞同為農(nóng)田環(huán)境下容易出現(xiàn)的鳥類，特征具有一定相似性，YOLOV3、Faster-RCNN將其誤識別為野雞，而Tiny-YOLOV3、SSD_MobileNetV2以及本文提出的ET-YOLO沒有產(chǎn)生誤識別[25-30]。經(jīng)完整測試后，對各個目標檢測網(wǎng)絡檢測野雞目標的準確率P，召回率R，平均精度mAP，平均運算速度（MeanOperationrate，MO），模型大小的統(tǒng)計如表2所示。表2野雞不同檢

第13期易詩等：基于增強型Tiny-YOLOV3模型的野雞識別方法145確識別出特殊姿態(tài)的野雞目標，而Faster-RCNN、SSD_MobileNetV2無法成功識別出特殊姿態(tài)的野雞目標。在野外農(nóng)田中時常出現(xiàn)其他對農(nóng)作物危害較小或者無危害的鳥類，而其特征與野雞目標相似，因此檢測網(wǎng)絡不能誤識別該類目標。最后一步測試，選取采集視頻中同一環(huán)境下出現(xiàn)的其他鳥類，對比測試各目標檢測網(wǎng)絡的誤識別性能，識別結(jié)果對比如圖6所示。a.SSD_MobileNetV2b.YOLOV3c.Faster-RCNNd.Tiny-YOLOV3e.ET-YOLO注：SSD_MobileNetV2、YOLOV3、Faster-RCNN、Tiny-YOLOV3、ET-YOLO為5種目檢測網(wǎng)絡。下同。Note:SSD_MobileNetV2,YOLOV3,Faster-RCNN,Tiny-YOLOV3,ET-YOLOarefiveobjectdetectionnetworks.Sameasbelow.圖4隱藏情況下野雞目標識別Fig.4Objectrecognitionofpheasantinhiddenconditiona.SSD_MobileNetV2b.YOLOV3c.Faster-RCNNd.Tiny-YOLOV3e.ET-YOLO圖5特殊姿態(tài)野雞目標識別Fig.5Objectrecognitionofpheasantinspecialposturea.SSD_MobileNetV2b.YOLOV3c.Faster-RCNNd.Tiny-YOLOV3e.ET-YOLO圖6其他鳥類出現(xiàn)情況下的目標識別Fig.6Objectrecognitionundertheoccurrenceofotherbirds由結(jié)果可知，測試圖像中出現(xiàn)目標為1只畫眉，其與野雞同為農(nóng)田環(huán)境下容易出現(xiàn)的鳥類，特征具有一定相似性，YOLOV3、Faster-RCNN將其誤識別為野雞，而Tiny-YOLOV3、SSD_MobileNetV2以及本文提出的ET-YOLO沒有產(chǎn)生誤識別[25-30]。經(jīng)完整測試后，對各個目標檢測網(wǎng)絡檢測野雞目標的準確率P，召回率R，平均精度mAP，平均運算速度（MeanOperationrate，MO），模型大小的統(tǒng)計如表2所示。表2野雞不同檢

【參考文獻】：
期刊論文
[1]基于改進SSD的柑橘實時分類檢測[J]. 李善軍,胡定一,高淑敏,林家豪,安小松,朱明.  農(nóng)業(yè)工程學報. 2019(24)
[2]基于紅外熱成像與改進YOLOV3的夜間野兔監(jiān)測方法[J]. 易詩,李欣榮,吳志娟,朱競銘,袁學松.  農(nóng)業(yè)工程學報. 2019(19)
[3]基于改進Tiny-YOLO模型的群養(yǎng)生豬臉部姿態(tài)檢測[J]. 燕紅文,劉振宇,崔清亮,胡志偉,李艷文.  農(nóng)業(yè)工程學報. 2019(18)
[4]基于改進YOLOv3-LITE輕量級神經(jīng)網(wǎng)絡的柑橘識別方法[J]. 呂石磊,盧思華,李震,洪添勝,薛月菊,吳奔雷.  農(nóng)業(yè)工程學報. 2019(17)
[5]基于增強Tiny YOLOV3算法的車輛實時檢測與跟蹤[J]. 劉軍,后士浩,張凱,張睿,胡超超.  農(nóng)業(yè)工程學報. 2019(08)
[6]基于機器視覺的水下河蟹識別方法[J]. 趙德安,劉曉洋,孫月平,吳任迪,洪劍青,阮承治.  農(nóng)業(yè)機械學報. 2019(03)
[7]自然環(huán)境下綠色柑橘視覺檢測技術(shù)研究[J]. 熊俊濤,劉振,湯林越,林睿,卜榕彬,彭紅星.  農(nóng)業(yè)機械學報. 2018(04)
[8]野雞對春玉米的危害及綜防策略研究[J]. 盧振宇,孫連新,黃志銀,徐新建,趙智.  農(nóng)業(yè)科技通訊. 2017(07)
[9]果園鳥害防治[J]. 李燕,萬津瑜,徐環(huán)李.  北方園藝. 2012(03)



本文編號：3325661