[發明專利]一種基于YOLOv3-CIoU的松材線蟲病樹檢測方法及系統

在審

• 申請號: 202011090324.0
• 申請日: 2020-10-13
• 公開（公告）號: CN112464705A
• 公開（公告）日: 2021-03-09
• 發明（設計）人: 蘭鵬;申衛星;孫豐剛;徐力;李鳳迪;劉振宇;高智超;賈春燕;董斌
• 申請（專利權）人: 泰安市泰山森林病蟲害防治檢疫站;山東農業大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/32;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京辰權知識產權代理有限公司 11619
• 代理人: 劉廣達

1.一種基于YOLOv3-CIoU的松材線蟲病樹檢測方法，其特征在于，包括：

基于PascalVOC數據集制作帶有松材線蟲病樹目標標注的訓練集和測試集；

構建基于YOLOv3-CIoU算法的目標檢測模型，利用所述訓練集對目標檢測模型進行訓練，直至訓練集輸出的損失函數值小于等于損失閾值或達到設置的最大迭代次數時停止訓練，得到訓練好的目標檢測模型；

利用所述測試集對訓練好的目標檢測模型進行檢測，判斷訓練好的目標檢測模型的多個預設性能指標是否達標；

若訓練好的目標檢測模型的多個預設性能指標均達標，則將訓練好的目標檢測模型作為最終的目標檢測模型；

若訓練好的目標檢測模型的多個預設性能指標中任一者未達標，則繼續訓練所述訓練好的目標檢測模型，直至所述目標檢測模型的多個預設性能指標均達標，將此時的目標檢測模型作為最終的目標檢測模型；

將采集的包含松線蟲病樹的圖片輸入最終的目標檢測模型，以進行松線蟲病樹的檢測。

2.根據權利要求1所述的基于YOLOv3-CIoU的松材線蟲病樹檢測方法，其特征在于，所述利用所述訓練集對目標檢測模型進行訓練，直至訓練集輸出的損失函數值小于等于損失閾值或達到設置的最大迭代次數時停止訓練，得到訓練好的目標檢測模型，包括：

調取目標檢測模型的初始參數，將訓練集輸入目標檢測模型進行訓練，不斷進行訓練調整目標檢測模型的卷積層的權重值以及偏置值，并輸出訓練集的損失函數值Loss，其中，所述損失函數值是目標框位置回歸損失函數、目標置信度交叉熵損失和類別交叉熵損失之和；

直至訓練集輸出的損失函數值小于等于損失閾值或達到設置的最大迭代次數時停止訓練，將停止訓練時得到的模型作為訓練好的目標檢測模型。

3.根據權利要求2所述的基于YOLOv3-CIoU的松材線蟲病樹檢測方法，其特征在于，采用檢測框與真實目標框的交并比，確定所述目標框位置回歸損失函數，其中，所述目標框位置回歸損失函數的公式表示為：

式中，IoU是檢測框與真實目標框的交并比；

ρ²(b,b^gt)表示檢測框和真實目標框兩個中心點之間的歐氏距離，其中b代表檢測框，b^gt代表真實目標框；

c表示最小閉合凸面的對角線距離；

α是用來平衡比例的參數；

v是衡量檢測框和真實目標框之間的比例是否一致的參數。

4.根據權利要求1所述的基于YOLOv3-CIoU的松材線蟲病樹檢測方法，其特征在于，所述利用所述訓練集對目標檢測模型進行訓練時，使用Adam優化器，設置初始學習率為0.001，以16張圖像為一個批次，所述目標檢測模型的最大迭代次數為10000。

5.根據權利要求1所述的基于YOLOv3-CIoU的松材線蟲病樹檢測方法，其特征在于，所述基于Pascal VOC數據集制作帶有松材線蟲病樹目標標注的訓練集和測試集，包括：

所述Pascal VOC數據集共包含M張圖像，對M張圖像中的松材線蟲病樹目標進行標注后，將標注后的M張圖像隨機分成訓練集和測試集兩個部分。

6.根據權利要求5所述的基于YOLOv3-CIoU的松材線蟲病樹檢測方法，其特征在于，所述訓練集和所述測試集的數據量比為9：1。

7.根據權利要求1所述的基于YOLOv3-CIoU的松材線蟲病樹檢測方法，其特征在于，所述利用所述測試集對訓練好的目標檢測模型進行檢測，判斷訓練好的目標檢測模型的多個預設性能指標是否均達標，包括：

將測試集輸入訓練好的目標檢測模型，得到所述測試集的松線蟲病的檢測結果；

根據所述檢測結果判斷訓練好的目標檢測模型的精確率是否大于預設精度、召回率是否大于預設召回率、準確率是否大于預設準確率和單張圖像處理速度是否大于預設速度。