[發明專利]一種基于三階級聯架構的YOLOv3的遠景目標檢測方法

有效

• 申請號: 202110534466.X
• 申請日: 2021-05-17
• 公開（公告）號: CN113239813B
• 公開（公告）日: 2022-11-25
• 發明（設計）人: 張學睿;尚明生;張帆;姚遠;鄭志浩
• 申請（專利權）人: 中國科學院重慶綠色智能技術研究院;重慶大學
• 主分類號: G06V10/82
• 分類號: G06V10/82;G06V10/774;G06V10/34;G06V10/762;G06V10/75;G06N3/04;G06N3/08
• 代理公司: 重慶強大凱創專利代理事務所(普通合伙) 50217
• 代理人: 趙玉乾

本發明涉及一種基于三階級聯架構的YOLOv3的遠景目標檢測方法，屬于目標檢測技術領域。該方法包括：S1：構建目標檢測模型：將準備好的遠景農作物圖片作為樣本圖片，再使用視覺相干混合技術和幾何手段進行數據增強，形成遠景數據集后再使用圖像標注軟件進行標注，最后通過三階級聯架構的YOLOv3算法進行訓練，生成目標檢測模型；S2：采集檢測目標的視頻圖像，輸入目標檢測模型中進行目標檢測，得到含有置信得分的目標圖；S3：通過NMS算法比較置信度得分，得到目標的位置信息和置信度信息；S4：根據得到的位置信息，對目標個數進行計算總數。本發明提高了目標跟蹤算法的準確性、魯棒性以及適應性，并減少了算法的計算量。

技術領域

本發明屬于目標檢測技術領域，涉及一種基于三階級聯架構的YOLOv3的遠景目標檢測方法。

背景技術

近年來，目標檢測已經廣泛應用在軍事民用領域，如實時監控、資源勘探、民用監視、貨物運輸及農業規劃等方面，而在農業規劃領域的關鍵問題之一便是如何能夠準確地識別遠景農作物目標，特別是在特殊天氣下。據統計，超過60％的目標檢測算法無法很好的應用于實時遠景目標的檢測，因此，如何在多種天氣條件和環境下實現大面積下的遠景目標識別以及計數是當下農業規劃領域研究的重要課題和挑戰。

YOLOv3是深度學習方面的一種目標檢測網絡，在圖像的檢測和識別層面應用很廣，相比于傳統目標檢測方法，其優勢在于更高的檢測準確度及更快的檢測速度。基于檢測的遠景目標識別是一種常用的目標識別方法，通過對每幀圖像進行目標檢測與識別，即可完成對視頻序列的跟蹤。但是，現有基于深度學習的YOLOv3有以下兩個問題：1)對前期訓練樣本有很高的要求，如果拍攝到的目標較遠或背景條件不是很清楚，就會對YOLOV3的訓練效果產生極大的影響，從而導致檢測失敗；2)網絡需要計算的參數量較大，對設備的要求大大提高，如果要做到實時檢測，就需要在傳統YOLOv3參數計算的基礎上選擇性的取消某些參數的計算。

因此，亟需一種改進YOLOv3的的遠景目標檢測方法。

發明內容

有鑒于此，本發明的目的在于提供一種基于三階級聯架構的YOLOv3的遠景目標檢測方法，克服遠景目標跟蹤算法受光照、形變等的不良影響，提高目標跟蹤算法的準確性、魯棒性以及適應性，并減少算法的計算量。

為達到上述目的，本發明提供如下技術方案：

一種基于三階級聯架構的YOLOv3的遠景目標檢測方法，具體包括以下步驟：

S1：構建目標檢測模型：將準備好的遠景農作物圖片作為樣本圖片，再使用視覺相干混合技術和幾何手段進行數據增強，形成遠景數據集后再使用圖像標注軟件進行標注，最后通過三階級聯架構的YOLOv3算法進行訓練，生成目標檢測模型；

S2：采集檢測目標的視頻圖像，輸入目標檢測模型中進行目標檢測，得到含有置信得分的目標圖；

S3：通過非極大值抑制(NMS)算法比較置信度得分，得到目標的位置信息和置信度信息；

S4：根據得到的位置信息，對目標個數進行計算總數，并輸出在視頻的右上角，得到最終的目標位置信息和數量信息。

進一步，步驟S1中，構建目標檢測模型的具體步驟包括：

S101：準備遠景農作物樣本圖像作為數據集；

S102：采用視覺相干混合技術處理數據集，找到和數據集總數量相同且大小一樣的其它農作物的圖片，按0.1：0.9的比例將兩個數據集在像素層面上進行混合，得到混合后的遠景數據集；

S103：對混合后的遠景數據集采用幾何手段進行數據增強，對一半的圖片采用隨機水平翻轉，對另一半的圖片采用隨機顏色抖動，包括調整亮度、色調、飽和度以及對比度，將所有圖片放在一起，形成最終用來訓練的遠景數據集；