基于增强型Tiny-YOLOV3模型的野鸡识别方法

• 作者: 周思尧 易诗 朱竞铭 沈练 袁学松
• 来源期刊: 农业工程学报
• 学科: 工学
• 关键词: 农业 人工智能 嵌入式系统 野鸡识别 ET-YOLO CenterNet检测结构
• 年，卷（期）: 2020,（13）
• 所属期刊栏目: 农业信息与电气技术
• 页码范围: 141-147
• 页数: 7页
• 分类号: TN919.5
• 字数: 5072字
• 语种: 中文
• DOI: 10.11975/j.issn.1002-6819.2020.12.017

摘要

智慧农业病虫害检测技术发展迅猛,而对农作物具有危害的鸟类检测技术尚处于起步阶段,近年来由于生态改善,野鸡繁殖数量激增,其喜食小麦、玉米、红薯等农作物的种子与幼苗,对农业造成一定危害.该研究提出了一种适宜于嵌入式系统部署的人工智能野鸡识别方法.由于在野外环境下移动平台上部署,需采用轻量级网络,同时保证检测精度与实时性,因此,根据Tiny-YOLOV3轻量级目标检测网络基本结构,提出了一种针对野外复杂环境中出现野鸡的实时检测网络-增强型轻量级目标检测网络(Enhanced Tiny-YOLO,ET-YOLO),该网络特征提取部分加深Tiny-YOLOV3特征提取网络深度,增加检测尺度以提高原网络目标检测精度,网络检测层使用基于CenterNet结构的检测方式以进一步提高检测精度与检测速度.使用野外实地采集各种环境下出现的野鸡图像作为数据集,包括不同距离、角度、环境出现的野鸡共计6000幅高清图像制作数据集.试验结果表明,ET-YOLO在视频中复杂环境下出现的野鸡平均检测精度达86.5％,平均检测速度62帧/s,相对改进前Tiny-YOLOV3平均检测精度提高15个百分点,平均检测速度相对改进前Tiny-YOLOV3提高2帧/s,相对YOLOV3、Faster-RCNN与SSD_MobileNetV2主流代表性目标检测算法,平均检测精度分别提高1.5、1.1与18个百分点,平均检测速度分别提高38、47与1帧/s.可高效实时地对复杂环境下出现的野鸡进行识别,并且检测模型大小为56 MB,适宜于在农业机器人,智能农机所搭载的嵌入式系统上部署.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	袁学松	电子科技大学电子科学与工程学院	27	112	7.0	9.0