發(fā)布時(shí)間：2022-07-13 17:06

　　目的:為準(zhǔn)確、快速地識(shí)別田間綠色柑橘,提出一種基于Tiny-YOLOv3網(wǎng)絡(luò)的目標(biāo)檢測(cè)方法。方法:采用卷積層替換Tiny的池化層以減少目標(biāo)信息丟失,借鑒DenseNet網(wǎng)絡(luò),在Tiny網(wǎng)絡(luò)中嵌入2個(gè)多層密集塊,提出Tiny-Dense-YOLOv3網(wǎng)絡(luò)。結(jié)果:在2個(gè)數(shù)據(jù)集上試驗(yàn)以驗(yàn)證改進(jìn)模型的有效性,在果園柑橘數(shù)據(jù)集中,Tiny-Dense-YOLOv3的準(zhǔn)確率、召回率和F1值分別為88.98%、95.29%和92.03%,相比于Tiny-YOLOv3模型分別提高3.55%、4.81%和4.15%;在MSCOCO集的柑橘數(shù)據(jù)集中,Tiny-Dense-YOLOv3的F1值為52.83%,相比于Tiny-YOLOv3模型,F1值提高了6.33%。Tiny、Darknet53和Tiny-Dense等網(wǎng)絡(luò)輸出特征圖的可視化結(jié)果表明,不同網(wǎng)絡(luò)均能提取果實(shí)目標(biāo)特征,其中Tiny網(wǎng)絡(luò)未能有效抑制樹葉、枝干等背景特征的干擾。結(jié)論:Tiny-Dense-YOLOv3輕量化卷積網(wǎng)絡(luò)可實(shí)現(xiàn)對(duì)田間綠色柑橘的高精度實(shí)時(shí)檢測(cè)。 

【文章頁數(shù)】：9 頁

【部分圖文】：

密集塊結(jié)構(gòu)圖

Tiny-Dense-YOLOv3結(jié)構(gòu)圖

不同YOLO模型的損失曲線

【參考文獻(xiàn)】：
期刊論文
[1]基于深度學(xué)習(xí)語義分割的導(dǎo)光板缺陷檢測(cè)方法[J]. 柳鋒,李俊峰,戴文戰(zhàn).  計(jì)算機(jī)系統(tǒng)應(yīng)用. 2020(06)
[2]改進(jìn)Faster RCNN在鋁型材表面缺陷檢測(cè)中的應(yīng)用研究[J]. 陳坤,徐向纮.  中國計(jì)量大學(xué)學(xué)報(bào). 2020(02)
[3]基于卷積層特征可視化的獼猴桃樹干特征提取[J]. 崔永杰,高宗斌,劉浩洲,李凱,傅隆生.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2020(04)
[4]基于改進(jìn)YOLOv3的火災(zāi)檢測(cè)與識(shí)別[J]. 任嘉鋒,熊衛(wèi)華,吳之昊,姜明.  計(jì)算機(jī)系統(tǒng)應(yīng)用. 2019(12)
[5]基于Faster R-CNN的服裝目標(biāo)檢測(cè)改進(jìn)方法[J]. 陳雙,何利力.  軟件導(dǎo)刊. 2020(04)
[6]基于改進(jìn)Tiny-YOLO模型的群養(yǎng)生豬臉部姿態(tài)檢測(cè)[J]. 燕紅文,劉振宇,崔清亮,胡志偉,李艷文.  農(nóng)業(yè)工程學(xué)報(bào). 2019(18)
[7]基于R-FCN深度卷積神經(jīng)網(wǎng)絡(luò)的機(jī)器人疏果前蘋果目標(biāo)的識(shí)別[J]. 王丹丹,何東健.  農(nóng)業(yè)工程學(xué)報(bào). 2019(03)
[8]自然環(huán)境下多類水果采摘目標(biāo)識(shí)別的通用改進(jìn)SSD模型[J]. 彭紅星,黃博,邵園園,李澤森,張朝武,陳燕,熊俊濤.  農(nóng)業(yè)工程學(xué)報(bào). 2018(16)
[9]未成熟芒果的改進(jìn)YOLOv2識(shí)別方法[J]. 薛月菊,黃寧,涂淑琴,毛亮,楊阿慶,朱勛沐,楊曉帆,陳鵬飛.  農(nóng)業(yè)工程學(xué)報(bào). 2018(07)
[10]融合K-means與Ncut算法的無遮擋雙重疊蘋果目標(biāo)分割與重建[J]. 王丹丹,徐越,宋懷波,何東健,張海輝.  農(nóng)業(yè)工程學(xué)報(bào). 2015(10)

碩士論文
[1]基于YOLO的實(shí)時(shí)目標(biāo)檢測(cè)方法研究[D]. 任培銘.江南大學(xué) 2019



本文編號(hào)：3660431