基于改进YOLO v3的自然场景下冬枣果实识别方法

为实现自然场景下冬枣果实的快速、精准识别,考虑到光线变化、枝叶遮挡、果实密集重叠等复杂因素,基于YOLO v3深度卷积神经网络提出了一种基于改进YOLO v3(YOLO v3-SE)的冬枣果实识别方法。YOLO v3-SE模型利用SE Net的SE Block结构将特征层的特征权重校准为特征权值,强化了有效特征,弱化了低效或无效特征,提高了特征图的表现能力,从而提高了模型识别精度。YOLO v3-SE模型经过训练和比较,选取0.55作为置信度最优阈值用于冬枣果实检测,检测结果准确率P为88.71%、召回率R为83.80%、综合评价指标F为86.19%、平均检测精度为82.01%,与YOLO v3模型相比,F提升了2.38个百分点,mAP提升了4.78个百分点,检测速度无明显差异。为检验改进模型在冬枣园自然场景下的适应性,在光线不足、密集遮挡和冬枣不同成熟期的情况下对冬枣果实图像进行检测,并与YOLO v3模型的检测效果进行对比,结果表明,本文模型召回率提升了2.43~5.08个百分点,F提升了1.75~2.77个百分点,mAP提升了2.38~4.81个百分点,从而验证了本文模型的有效性。

一种无人机图像识别技术体系研究与应用

为了实现水利工程巡检、河湖岸线、河湖环境监测等海量无人机图像异常特征物的智能化检测识别,提高管理效率,满足智慧水利建设的需求,基于YOLO v3算法框架,通过引入注意力模块SE,构建了高精度的YOLO v3-SE目标检测算法,形成了无人机图像识别技术体系,并将其成功应用于多个水利工程的海量无人机图像的异常特征物检测识别中。结果表明:通过自建66000张图片数据的训练集和35514张图片数据的测试集,本算法与原始YOLO v3算法、改进的SKSet-YOLO v3算法和CBAM-YOLO v3算法相比,在积水、塌方、运输船、滑坡、聚集型垃圾和分散型垃圾等6类目标物的检测精度AP均有较大幅度的提升;平均检测精度mAP也分别从59.83%提升至90.17%、从79%提升至90.17%、从72%提升至90.17%,精度得到明显提升,满足水利工程智慧化监控的需求。