《基于低空無人機影像和 YOLOv3 實現棉田雜草檢測》

單位：石河子大學信息科學與技術學院
作者：薛金利

數據獲取

設備：大疆 DJI 四旋翼無人機悟 Inspire l PRO
相機：大疆禪思 X5 可見光相機
拍照：懸停拍攝，三組對照（5、10、20m）
照片：最大分辨率 4608 pixel×3456 pixel，24 位真彩色 JEPG 格式
作者考慮：深度學習算法需要人工標注樣本數據，如果分辨率太低，會對人工樣本標注產生困難

模型構建

（1） 改變YOLOv3模型目標框尺寸

目標框 （anchor boxes） 是一組寬高比固定的初始候選框，其設定的好壞將影響目標檢測的精度和速度。YOLOv3通過對 VOC2007 數據集和 COCO 數據集聚類來獲得初始的候選框寬高，與實際研究對象大小具有明顯差異。

使用 k-means++ 算法來完成初始種子點選擇，采用 IoU 取代歐氏距離以消除候選框差異帶來的干擾。

（2）增加YOLOv3模型預測尺度

為解決小目標識別效果差、定位不精準的問題，YOLOv3 采用了跨尺度檢測方法。

即首先經過所有卷積得到第一個 13×13 的特征圖譜，在這個特征圖譜上做第一次預測，此時下采樣倍數為 32，特征圖感受野比較大，適合檢測圖像中尺寸比較大的目標；然后將本層 13×13 的特征圖譜經過×2 上采樣擴充到 26×26，并與上層中 26×26 的特征圖譜拼接，得到新的 26×26 的特征圖譜，在該特征尺度上進行第二次預測，此時得到的特征圖譜是相對輸入圖像 16 倍下采樣，具有中尺度感受野，適合檢測中等尺度對象；最后，將本層 26×26 的特征圖譜經過×2 上采樣擴充到 52×52，檢測小尺度對象。

本研究棉花幼苗和雜草目標更小（分辨率低），所以增加104×104尺度。

數據集構建

三種分辨率統一到10000個。

訓練集:測試集=9:1。

采用多尺度訓練策略，由于模型下采樣因子為 32，因此訓練過程中圖像隨機變換的尺寸大小為 32 的倍數，變化范圍為 320 pixel×320 pixel 到 608 pixel×608 pixel。訓練時采用隨機旋轉、縮放、翻轉、平移等方式來擴充數據集。

模型評價

疑問

（1） 模型評價中的精度指標是逐像素對比嗎？這樣的話打標簽的時候對雜草是要勾勒邊緣嗎？
（2） YOLOv3卷積得到第一個 13×13 的特征圖譜，下采樣倍數為 32，其中32是什么意思？

猜你喜歡：👇🏻
?【筆記】基于輕量和積網絡及無人機遙感圖像的大豆田雜草識別

總結

以上是生活随笔為你收集整理的【笔记】基于低空无人机影像和 YOLOv3 实现棉田杂草检测的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。