基于深度学习YOLO模型的植物图像识别算法研究.pdf
《基于深度学习YOLO模型的植物图像识别算法研究.pdf》由会员分享,可在线阅读,更多相关《基于深度学习YOLO模型的植物图像识别算法研究.pdf(5页珍藏版)》请在咨信网上搜索。
1、d o i:1 0.3 9 6 9/j.i s s n.1 0 0 1-3 5 8 X.2 0 2 2.0 1.0 1 7基于深度学习YO L O模型的植物图像识别算法研究剧成宇1,师 艳2,孙步阳1(1.中国电建集团河南省电力勘测设计院有限公司,河南 郑州 4 5 0 0 0 7;2.河南地矿职业学院,河南 郑州 4 5 0 0 0 7)摘要:为提高YO L O模型进行植物图像快速识别的准确率,对基于深度学习YO L O模型算法进行研究。在传统网络模型的基础上,引入了可变形卷积,将损失函数加入分类函数层中,有效的提高了模型的泛化性能,结合c u D NN库进行并行计算,提高了算法的效率。采用
2、改进的YO L O v 3网络模型结合公开数据集进行测试,实现了1 0 2种植物的有效识别,平均检测时间为1.2 7 5s,在T o p-2、T o p-3准确率上均达到9 6%,与传统YO L O算法相比,识别的准确率和效率均有提高。结果表明,所建立的基于深度学习YO L O模型,在复杂多种类植物识别方面有推广应用价值。关键词:识别算法;植物图像;YO L O模型;卷积神经网络中图分类号:P 2 3 7;T P 1 8;T P 3 9 1 文献标识码:A 文章编号:1 0 0 1-3 5 8 X(2 0 2 2)0 1-0 0 7 8-0 5R e s e a r c ho nr e c o
3、 g n i t i o na l g o r i t h mo fp l a n t i m a g eb a s e do nd e e p l e a r n i n gYO L O m o d e lJ uC h e n g y u1,S h iY a n2,S u nB u y a n g1(1.P OWE R CH I NA H e n a nE l e c t r i cP o w e rS u r v e y&D e s i g nI n s t i t u t eC o.,L t d.,Z h e n g z h o u4 5 0 0 0 7,C h i n a;2.H e
4、n a nG e o l o g yM i n e r a lC o l l e g e,Z h e n g z h o u4 5 0 0 0 7,C h i n a)A b s t r a c t:I no r d e r t o i m p r o v et h ea c c u r a c yo fYO L O m o d e l i nf a s tp l a n t i m a g er e c o g n i t i o n,t h ea l g o r i t h mw a ss t u d i e db a s e do nt h ed e e p l e a r n i n
5、gYO L O m o d e l.B a s e do nt h e t r a d i t i o n a l n e t w o r km o d e l,t h ed e f o r m-a b l ec o n v o l u t i o nw a s i n t r o d u c e d,a n dt h e l o s s f u n c t i o nw a sa d d e dt o t h ec l a s s i f i c a t i o nf u n c t i o n l a y e r,w h i c hi m p r o v e de f f e c t i
6、v e l yt h eg e n e r a l i z a t i o np e r f o r m a n c eo f t h em o d e l.P a r a l l e l c o m p u t i n gw a s c a r r i e do u tb yt h ea l g o r i t h mc o m b i n i n g w i t hc u D NNl i b r a r y,w h i c hi m p r o v e dt h ee f f i c i e n c yo ft h ea l g o r i t h m.I m p r o v e dYO
7、L O v 3n e t w o r km o d e lw a su s e dt ot e s t c o m b i n i n gw i t ht h ep u b l i cd a t as e t,1 0 2k i n d so f t h ep l a n t sw e r ei d e n t i f i e de f f e c t i v e l y.A v e r a g ed e t e c t i o nt i m ew a s1.2 7 5s,a n dt h ea c c u r a c yo f t o p-2a n dt o p-3w a s9 6%.C o
8、m p a r e dw i t ht h e t r a d i t i o n a lYO L Oa l g o r i t h m,t h e r e c o g n i t i o na c c u r a c ya n d t h e e f f i c i e n c yw e r e i m p r o v e d.R e s u l t ss h o w e dt h a tt h ee s t a b l i s h e dYO L O m o d e lh a dp o p u l a r i z a t i o na n da p p l i c a t i o nv a
9、 l u eb a s e do nd e e pl e a r n i n g i nt h ec o m p l e xa n dm u l t i s p e c i e sp l a n t r e c o g n i t i o n.K e yw o r d s:r e c o g n i t i o na l g o r i t h m;p l a n t i m a g e;YO L O m o d e l;c o n v o l u t i o n a ln e u r a ln e t w o r k(C NN)引用格式:剧成宇,师艳,孙步阳.基于深度学习YO L O模型的植
10、物图像识别算法研究J.矿山测量,2 0 2 2,5 0(1):7 8-8 2.植物在地球上是一种非常广泛的生命形式,直接关系到人类的生活环境,目前,植物识别主要依靠相关行业从业人员及有经验专家实践经验,工作量大、效率低。近年来,随着社会科技及经济发展越来越快,计算机硬件进一步更新,性能也日渐提高,数字图像采集设备应用广泛,设备存储空间不断增大,这样大量植物信息可被数字化1。同时,基于视频的目标检测在模式识别、机器学习等领域得到快速发展,进而基于图像集分类方法研究得到发展2-3。提高硬件设备性能,可方便获取、存储图像,可轻松获取充足图像资源,但因一些客观因素存在,采集的图像会受到灯光、拍摄角度、
11、遮挡等因素影响,造成目标图像特征信息丢失,这会影响目标对象的分类识别。理论上,大量目标图像资源可提供目标对象87第5 0卷第1期2 0 2 2年2月 矿 山 测 量M I N ES UR V E Y I N G V o l.5 0N o.1F e b.2 0 2 2更多信息,基于图像集分类技术已在文本识别、人脸识别、视频图像跟踪、检测广泛应用,同时涉及到植物分类、植物种子分类等4-5。当前,以植物图像集为研究对象分类技术属于机器学习领域重要分支,经典植物图像分类识别技术主要以目标对象进行研究分类。蔡成涛等6认为基于 全 景 多 目 标 实 时 检 测 的YO L O(Y o u O n l y
12、L o o kO n c e)算法在目标识别时具有较高精度;张澎等7认为使用深度卷积生成对抗网络进行植物图像识别可以通过对生产样本的质量进行测试,从而达到提升识别准确率的效果;张雪芹等8基于卷积神经网络的A l e x N e t模型进行优化处理,提高了模型的泛化能力、细节特征等,从而提高了植物图像的识别能力。在当前植物识别中,大多基于光谱特征光谱识别法或基于颜色、形状、纹理机器视觉法,这种检测根据形状特征识别时,叶片交叠、遮挡等问题影响识别正确率,因此,本文提出深度学习YO L O模型,对植物图像快速自动识别算法进行了研究。1 基于Y O L O模型的目标识别YO L O是在深度卷积神经网络
13、的基础上,所进行的一种端到端的目标识别方法9。这种方法能够通过回归问题的方式求解目标识别,并结合图像的划分对网格大小进行确定,同时预测网格内对边框内的概率,在整幅图像上直接回归,确定目标边框位置及所属类别。与基于候选区域的R-C NN(R e-g i o n-C o n v o l u t i o n a lN e u r a lN e t w o r k)等方法相比,前者不用提取候选区,目标的识别速度大大提高。YO L O目标识别的流程如图1所示。图1 YO L O目标识别流程首先归一化输入图像,确定处理后的图像与模型要求尺寸保持一致,随后对其进行网格的划分,形成SS个网格,如果目标物体的中
14、心与网格内相重合,此时需要对该目标进行识别。想要实现目标识别过程,首先要对预测目标边框位置以及所属类别等进行预测,假设共有C类目标图像,此时目标边框的预测数量为B,且进一步确定C类目标所属类别概率P(C l a s sio b j e c t),(i=1,2,C)。每个预测目标边框包含五个参数(x,y,w,h,s c o r e),预测目标边框宽、高为(w,h),预测目标边框中心点坐标为(x,y),预测目标边框置信度评分为s c o r e,这是预测目标边框包含目标精确性、可能性的反映,采用式(1)进行计算:s c o r e=P(o b j e c t)I OU(1)式中,在 预 测 目 标
15、 边 框 内 存 在 目 标 的 可 能 性 为P(o b j e c t),P(o b j e c t)=1表示含有目标中心,否则P(o b j e c t)=0;I OU(I n t e r s e c t i o nO v e rU n i o n)是预测和真实目标边框的交集,可以反映出预测目标边框位置是否准确。通过计算目标类别概率和预测目标边框置信度评分之间的乘积,得到类别置信度评分C l a s si_s c o r e,通过式(2)进行计算:C l a s si_s c o r e=s c o r eP(C l a s sio b j e c t)=P(o b j e c t)I
16、OUP(C l a s sio b j e c t)=P(C l a s si)I OU,(i=1,2,C)(2)将规定的阈值和C l a s si_s c o r e进行比较,如果大于规定阈值,此时保留预测目标的边框,如果小于规定阈值,此时舍弃预测目标的边框,一般规定阈值的大小为0.5,其数值大小与预测边框准确度成正相关,本文设定该值为0.5,最后将最终目标预测值输出。2 Y O L O v 3模型YO L O v 3模型可将目标检测能力提高,引入可变形卷积,使卷积核形状适应目标轮廓,从而解决传统模型对目标特点难以适应的问题。2.1 网络结构YO L O v 3的基础网络结构组成包括5 3层
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 深度 学习 YOLO 模型 植物 图像 识别 算法 研究
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。