基于改进YOLOv3的树上成熟芒果检测方法

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。

动态水声环境中的SEResNet模型目标识别方法

针对在无法预知海域信息的情况下,如何保证较高识别稳定性的关键问题,本文构建了SE_ResNet网络利用对卷积操作通道的自适应加权方法,学习不同特征信息,增加网络的鲁棒性,使得网络可以自适应地识别不同声场环境下的目标。基于2组不同的实测水声数据集进行实验,其中实验1说明在-20~20 dB信噪比范围内,SE_ResNet网络的识别能力均优于其他网络,实验2说明在高信噪比下,SE_ResNet网络对类间相似度较低的数据集有很高的识别率,对相似度较高的数据集也具有很好的识别效果。结果表明SE_ResNet网络有较强的鲁棒性。