[发明专利]一种基于Tiny YOLOV3算法的树木检测方法

权利要求书

1.一种基于优化Tiny YOLOV3算法的树木检测方法，其特征在于，包括以下步骤：

(1)采集包含树干与球状树木目标的图像数据，将采集到的图像数据随机划分为训练集和测试集，并进行标注；

(2)优化传统的Tiny YOLOV3算法，用步长为1的1x1、3x3和步长为2的3x3的卷积层替代神经网络浅层的部分池化层，取消通道数为1024的卷积层，采用神经网络部分浅卷积层的图像进行拼接；优化具体包括以下步骤：

(21)对图像进行归一化处理；

(22)在第6层的基础上通过一个1x1的卷积层，进行多通道融合；其次通过一个3x3的卷积层进行特征提取；再通过一个1x1的卷积层将通道数扩张；

(23)将第7层的最大池化层修改为3x3的卷积层，卷积核步长设定为2；在第7层前新增1x1的卷积层将通道压缩，再通过3x3的卷积层进行特征提取，最后通过1x1的卷积层进行通道融合扩张，第7层变为第10层；

(24)将修改后模型的第10层增加2个1x1的卷积层为第11层、第12层，则原来的第8层变为第13层；将修改后模型的第10层、第13层经过一个3x3，步长为2的卷积层进行特征提取和降维后，与第16层进行拼接；再通过一个3x3的卷积层进行特征提取，同时将通道数降低；

(3)利用训练集对优化后的Tiny YOLOV3算法的神经网络进行训练，获取最优的检测模型；

(4)利用步骤(3)获取的模型对测试集中的图片数据进行检测，并对测试集的检测结果进行检测精度和实时性评价。

2.根据权利要求1所述的基于优化Tiny YOLOV3算法的树木检测方法，其特征在于，所述步骤(3)中具体包括以下步骤：

(31)设置初始参数，包括图片输入尺寸、动量参数、权重衰减正则项参数、图片角度变化参数、饱和度与曝光变化参数、色调变化参数、初始学习率、训练总轮数；

(32)当训练轮数超过1000时，学习率采用policy更新方式，当迭代轮数为40000和45000时，学习率分别在前一次的基础上衰减10倍；

(33)使用kmeans++算法在树木训练集上聚类出锚定框尺寸；

(34)损失函数采用CIOU指标，设置参与损失计算的IOU阈值，开启多尺度训练；

(35)设置优化后Tiny YOLOV3算法的两个YOLO层前一卷积层的滤波器个数，修改优化Tiny YOLOV3算法的类别数目。

3.根据权利要求1所述的基于优化Tiny YOLOV3算法的树木检测方法，其特征在于，所述步骤(3)中基于CIOU指标的损失函数公式如下：

上式中，L_CIOU表示以CIOU为指标的损失函数，IOU表示预测框和真实框所交的面积与所并的面积的比值，b，b^gt分别表示预测框和真实框的中心点，ρ表示b，b^gt之间的欧式距离，α是用于做trade-off的参数，ν是衡量预测框真实框长宽比一致性的参数，w^gt，h^gt为真实框的宽和高，w，h为预测框的宽和高。

4.根据权利要求1所述的基于优化Tiny YOLOV3算法的树木检测方法，其特征在于，步骤(4)中使用检测模型对测试集中的图片进行检测过程中，图片数据经过卷积特征提取层时还需进行非极大值抑制。

5.根据权利要求1所述的基于优化Tiny YOLOV3算法的树木检测方法，其特征在于，步骤(4)中以各类别的AP值和总体类别的mAP值作为检测精度的评价指标。

6.根据权利要求1所述的基于优化Tiny YOLOV3算法的树木检测方法，其特征在于，步骤(4)中以FPS值作为实时性的评价指标，所述FPS值为单位时间内检测的测试集图片数量。