基于改进的轻量化卷积神经网络火龙果检测方法

• 作者: 周宏平 姜洪喆 王金鹏 高凯
• 来源期刊: 农业工程学报
• 学科: 工学
• 关键词: 模型 深度学习 果实检测 卷积神经网络 YOLOv4-LITE 实时检测
• 年，卷（期）: 2020,（20）
• 所属期刊栏目: 农业信息与电气技术
• 页码范围: 218-225
• 页数: 8页
• 分类号: TP301.6|TP181
• 语种: 中文
• DOI: 10.11975/j.issn.1002-6819.2020.20.026

摘要

在自然环境下对火龙果进行实时检测是实现火龙果自动化采摘的必要条件之一.该研究提出了一种轻量级卷积神经网络YOLOv4-LITE火龙果检测方法.YOLOv4集成了多种优化策略,YOLOv4的检测准确率比传统的YOLOv3高出10％.但是YOLOv4的骨干网络复杂,计算量大,模型体积较大,不适合部署在嵌入式设备中进行实时检测.将YOLOv4的骨干网络CSPDarknet-53替换为MobileNet-v3,MobileNet-v3提取特征可以显著提高YOLOv4的检测速度.为了提高小目标的检测精度,分别设置在网络第39层以及第46层进行上采样特征融合.使用2513张不同遮挡环境下的火龙果图像作为数据集进行训练测试,试验结果表明,该研究提出的轻量级YOLOv4-LITE模型Average Precision(AP)值为96.48％,F1值为95％,平均交并比为81.09％,模型大小仅为2.7 MB.同时对比分析不同骨干网络,MobileNet-v3检测速度大幅度提升,比YOLOv4的原CSPDarknet-53平均检测时间减少了160.32 ms.YOLOv4-LITE在GPU上检测一幅1200×900的图像只需要2.28 ms,可以在自然环境下实时检测,具有较强的鲁棒性.相比现有的目标检测算法,YOLOv4-LITE的检测速度是SSD-300的9.5倍,是Faster-RCNN的14.3倍.进一步分析了多尺度预测对模型性能的影响,利用4个不同尺度特征图融合预测,相比YOLOv4-LITE平均检测精度提高了0.81％,但是平均检测时间增加了10.33 ms,模型大小增加了7.4 MB.因此,增加多尺度预测虽然提高了检测精度,但是检测时间也随之增加.总体结果表明,该研究提出的轻量级YOLOv4-LITE在检测速度、检测精度和模型大小方面具有显著优势,可应用于自然环境下火龙果检测.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	周宏平		180	1744	23.0	35.0
2	王金鹏		14	44	4.0	6.0
3	姜洪喆		2	1	1.0	1.0
4	高凯		1	0	0.0	0.0