为了准确地识别和定位自然环境中接近成熟或已成熟的树上芒果,提出了一种基于改进YOLOv3的目标检测方法(ISD-YOLOv3)。该方法首先利用在图像分类数据集ImageNet上精度更高的SE_ResNet50网络替换YOLOv3算法中的主干网络DarkNet53,提取更...为了准确地识别和定位自然环境中接近成熟或已成熟的树上芒果,提出了一种基于改进YOLOv3的目标检测方法(ISD-YOLOv3)。该方法首先利用在图像分类数据集ImageNet上精度更高的SE_ResNet50网络替换YOLOv3算法中的主干网络DarkNet53,提取更多的芒果特征信息,增强对小目标的识别;其次为有效减少深度残差卷积层在提取特征过程中造成的重要特征信息丢失,借鉴密集网络和VoVNetV2网络,将SE_ResNet50网络中最后3个由残差模块和SE模块构成的SE_ResNet模块改为密集模块、eSE模块及残差连接,实现深层网络中芒果的多层特征信息复用与融合,提高目标检测精度和速度;最后采用自制的树上芒果图像数据集对ISD-YOLOv3模型进行训练与测试,并与原始的YOLOv3_DarkNet53、YOLOv3_SE_ResNet50、Faster R-CNN3种模型进行对比试验。试验结果表明:当输入图像分辨率为608×608像素,交并比(intersection over union,IoU)阈值为0.7时,提出的ISD-YOLOv3方法,在芒果图像测试集上平均精度为94.91%,检测速度达到85帧·s-1(frames per second,FPS);YOLOv3_DarkNet53、YOLOv3_SE_ResNet50、Faster R-CNN这3种方法的平均精度分别为86.03%、91.95%和94.51%,检测速度分别为78FPS、78FPS和6FPS;与其他3种方法相比,ISD-YOLOv3算法检测效果明显更高效,其平均精度分别高出8.88%、2.96%、0.4%,检测速度分别高出7FPS、7FPS、79FPS。表明该方法对自然环境下的树上芒果识别与定位具有更高的检测性能,为实现芒果果实的机器采摘提供了参考。展开更多
文摘为了准确地识别和定位自然环境中接近成熟或已成熟的树上芒果,提出了一种基于改进YOLOv3的目标检测方法(ISD-YOLOv3)。该方法首先利用在图像分类数据集ImageNet上精度更高的SE_ResNet50网络替换YOLOv3算法中的主干网络DarkNet53,提取更多的芒果特征信息,增强对小目标的识别;其次为有效减少深度残差卷积层在提取特征过程中造成的重要特征信息丢失,借鉴密集网络和VoVNetV2网络,将SE_ResNet50网络中最后3个由残差模块和SE模块构成的SE_ResNet模块改为密集模块、eSE模块及残差连接,实现深层网络中芒果的多层特征信息复用与融合,提高目标检测精度和速度;最后采用自制的树上芒果图像数据集对ISD-YOLOv3模型进行训练与测试,并与原始的YOLOv3_DarkNet53、YOLOv3_SE_ResNet50、Faster R-CNN3种模型进行对比试验。试验结果表明:当输入图像分辨率为608×608像素,交并比(intersection over union,IoU)阈值为0.7时,提出的ISD-YOLOv3方法,在芒果图像测试集上平均精度为94.91%,检测速度达到85帧·s-1(frames per second,FPS);YOLOv3_DarkNet53、YOLOv3_SE_ResNet50、Faster R-CNN这3种方法的平均精度分别为86.03%、91.95%和94.51%,检测速度分别为78FPS、78FPS和6FPS;与其他3种方法相比,ISD-YOLOv3算法检测效果明显更高效,其平均精度分别高出8.88%、2.96%、0.4%,检测速度分别高出7FPS、7FPS、79FPS。表明该方法对自然环境下的树上芒果识别与定位具有更高的检测性能,为实现芒果果实的机器采摘提供了参考。
