[發明專利]一種基于改進YOLOv3的果樹圖像小目標檢測方法及裝置

在審

• 申請號: 202110434149.0
• 申請日: 2021-04-21
• 公開（公告）號: CN113191237A
• 公開（公告）日: 2021-07-30
• 發明（設計）人: 毛亮;郭子豪;陳鵬飛;楊曉帆
• 申請（專利權）人: 深圳職業技術學院
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/20;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 廣州三環專利商標代理有限公司 44202
• 代理人: 郭浩輝;顏希文

本發明公開了一種基于改進YOLOv3的果樹圖像小目標檢測方法及裝置。所述基于改進YOLOv3的果樹圖像小目標檢測方法，包括：對標注有待檢測小目標的原始圖像進行預處理，得到訓練圖像，并將所述訓練圖像收集在訓練圖像集；分別將YOLOv3的原始傳輸層和部分下采樣層替換為DenseNet，并新增一個特征提取層，構建改進YOLOv3的小目標檢測模型；利用所述訓練圖像集訓練所述小目標檢測模型，使所述小目標檢測模型輸出所述待檢測小目標的類別及位置；將檢測圖像輸入訓練后的小目標檢測模型，得到所述檢測圖像中的小目標的類別及位置。本發明能夠充分考慮到果樹圖像中的小目標的特性以及小目標受到遮擋的情況，提高小目標檢測精度。

技術領域

本發明涉及計算機視覺技術領域，尤其涉及一種基于改進YOLOv3的果樹圖像小目標檢測方法及裝置。

背景技術

近年來，隨著目標檢測被廣泛應用于農業領域，逐漸采用基于深度學習的目標檢測方法替代傳統的抽樣或目測方法對果樹圖像中的水果進行檢測來估算果樹產量。基于深度學習的目標檢測方法一般分為基于候選框的方法和基于回歸的方法，常見的基于候選框的方法有Fast R-CNN、Faster R-CNN和R-FCN，常見的基于回歸的方法有YOLO和SSD。相比基于候選框的方法，基于回歸的方法無需提取候選框，檢測效率較高，但其對輸入圖像的尺寸存在較大限制，對于水果這類在果樹圖像中占用像素少、紋理及邊緣特征不明顯且可能受到遮擋的小目標，檢測精度較低。

因此，目前提出基于深度學習的目標檢測方法尚不能完美適用于果樹圖像中的小目標特別是受遮擋小目標的檢測，難以提高小目標檢測精度。

發明內容

為了克服現有技術的缺陷，本發明提供一種基于改進YOLOv3的果樹圖像小目標檢測方法及裝置，能夠充分考慮到果樹圖像中的小目標的特性以及小目標受到遮擋的情況，提高小目標檢測精度。

為了解決上述技術問題，第一方面，本發明一實施例提供一種基于改進YOLOv3的果樹圖像小目標檢測方法，包括：

對標注有待檢測小目標的原始圖像進行預處理，得到訓練圖像，并將所述訓練圖像收集在訓練圖像集；

分別將YOLOv3的原始傳輸層和部分下采樣層替換為DenseNet，并新增一個特征提取層，構建改進YOLOv3的小目標檢測模型；

利用所述訓練圖像集訓練所述小目標檢測模型，使所述小目標檢測模型輸出所述待檢測小目標的類別及位置；

將檢測圖像輸入訓練后的小目標檢測模型，得到所述檢測圖像中的小目標的類別及位置。

進一步地，在所述將檢測圖像輸入訓練后的小目標檢測模型，得到所述檢測圖像中的小目標的類別及位置之前，還包括：

對所述檢測圖像進行預處理。

進一步地，所述預處理包括圖像裁剪、圖像翻轉、圖像縮放中的任一種或多種圖像處理。

進一步地，所述分別將YOLOv3的原始傳輸層和部分下采樣層替換為DenseNet，并新增一個特征提取層，構建改進YOLOv3的小目標檢測模型，具體為：

將YOLOv3的原始傳輸層替換為DenseNet，使所述原始傳輸層將輸入圖像的尺寸調整至512×512，將YOLOv3的32×32下采樣層和16×16下采樣層替換為DenseNet，并在YOLOv3的第一個殘差塊后新增一個特征提取層，使所述特征提取層提取尺寸為128×128的特征圖，構建所述小目標檢測模型。

進一步地，所述將檢測圖像輸入訓練后的小目標檢測模型，得到所述檢測圖像中的小目標的類別及位置，具體為：

將所述檢測圖像輸入所述訓練后的小目標檢測模型，使所述訓練后的小目標檢測模型對所述檢測圖像中的預測目標進行非極大值抑制操作，得到所述檢測圖像中的小目標的類別及位置。