一种基于改进YOLOv3的果树图像小目标检测方法及装置制造方法及图纸

本发明专利技术公开了一种基于改进YOLOv3的果树图像小目标检测方法及装置。所述基于改进YOLOv3的果树图像小目标检测方法，包括：对标注有待检测小目标的原始图像进行预处理，得到训练图像，并将所述训练图像收集在训练图像集；分别将YOLOv3的原始传输层和部分下采样层替换为DenseNet，并新增一个特征提取层，构建改进YOLOv3的小目标检测模型；利用所述训练图像集训练所述小目标检测模型，使所述小目标检测模型输出所述待检测小目标的类别及位置；将检测图像输入训练后的小目标检测模型，得到所述检测图像中的小目标的类别及位置。本发明专利技术能够充分考虑到果树图像中的小目标的特性以及小目标受到遮挡的情况，提高小目标检测精度。

【技术实现步骤摘要】
一种基于改进YOLOv3的果树图像小目标检测方法及装置
本专利技术涉及计算机视觉
，尤其涉及一种基于改进YOLOv3的果树图像小目标检测方法及装置。
技术介绍
近年来，随着目标检测被广泛应用于农业领域，逐渐采用基于深度学习的目标检测方法替代传统的抽样或目测方法对果树图像中的水果进行检测来估算果树产量。基于深度学习的目标检测方法一般分为基于候选框的方法和基于回归的方法，常见的基于候选框的方法有FastR-CNN、FasterR-CNN和R-FCN，常见的基于回归的方法有YOLO和SSD。相比基于候选框的方法，基于回归的方法无需提取候选框，检测效率较高，但其对输入图像的尺寸存在较大限制，对于水果这类在果树图像中占用像素少、纹理及边缘特征不明显且可能受到遮挡的小目标，检测精度较低。因此，目前提出基于深度学习的目标检测方法尚不能完美适用于果树图像中的小目标特别是受遮挡小目标的检测，难以提高小目标检测精度。
技术实现思路
为了克服现有技术的缺陷，本专利技术提供一种基于改进YOLOv3的果树图像小目标检测方法及装置，能够充分考虑到果树图像中的小目标的特性以及小目标受到遮挡的情况，提高小目标检测精度。为了解决上述技术问题，第一方面，本专利技术一实施例提供一种基于改进YOLOv3的果树图像小目标检测方法，包括：对标注有待检测小目标的原始图像进行预处理，得到训练图像，并将所述训练图像收集在训练图像集；分别将YOLOv3的原始传输层和部分下采样层替换为DenseNet，并新增一个特征提取层，构建改进YOLOv3的小目标检测模型；利用所述训练图像集训练所述小目标检测模型，使所述小目标检测模型输出所述待检测小目标的类别及位置；将检测图像输入训练后的小目标检测模型，得到所述检测图像中的小目标的类别及位置。进一步地，在所述将检测图像输入训练后的小目标检测模型，得到所述检测图像中的小目标的类别及位置之前，还包括：对所述检测图像进行预处理。进一步地，所述预处理包括图像裁剪、图像翻转、图像缩放中的任一种或多种图像处理。进一步地，所述分别将YOLOv3的原始传输层和部分下采样层替换为DenseNet，并新增一个特征提取层，构建改进YOLOv3的小目标检测模型，具体为：将YOLOv3的原始传输层替换为DenseNet，使所述原始传输层将输入图像的尺寸调整至512×512，将YOLOv3的32×32下采样层和16×16下采样层替换为DenseNet，并在YOLOv3的第一个残差块后新增一个特征提取层，使所述特征提取层提取尺寸为128×128的特征图，构建所述小目标检测模型。进一步地，所述将检测图像输入训练后的小目标检测模型，得到所述检测图像中的小目标的类别及位置，具体为：将所述检测图像输入所述训练后的小目标检测模型，使所述训练后的小目标检测模型对所述检测图像中的预测目标进行非极大值抑制操作，得到所述检测图像中的小目标的类别及位置。第二方面，本专利技术一实施例提供一种基于改进YOLOv3的果树图像小目标检测装置，包括：图像处理模块，用于对标注有待检测小目标的原始图像进行预处理，得到训练图像，并将所述训练图像收集在训练图像集；模型构建模块，用于分别将YOLOv3的原始传输层和部分下采样层替换为DenseNet，并新增一个特征提取层，构建改进YOLOv3的小目标检测模型；模型训练模块，用于利用所述训练图像集训练所述小目标检测模型，使所述小目标检测模型输出所述待检测小目标的类别及位置；目标检测模块，用于将检测图像输入训练后的小目标检测模型，得到所述检测图像中的小目标的类别及位置。进一步地，所述目标检测模块，还用于在所述将检测图像输入训练后的小目标检测模型，得到所述检测图像中的小目标的类别及位置之前，对所述检测图像进行预处理。进一步地，所述预处理包括图像裁剪、图像翻转、图像缩放中的任一种或多种图像处理。进一步地，所述分别将YOLOv3的原始传输层和部分下采样层替换为DenseNet，并新增一个特征提取层，构建改进YOLOv3的小目标检测模型，具体为：将YOLOv3的原始传输层替换为DenseNet，使所述原始传输层将输入图像的尺寸调整至512×512，将YOLOv3的32×32下采样层和16×16下采样层替换为DenseNet，并在YOLOv3的第一个残差块后新增一个特征提取层，使所述特征提取层提取尺寸为128×128的特征图，构建所述小目标检测模型。进一步地，所述将检测图像输入训练后的小目标检测模型，得到所述检测图像中的小目标的类别及位置，具体为：将所述检测图像输入所述训练后的小目标检测模型，使所述训练后的小目标检测模型对所述检测图像中的预测目标进行非极大值抑制操作，得到所述检测图像中的小目标的类别及位置。本专利技术的实施例，具有如下有益效果：通过对标注有待检测小目标的原始图像进行预处理，得到训练图像，并将训练图像收集在训练图像集，分别将YOLOv3的原始传输层和部分下采样层替换为DenseNet，并新增一个特征提取层，构建改进YOLOv3的小目标检测模型，利用训练图像集训练小目标检测模型，使小目标检测模型输出待检测小目标的类别及位置，将检测图像输入训练后的小目标检测模型，得到检测图像中的小目标的类别及位置，完成对检测图像的小目标检测。相比于现有技术，本专利技术的实施例基于改进的YOLOv3网络构建小目标检测模型，增强了图像的特征传播并促进特征融合，且利用新增的一个特征提取层提取多一个尺度的特征图，提升了对小目标的检测能力，能够充分考虑到果树图像中的小目标的特性以及小目标受到遮挡的情况，提高小目标检测精度。附图说明图1为本专利技术第一实施例中的一种基于改进YOLOv3的果树图像小目标检测方法的流程示意图；图2为现有技术中YOLOv3网络的结构示意图；图3为本专利技术第一实施例中一种改进的YOLOv3网络的结构示意图；图4为本专利技术第一实施例中训练小目标检测网络的数据流图；图5为本专利技术第二实施例中的一种基于改进YOLOv3的果树图像小目标检测装置的结构示意图。具体实施方式下面将结合本专利技术中的附图，对本专利技术中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。需要说明的是，文中的步骤编号，仅为了方便具体实施例的解释，不作为限定步骤执行先后顺序的作用。第一实施例：如图1所示，第一实施例提供一种基于改进YOLOv3的果树图像小目标检测方法，包括步骤S1～S4：S1、对标注有待检测小目标的原始图像进行预处理，得到训练图像，并将训练图像收集在训练图像集；S2、分别将YOLOv3的原始传输层和部分下采样层替换为DenseNet，并新增一个本文档来自技高网...

【技术保护点】
1.一种基于改进YOLOv3的果树图像小目标检测方法，其特征在于，包括：/n对标注有待检测小目标的原始图像进行预处理，得到训练图像，并将所述训练图像收集在训练图像集；/n分别将YOLOv3的原始传输层和部分下采样层替换为DenseNet，并新增一个特征提取层，构建改进YOLOv3的小目标检测模型；/n利用所述训练图像集训练所述小目标检测模型，使所述小目标检测模型输出所述待检测小目标的类别及位置；/n将检测图像输入训练后的小目标检测模型，得到所述检测图像中的小目标的类别及位置。/n

【技术特征摘要】
1.一种基于改进YOLOv3的果树图像小目标检测方法，其特征在于，包括：
对标注有待检测小目标的原始图像进行预处理，得到训练图像，并将所述训练图像收集在训练图像集；
分别将YOLOv3的原始传输层和部分下采样层替换为DenseNet，并新增一个特征提取层，构建改进YOLOv3的小目标检测模型；
利用所述训练图像集训练所述小目标检测模型，使所述小目标检测模型输出所述待检测小目标的类别及位置；
将检测图像输入训练后的小目标检测模型，得到所述检测图像中的小目标的类别及位置。


2.如权利要求1所述的基于改进YOLOv3的果树图像小目标检测方法，其特征在于，在所述将检测图像输入训练后的小目标检测模型，得到所述检测图像中的小目标的类别及位置之前，还包括：
对所述检测图像进行预处理。


3.如权利要求1或2所述的基于改进YOLOv3的果树图像小目标检测方法，其特征在于，所述预处理包括图像裁剪、图像翻转、图像缩放中的任一种或多种图像处理。


4.如权利要求1所述的基于改进YOLOv3的果树图像小目标检测方法，其特征在于，所述分别将YOLOv3的原始传输层和部分下采样层替换为DenseNet，并新增一个特征提取层，构建改进YOLOv3的小目标检测模型，具体为：
将YOLOv3的原始传输层替换为DenseNet，使所述原始传输层将输入图像的尺寸调整至512×512，将YOLOv3的32×32下采样层和16×16下采样层替换为DenseNet，并在YOLOv3的第一个残差块后新增一个特征提取层，使所述特征提取层提取尺寸为128×128的特征图，构建所述小目标检测模型。


5.如权利要求1所述的基于改进YOLOv3的果树图像小目标检测方法，其特征在于，所述将检测图像输入训练后的小目标检测模型，得到所述检测图像中的小目标的类别及位置，具体为：
将所述检测图像输入所述训练后的小目标检测模型，使所述训练后的小目标检测模型对所述检测图像中的预测目标进行非极大值抑制操作，得到所述检测图像中的小目标的类别及位置。


6.一种基于改进YOLOv3...

【专利技术属性】
技术研发人员：毛亮，郭子豪，陈鹏飞，杨晓帆，
申请(专利权)人：深圳职业技术学院，
类型：发明
国别省市：广东;44