[发明专利]一种基于剪裁YOLOv3-SPP3的柑橘木虱检测与识别方法

说明书

本发明公开了一种基于剪裁YOLOv3‑SPP3的柑橘木虱检测与识别方法，包括如下步骤：采集农作物中柑橘木虱的图片数据；使用LabelImg软件制作柑橘木虱训练数据集；使用k‑means算法对柑橘木虱训练数据集的标注框进行聚类；在YOLOv3的骨干网络中加入三个空间金字塔池化模块，构成YOLOv3‑SPP3网络模型；用聚类得到的先验框替换YOLOv3‑SPP3网络模型原始的先验框；采用柑橘木虱训练数据集对YOLOv3‑SPP3网络模型进行稀疏训练、通道裁剪和层裁剪，然后对得到的YOLOv3‑SPP3网络模型进行微调；把待检测的柑橘木虱图像输入经过处理的YOLOv3‑SPP3网络模型中，得到柑橘木虱检测结果。利用本发明可以提高检测准确率、减少模型参数、减小计算量、提高检测速度，有利于模型嵌入在可移动设备上。

技术领域

本发明涉及图像识别技术领域，具体涉及一种基于剪裁YOLOv3-SPP3的柑橘木虱检测与识别方法。

背景技术

生态流行病系统时刻经历着来自系统内部、外部的各种干扰。媒介流行病是由细菌、病毒、病原微生物等引起，通过某生物载体传播的传染性疾病。柑橘木虱病就是一种由专生于柑橘韧皮部组织的细菌引起、以柑橘木虱为传播媒介的传染病，也是世界柑橘生产上最具毁灭性病害，被人们称为柑橘上的“癌症”。所有柑橘植株感病后一般1～3年内逐渐枯死，期间挂果能力和果实品质大幅下降并且带菌柑桔木虱不断造成田间传播，几年内可造成树死园毁。截至目前尚无抗病品种和防治特效药，主要以防治柑橘木虱和防止病原菌入侵作为该病害的防控手段。因此，实现对柑橘木虱病的检测有着重要的作用。

传统的柑橘木虱检测方法是采用方向梯度直方图(HOG)特征或者尺度不变特征变换(SIFT)方法对柑橘木虱特征进行提取，然后使用支持向量机(SVM)或者迭代器(Adaboost)等分类器将提取出来的特征进行检测。这些传统的检测方法需要研究人员的大量的先验知识，并且在复杂的天气状况下检测效果差，检测速度慢。

近几年，人工智能兴起，卷积神经网络提取图片特征方法代替了传统的特征提取方法，基于深度学习的目标检测算法主要有Faster RCNN、SSD网络和YOLO系列。YOLOv3算法检测速度最快，准确率高，但是如果在计算力有限的移动端硬件平台使用，其网络模型参数量大。

发明内容

针对现有技术的不足，本发明旨在提供一种基于剪裁YOLOv3-SPP3的柑橘木虱检测与识别方法。

为了实现上述目的，本发明采用如下技术方案：

一种基于剪裁YOLOv3-SPP3的柑橘木虱检测与识别方法，包括如下步骤：

S1、采集农作物中柑橘木虱的图片数据；

S2、利用步骤S1获得的柑橘木虱的图片数据，使用Label Img软件制作柑橘木虱训练数据集；

S3、使用k-means算法对步骤S2得到的柑橘木虱训练数据集的标注框进行聚类；

S4、在YOLOv3的骨干网络中加入三个空间金字塔池化模块，构成YOLOv3-SPP3网络模型；用步骤S3得到聚类得到的先验框替换YOLOv3-SPP3网络模型原始的先验框；

S5、采用步骤S2得到的柑橘木虱训练数据集对YOLOv3-SPP3网络模型进行稀疏训练、通道裁剪和层裁剪，然后对得到的YOLOv3-SPP3网络模型进行微调；模型稀疏训练、剪裁和微调的过程为：

S5.1、对YOLOv3-SPP3网络模型进行稀疏训练：

YOLOv3-SPP3网络模型中每个卷积层都有包含批量归一化层，因此采用批量归一化层中的缩放因子γ作为通道重要性指标，通过对缩放因子γ强加L1正则化来进行通道稀疏训练；

S5.2、对YOLOv3-SPP3网络模型进行通道裁剪和层裁剪：