[发明专利]一种改进YOLOv3复杂棉田背景下棉花检测方法

说明书

本发明提供一种基于改进YOLOv3复杂棉田背景下棉花检测方法，对预处理后的复杂棉田背景图像进行特征提取，得到2倍、4倍、8倍、16倍和32倍下采样特征图；构建改进型YOLOv3模型，在模型中构建空间金字塔卷积模块，将2倍下采样后得到的特征图，作为空间金字塔卷积模块的输入，得到特征增强后的特征图，分别进行下采样得到对应的4倍、8倍、16倍下采样增强特征图P1、P2、P3；将R2、R1_U、P3融合作为16倍下采样尺度的特征信息，将R3、R2_U、P2融合作为8倍下采样尺度的特征信息，将R4、R3_U、P1融合作为4倍下采样尺度的特征信息，利用增强的多尺度特征信息进行预测得到棉花目标的位置信息，作为改进型YOLOv3模型的输出；训练后，对实例进行检测与识别。

技术领域

本发明涉及计算机视觉技术与农业自动观测结合领域，具体涉及一种改进YOLOv3复杂棉田背景下棉花检测方法。

背景技术

随着计算机视觉技术的发展，图像目标检测技术被广泛应用于各个领域，与此同时，将计算机视觉技术应用到农业领域能够使农业向着高质量，高产量的方向发展。棉花的自动识别能够很好的完成棉花的数量统计、棉花的定位检测、棉花的产量估测等任务，为棉花的形态与长势分析，棉花的自动采摘，病虫害检测等任务提供有力的视觉依据，进而有助于棉花产地的规划管理。而棉花田间情况复杂，依靠人力很难做到有效的统计，即使通过专业的拍摄仪器得到棉花的图像，也需要耗费管理者很大的精力去分析图像，由于棉花分布密集，在一定程度上增大了人工维护棉田的难度。

传统的目标检测算法在特征提取模块通常使用人为设计的算子，如Taigman Y等人在文章Closing the Gap to Human-Level Performance in Face Verification中提出的HOG算子，Lowe等人在文章Distinctive Image Featuresfrom Scale-InvariantKeypoints提出SIFT算子，提供了一组对象的特征，并检测图像中的关键点，Bay 等人在论文SURF: Speeded Up Robust Features提出的 SURF是对 SIFT的加速版，而这些工作是相对困难且比较耗时的，并且需要相关领域的专业知识，除此之外，这些人为设计的特征由于信息量太少，无法将图像中的特征提取的很到位，特别是棉田这类有着特别复杂背景的图像。

随着人工智能的发展，尤其是海量的数据以及计算机运算性能的提升，基于卷积神经网络的特征提取模型框架被广泛应用于目标检测领域。根据算法的设计方式可以将目标检测算法分为两类，一种是基于区域候选的两阶段的检测算法(anchor-based method)，首先通过候选区域生成器产生众多可能包含目标的候选框，然后使用卷积神经网络对产生的候选框进行分类筛选，得到最终的检测结果，这类算法主要以Girshick R等人在文章Rich Feature Hierarchies for Accurate Object Detection and SemanticSegmentation中提出的R-CNN， Ross等人在论文Fast R-CNN中提出的Fast-RCNN，He K等人在文章Towards Real-Time Object Detection with Region Proposal中提出的Faster-RCNN，He K等人在论文Mask R-CNN中提出的Mask-RCNN等算法为代表；另一种为单阶段检测算法(anchor-free method)，这类算法未使用候选区域生成器，而是直接使用卷积神经网络对图像进行特征提取并且预测目标的位置以及类别，这类算法主要以Liu W等人在论文SSD: Single Shot MultiBox Detector中提出的SSD，Girshick Ross等人在论文You onlylook once: unified， real-time object detection提出的YOLO，FARHADI A等人在论文YOLO9000: better，faster，stronger中提出的YOLOv2，REDMON J等人在YOLOv3: anincremental improvement中提出的YOLOv3等为代表。然而很少有用于棉花检测的算法。