[发明专利]一种基于Tiny YOLOV3算法的树木检测方法

说明书

本发明公开了一种基于优化Tiny YOLOV3算法的树木检测方法，包括以下步骤：(1)采集图像数据，将采集到的图像数据随机划分为训练集和测试集；(2)优化传统的Tiny YOLOV3算法，用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；(3)利用训练集进行训练，获取最优的检测模型；(4)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。本发明通过对草坪环境采集到的树干和球状树木的图像数据经过优化Tiny YOLOV3算法处理，即可获得图像中的树木类别信息，相比较于现有的无法获取树木类别或者传统的图像处理算法，本发明所述的树木识别算法更加高效便捷。

技术领域

本发明涉及一种检测方法，尤其涉及一种基于Tiny YOLOV3算法的树木检测方法。

背景技术

树木是农业环境的重要组成部分，树木检测是农业机械无人作业时环境感知的基础，快速而准确的树木检测是农业机器人实现自主避障、定位导航与农业智能化的前提条件，针对树木的目标检测研究具有十分重要的意义。

现有的树木检测方法主要有基于传统图像识别、传统图像识别与分类器结合的方法。传统图像识别技术主要包括基于像素特征和基于颜色空间模型实现树木检测，例如，通过激光雷达数据粗估计树干位置，再根据像素分类检测苹果树干，该方法具有计算量大，识别精度速度低和只能检测单棵树木的不足。Chen等人在论文“Multi-feature fusion treetrunk detection and orchard mobile robot localization using camera/ultrasonicsensors”中将颜色直方图与训练分类器相结合，通过直方图训练多个分类器实现橙子树的树干检测。该方法可以识别单一种类树干的多目标检测，但是无法识别外观、形状差异较大的多类别多目标检测。深度学习方法如Tiny YOLOV3，通过训练神经网络构建目标检测模型，具有快速、高效和易于移植等优点。但是由于Tiny YOLOV3神经网络特征提取部分池化层较多，且未充分利用网络浅层的卷积层，导致检测精度偏低。

发明内容

发明目的：本发明旨在提供一种检测精度高的基于Tiny YOLOV3算法的树木检测方法。

技术方案：本发明的种基于优化Tiny YOLOV3算法的树木检测方法，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；

(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。

有益效果：与现有技术相比，本发明具有如下显著优点：

(1)传统的Tiny YOLOV3对树干、球状树木的AP值分别为89.04％，73.55％，本发明的AP值分别提高了1.84％，5.3％；总体mAP为81.29％，提高了3.57％，检测速度为187张/秒，计算量为5.244BFLOPS，降低了3.76％。本发明提出的优化Tiny YOLOV3算法对树木检测具有较高的检测精度和良好的实时性。

(2)本发明通过对草坪环境采集到的树干和球状树木的图像数据经过优化TinyYOLOV3算法处理，即可获得图像中的树木类别信息，相比较于现有的无法获取树木类别或者传统的图像处理算法，本发明所述的树木识别算法更加高效便捷。

附图说明

图1为本发明的流程图。