[发明专利]基于BEGAN和YOLOV3模型的松果检测方法

权利要求书

1.一种基于BEGAN和YOLOV3模型的松果检测方法，其特征在于，包括：

采集多张不同时间节点下的松果图像，并利用传统图像增强技术和BEGAN深度学习法进行数据增强；

利用YOLOV3模型对数据增强后的所述松果图像进行划分，并在所述YOLOV3模型中引入密集连接网络结构；

对所述YOLOV3模型的检测比例进行扩展，并利用DIoU算法优化所述YOLOV3模型的损失函数。

2.如权利要求1所述的基于BEGAN和YOLOV3模型的松果检测方法，其特征在于，利用YOLOV3模型对数据增强后的所述松果图像进行划分，并在所述YOLOV3模型中引入密集连接网络结构，包括：

利用YOLOV3模型将输入的所述松果图像划分为多个单元格，并以具有松果的所述单元格为单位，获取多个边界框信息和所述边界框信息对应的5个数据值。

3.如权利要求2所述的基于BEGAN和YOLOV3模型的松果检测方法，其特征在于，利用YOLOV3模型对数据增强后的所述松果图像进行划分，并在所述YOLOV3模型中引入密集连接网络结构，还包括：

将所述YOLOV3模型使用的骨干网络中的23个残差模块划分为5组，同时利用构建的瓶颈结构密集层对密集连接网络结构进行修改，并替换5组所述残差模块中的任意三组所述残差模块。

4.如权利要求3所述的基于BEGAN和YOLOV3模型的松果检测方法，其特征在于，对所述YOLOV3模型的检测比例进行扩展，并利用DIoU算法优化所述YOLOV3模型的损失函数，包括：

分别对32倍降采样、16倍降采样和8倍降采样进行上采样后，与引入所述密集连接网络结构后的所述YOLOV3模型中的第二组所述残差模块的输出进行连接，得到4倍下采样的特征融合目标检测层。

5.如权利要求4所述的基于BEGAN和YOLOV3模型的松果检测方法，其特征在于，对所述YOLOV3模型的检测比例进行扩展，并利用DIoU算法优化所述YOLOV3模型的损失函数，还包括：

将坐标误差、置信度误差和分类误差构建成所述YOLOV3模型的损失函数，并根据对应预测框和目标框之间的中心点的欧式距离和对角线距离对所述损失函数进行优化。