基于改进YOLOv3-Tiny的番茄苗分级检测.pdf

第38卷 第1期 农 业 工 程 学 报 Vol 38 No 1 2022年 1月 Transactions of the Chinese Society of Agricultural Engineering Jan 2022 221 基于改进YOLOv3 Tiny的番茄苗分级检测 张秀花1 2 静茂凯1 2 袁永伟1 2 尹义蕾3 李 恺3 王春辉3 1 河北农业大学机电工程学院 保定 071000 2 河北省智慧农业装备技术创新中心 保定 071000 3 农业农村部规划设计研究院设施农业研究所 北京 100125 摘 要 为了提高番茄苗分选移栽分级检测精度 该研究提出了YOLOv3 Tiny目标检测改进模型 首先建立了番茄穴盘 苗数据集 使用K means 算法重新生成数据集锚定框 提高网络收敛速度和特征提取能力 其次为目标检测模型添加 SPP空间金字塔池化 将穴孔局部和整体特征融合 提高了对弱苗的召回率 同时加入路径聚合网络 PANet 提升细 粒度检测能力 引入了SAM空间注意力机制 提高对番茄苗的关注 减少背景干扰 增加了ASFF Adaptively Spatial Feature Fusion 自适应特征融合网络 能够使目标检测模型对多个级别的特征进行空间滤波 采用CIoU损失函数策略 提高模 型收敛效果 改进的YOLOv3 Tiny目标检测模型经过数据集训练 在测试集上能够达到平均精度均值为97 64 相比 YOLOv3 Tiny模型提高了3 47个百分点 消融试验验证了网络结构改进和训练策略是有效的 并将改进的YOLOv3 Tiny 目标检测算法与5种目标检测算法进行对比 发现改进的YOLOv3 Tiny目标检测模型在重合度阈值为50 的条件下平均 精度均值为97 64 单张图像处理时间为5 03 ms 较其他目标检测算法具有明显的优势 验证了该模型能够满足番茄 苗分级检测精度要求 可以为幼苗分选检测方法提供参考 关键词 机器视觉 图像处理 穴盘育苗 幼苗分级 目标检测 YOLOv3 Tiny 自适应特征融合 doi 10 11975 j issn 1002 6819 2022 01 025 中图分类号 S24 TP389 1 文献标志码 A 文章编号 1002 6819 2022 01 0221 09 张秀花 静茂凯 袁永伟 等 基于改进YOLOv3 Tiny的番茄苗分级检测 J 农业工程学报 2022 38 1 221 229 doi 10 11975 j issn 1002 6819 2022 01 025 http www tcsae org Zhang Xiuhua Jing Maokai Yuan Yongwei et al Tomato seedling classification detection using improved YOLOv3 Tiny J Transactions of the Chinese Society of Agricultural Engineering Transactions of the CSAE 2022 38 1 221 229 in Chinese with English abstract doi 10 11975 j issn 1002 6819 2022 01 025 http www tcsae org 0 引 言 2020年中国蔬菜播种面积达2 086 27万hm2 产量 72 102万t 1 2 穴盘育苗是蔬菜规模化生产的重要环节 商品化穴盘苗出售前 一般要进行分选 剔除缺苗和弱 苗 用健康苗补换 形成整齐均匀的壮苗 3 5 然而目前 工厂化育苗的分选工作以手工为主 耗时费力 难以满 足大规模工厂化育苗生产 5 6 研究自动化穴盘苗分选技 术具有重要意义 而运用机器视觉进行穴盘苗等级划分 是实现自动化分选的重要手段 穴盘苗移栽视觉识别早期采用传统的图像处理方 式 Tai 7 等开发了辅助机械手移植的机器视觉系统 引 导机械手将健康苗移栽到空的穴盘孔 任烨 8 通过增强图 像色差后进行阈值分割的方法 实现了对穴盘幼苗生长 状态的采集 蒋焕煜等 9 采用分水岭算法分割方法处理幼 苗叶片边缘重叠的问题 童俊华等 10 通过改进型的分水 岭算法进行了幼苗的健康识别 冯青春等 11 12 通过统计 各个穴孔里面的幼苗占用的像素数量判断对应穴孔里面 是否为优质幼苗 采用线结构光视觉系统对穴盘苗的高 收稿日期 2021 10 30 修订日期 2021 12 31 基金项目 河北省重点研发计划 20327207D 河北省引进留学人员资助 项目 C20200336 作者简介 张秀花 博士 教授 研究方向为机械设计与理论 现代园艺生 产装备技术 Email zhang72xh 度进行了测量 得到的穴盘苗高度误差在5mm以内 胡 飞等 13 测量得到了单连通区域法的修正函数 降低了面 积统计的误差 荷兰VISSER国际贸易与工程公司利用 CCD相机识别不健康的幼苗和空的穴盘孔 邱硕等 14 建 立了瓜类幼苗的识别定量判断基准 通过叶片的颜色信 息和形状特征对瓜类幼苗进行健康识别 孙国祥等 15 对 15 25 d的番茄穴盘苗图像存在的番茄苗叶面重叠问题 进行叶面分割 进行了逐层筛选真实分割拐点 张志远 等 16 实现了双目视觉技术对高差突变的拐点进行分离 提高了子叶分离的正确率 于亚波等 17 通过对穴盘幼苗 图像进行预处理实现背景分离 对提取的图像进行形心 位置的提取 能够使幼苗的识别率在92 以上 彭曙等 18 对番茄苗幼苗的茎秆图像进行通道分离 王永维等 19 通 过对苗龄25 35 d的拟南芥穴盘苗通过行像素坐标变化 和列坐标变化的情况 确定每一个穴盘孔的边界以及中 心坐标位置 根据每个穴孔的分割后的像素值能够实现 对无苗和有苗的穴孔100 识别率 张宁等 20 通过正视图 和俯视图图像提取幼苗的叶面积 株高 株茎等信息生 成数据集 训练随机森林分级算法 对幼苗的质量进行 分级 最终算法的准确率为93 3 以上文献主要依靠阈 值分割的预处理方法对穴盘苗进行处理 通过统计像素 值信息判断穴盘苗的生长状态 随着计算机技术和深度学习算法的发展 卷积神经 网络开始逐渐在穴盘苗检测识别上应用 张勇等 21 将卷 农业工程学报 http www tcsae org 2022年 222 积神经网络LeNet 5应用到穴盘苗的识别过程中 通过把 穴盘苗图像拆分为单独的穴孔图像 扩充数据集完成数 据集构建 最终穴盘苗识别准确率达到98 7 何艳 22 等提出将采集到的烟草穴盘苗采用AdaBoost烟苗分割方 法 通过提取的Haar矩形特征和积分图以及级联分类器 对烟草穴盘格进行训练 最终能够实现对烟草穴盘格的 分割准确率达到 100 通过 MLP Multi Layer Perceptron 建立识别模型和CNN训练模型的对比 CNN Convolutional Neural Network 模型对穴盘苗格的识别率 更高 达97 58 对穴盘格的分割结果进行多个特征进 行识别与标记 最终能够实现烟草的壮苗准确率达 99 05 相比于传统的图像处理识别方式 卷积神经网 络不仅准确率高 而且在处理过程中不需要应用到阈值 分割的处理方式 稳定性较高 因此本文使用卷积神经 网络进行番茄穴盘苗分级的研究 YOLOv3 Tiny是YOLOv3的轻量化版本 虽然检测 速度高 但是检测精度较低 为了解决番茄苗分选移栽 过程中的番茄苗分级检测的智能化水平 兼顾检测速度 和准确率 提出了一种基于改进的YOLOv3 Tiny番茄穴 盘苗分级检测方法 引入多种特征融合机制增加目标检 测模型对番茄穴盘苗的注意力 减轻对背景的关注并提 高对番茄穴盘苗的细粒度检测 对番茄穴盘苗的自动化 检测和分选提供方法参考 1 图像采集与数据集制作 番茄穴盘苗为2020年8月中旬在永清县农业农村部规 划设计研究院国家设施农业研究中心培育 品种为Fortesa RZ F1杂交种番茄 苗龄10 d时使用分辨率为1 920 1 080 像素的Kinect v2相机进行图像采集 随机对其中的540株 番茄穴盘苗的叶展进行测量 测量结果如图1所示 图1 番茄穴盘苗叶展的测量结果 Fig 1 Measurement results of leaf spread of tomato plug seedlings 通过图1 可以看出 该类番茄穴盘苗的真叶叶展 子叶叶展和子叶与真叶叶展的商均符合正态分布 真叶 叶展主要分布区间为24 36 mm 子叶叶展主要分布区 间为30 60 mm 子叶与真叶叶展之商的主要分布区间 为1 26 2 34 参考相关的研究和规范 23 24 并根据市场通 用做法和番茄苗生长情况 将番茄穴盘苗分为三级 即 1 空穴 穴盘孔中的种子未发芽或幼苗太弱小没有 培养价值 2 弱苗 穴盘苗子叶和真叶的叶展之商大于1 8或 子叶的叶展小于30 mm或真叶的叶展小于24 mm 3 壮苗 穴盘苗子叶和真叶的叶展之商小于1 8 同时满足子叶的叶展大于30mm 真叶的叶展大于24mm 基于以上分选标准 并根据穴孔被相邻穴盘叶片遮 挡以及其他因素的干扰情况 对采集到的番茄穴盘苗的 分选示例如图2 所示 将采集到的番茄穴盘苗图片进行 分割 分割后共计2 160张单个的番茄穴盘苗图像 使用 在 Github 平台 上 的开 源工 具 LabelImg 理 生成XML格式的数据集文件 无干扰 Without disturbance 叶片边缘干扰 Leaf edge disturbance 叶片干扰 Leaf disturbance 土壤杂质干扰 Soil impurities interference a 无苗 a No seedings 无干扰 Without disturbance 叶片边缘干扰 Leaf edge disturbance 叶片交叉干扰 Leaves cross disturbance 子叶不对称 Cotyledon asymmetry b 弱苗 b Weak seedings 无干扰 Without disturbance 叶片边缘干扰 Leaf edge disturbance 叶片交叉干扰 Leaves cross disturbance 子叶不对称 Cotyledon asymmetry c 壮苗 c Strong seedings 图2 穴盘苗不同级别 Fig 2 Different levels of plug seedlings 为了增加图像信息 基于数据增强库albumentations 对原始数据进行数据增强 对数据同时使用旋转和翻转 的方式生成包含25 080张图像的数据集 如表1所示 表1 训练集和测试集样本数量 Table 1 The number of training and test set samples 数据集 Data set 壮苗 Strong seedings 弱苗 Weak seedlings 无苗 No seedlings 合计 Total 训练集 Training set 10 000 6 400 6 400 22 800 测试集 Test set 1 000 640 640 2 280 2 改进YOLOv3 Tiny目标检测模型的搭建 2 1 YOLOv3 Tiny卷积神经网络 YOLOv3是YOLO系列的第三代 该目标检测算法 的骨干网络在Darknet 19的基础上加入了残差模块 最 终升级为Darknet 53 网络结构中借鉴了FPN特征金字 第1期 张秀花等 基于改进YOLOv3 Tiny的番茄苗分级检测 223 塔结构 提高了算法对不同尺度信息提取特征的能力 最终分为3个检测层进行目标的检测 YOLOv3 Tiny网 络是YOLOv3的轻量化版本 具有精简 实时性高和高 检测精度的特点 该网络在骨干网络中采用7 层卷积层 和最大池化层的网络提取特征 并且移除了YOLOv3中 的残差网络 在检测层中将YOLOv3的3个检测层缩减 为了2个 因此YOLOv3 Tiny目标检测模型的骨干网络 较浅 不能有效提取深层次的语义信息 检测精度不能 满足番茄穴盘苗分选要求 本文改进YOLOv3 Tiny的特 征提取方式 引入注意力机制 引入更加充分的特征融 合机制和锚定框聚类等 对YOLOv3 Tiny进行改进和增 强 加强YOLOv3 Tiny目标检测模型的特征提取和特征 融合能力 2 2 YOLOv3 Tiny目标检测模型改进 2 2 1 SPP空间金字塔池化 YOLOv3 Tiny中虽然有FPN作为特征融合结构 但是 对叶面积较小的弱苗特征提取不够充分 检测精度依然较 低 存在漏检与错检的情况 为了提高弱苗的检测精度 在YOLOv3 Tiny的骨干网络后面引入SPP 25 空间金字塔池 化结构 对番茄穴盘苗特征进行局部特征和全局特征的融 合 构建的SPP模块的结构如图3所示 同时对输入SPP 模块的特征图进行池化核为13 13 9 9 5 5的最大池化 并将生成的特征图与输入的特征图进行融合 图3 SPP池化金字塔结构 Fig 3 SPP pooling pyramid structure 2 2 2 引入PANet网络结构 为了提高骨干网络特征提取和融合的能力 参考Liu 等 26 提出的路径聚合网络PANet 将骨干网络结构中产 生张量变化的特征图进行融合 将2 个预测尺度的特征 图分别与骨干网络引出的融合特征图在维度上进行叠 加 实现对不同尺度特征图的充分融合与利用 最终在 P1和P2输出特征图 实现低层次特征层中的细节信息对 目标定位 如图4所示 改进后在FPN的基础上增加了 细节信息流动的支路 低层次信息只需要较少的网络层 就可以实现与高层次语义信息的融合 注 MCBL代表最大池化 Maxpool 卷积 convolutional 批正则化 Batch Norm Leaky Relu激活函数 CBL表示卷积 convolutional 批正则化 Batch Norm Leaky Relu激活函数 SPP代表空间金字塔池化 Upsample表示上采样 Note MCBL stands for Maxpool convolutional Batch Norm Leaky Relu CBL stands for convolutional Batch Norm Leaky Relu SPP stands for spatial pyramid pooling and Upsample stands for upsampling 图4 应用的PANet结构 Fig 4 The PANet structure applied 2 2 3 引入SAM空间注意力机制 SAM空间注意力机制能够提高网络模型对番茄穴盘 苗的关注度 减少基质土和穴盘边缘的背景干扰 提升 模型检测精度 SAM空间注意力机制 27 首先对输入的特 征图F做基于通道的全局最大池化和全局平均池化并将 获得的特征图进行叠加 生成的特征图经过卷积运算和 sigmoid激活函数之后与输入的特征图对应元素相乘生成 空间注意力特征 该机制的工作原理如式 1 所示 7 7 max S Ss augM F f F F 1 式中Ms F 表示空间注意力图 SaugF 表示对空间上特征的 平均化操作 maxSF 表示对空间上特征的最大池化操作 f 表示将两个特征拼接后的卷积操作 表示sigmoid激活 函数 表示通道拼接操作 图5为搭建的SAM机制结 构 特征图与PANet网络融合后输出P1和P2 经过CBLo 层的卷积运算分别形成特征图F1和F2 F1和F2分别与 P1和P2的特征图进行相乘运算 输出特征图再次进行 CBLo卷积 输出P1 和P2 即为经过空间注意力机制的特 征图 农业工程学报 http www tcsae org 2022年 224 注 P1 P2代表特征图输入 CBLo代表卷积 批正则化 Logistic激活函数 F1 F2代表经过卷积生成的特征图 P1 和P2 代表输出的特征图 Note P1 and P2 represent feature map input CBLo represents convolutional Batch Norm Logistic activation function F1 and F2 represent feature maps generated by convolution and P1 and P2 represent output feature maps 图5 基于Darknet实现的SAM空间注意力机制 Fig 5 SAM spatial attention mechanism based on Darknet implementation 2 2 4 自适应特征融合网络 为了解决YOLOv3 Tiny网络结构在不同尺度上不 一致性的问题 在多尺度检测阶段引入了自适应特征 融合 28 的方法 抑制尺度之间的不一致性 提高网络 对番茄穴盘苗检测的准确性 图6为基于Darknet框 架实现的ASFF自适应特征融合网络 以ASFF 1为 例 在SAM空间注意力机制中输出P1 和P2 特征图 后 P2 通过卷积的方式对特征图进行下采样 使P1 和P2 的特征图一致 随后使P1 与P2 的特征图融合 融合后的特征图通过卷积层 调整形成通道数为1 尺度为13 13的特征图 并分别与P1 和下采样后的 P2 进行相乘运算 将运算的结果通过残差连接输出为 P1 同理 对ASFF 2的运算方式则是对P1 进行上 采样 然后进行运算 注 CLo代表卷积 Logistic激活函数 其余同上 Note CLo stands for Convolution Logistic activation function the rest are the same as above 图6 基于darknet实现的ASFF自适应特征融合网络 Fig 6 ASFF adaptive feature fusion network based on darknet 2 2 5 算法的位置回归损失函数 在YOLOv3 Tiny中采取IoU损失函数作为位置回归 损失计算 但是当预测框与真实框没有重叠区域时 IoU 损失函数不仅无法衡量两者边界框之间的距离 而且无 法提供任何可以提供传递的梯度 为了优化位置回归损 失函数 研究过程中利用Zheng等 29 提出的CIoU损失函 数提高回归速度 CIoU损失函数综合考虑了边界框之间 的重叠面积 距离 尺度变化以及长宽比等的几何因素 边界框的回归相比IoU稳定性得到了提高 CIoU损失函 数的计算公式为 2 2 CIoU IoU gtB Bc 2 式中 2 gtB B 代表预测框与真实框的中心点之间的欧 氏距离 代表权重 代表衡量长宽比一致性的参数 c 代表同时包含预测框和真实框的最小矩形区域的对角 线距离 本文算法采用CIoU损失函数作为边界框定位的 损失函数如式 3 loc CIoU 2 2 1 CIoU 1 IoU gt L L B B c 3 式中Lloc代表算法的位置回归损失函数 LCIoU代表CIoU 位置回归损失函数 2 2 6 锚定框的聚类与优化 YOLOv3 Tiny目标检测模型的锚定框经coco和voc 数据集聚类得到 本文研究对象为番茄穴盘苗数据集 为 提高锚定框利用率并提高模型收敛速度 使用K means 算法对番茄穴盘苗数据集进行聚类 以获得适应番茄穴盘 苗数据集的锚定框 采用平均重叠度对聚类分析结果进行 评判 如图7a所示 当锚定框数量为6时 平均重叠度达 到85 52 之后趋于平稳 为平衡重叠度与网络复杂度 将聚类数为6作为网络中的锚定框尺寸 聚类云图如图7b 所示 此时的锚定框尺寸分别为 169 166 305 209 213 309 345 269 282 338 385 382 将聚类结果按照大小顺序分配到13 13 26 26 两个预测尺度 每个尺度分配3个锚定框 图7 平均重叠度与聚类云图 Fig 7 Average intersection over union AIOU with clustered cloud diagrams 最终改进的YOLOv3 Tiny目标检测模型如图8所示 第1期 张秀花等 基于改进YOLOv3 Tiny的番茄苗分级检测 225 图8 改进后的YOLOv3 Tiny目标检测模型 Fig 8 Improved YOLOv3 Tiny target detection model 3 试验结果与分析 3 1 模型训练 3 1 1 训练参数 硬件环境为GeForce RTX 3060 GPU 显存为12 GB 安装的NVIDA显卡驱动 分别为CUDA 11 1和cudnn v8 2 1 32 CUDA是NVIDA推出的GPU并行计算框架 该框架能够在NVIDA GPU上运行 满足复杂计算 cudnn 为NVIDA推出的专门应用于深度神经网络的GPU加速 器 软件运行环境选用Windows10操作系统 Opencv 3 4 开源视觉库 采用Visual Studio 2017进行编译 参数设置 在训练过程中 目标检测模型的网络输 入尺寸为416 416 每次迭代训练的样本数量为64 共2 批次 进行18 000次迭代 动量因子设为0 9 衰减学习 率设为0 001 当网络迭代10 800 12 600 14 400和16 200 次时 学习率依次降低为0 000 1 0 000 01 0 000 001 和0 000 000 1 3 1 2 评价指标 目标检测模型的评价指标为准确度 Precision P 和召回率 Recall R 为了度量准确度和召回率在 实际检测过程中的表现能力 本文使用平均精度均值 Mean Average Precision mAP 和F1值作为评价模型 效果的综合评估指标 计算公式为 TP 100 TP FPP 4 TP 100 TP FNR 5 10AP 100 P RdR 6 1 1mAP AP 100 n i in 7 1 2 100 PRF P R 8 式中n为检测目标的类别数量 i为某一具体的类别 TP 为正样本被正确预测的数量 TN为负样本被正确预测的 数量 FP为正样本被错误预测的数量 FN为负样本被错 误预测的数量 3 2 消融试验结果 消融试验 30 通常应用在复杂的神经网络中 用于探 究网络的特定子结构或者训练策略及训练参数对模型产 生的影响 在神经网络结构的设计过程中具有重要指导 意义 本文在YOLOv3 Tiny基础上 在骨干网络之后引 入空间金字塔池化结构 SPP 使用路径聚合网络 PANet 进行更加充分的特征信息融合 在颈部网络增 加了注意力机制 提高对提取的特征进行重点区域关注 预测层的损失函数修改为CIoU损失函数训练 为了验证 改进效果 设置了消融试验 将改进的YOLOv3 Tiny目 标检测模型中的改进机制或策略逐个删除并进行训练 验证目标检测模型中的机制或策略改进是否具有积极意 义 表2 中以消融试验过程中每个目标检测模型的平均 精度均值为指标进行排序 表2 消融试验结果 Table 2 Ablation experiment results ID FPN SPP PANet SAM ASFF CIoU mAP 1 94 17 2 94 56 3 96 73 4 96 88 5 97 35 6 97 64 注 FPN代表特征金字塔结构 SPP代表空间金字塔池化 PANet代表路径 聚合网络 SAM代表空间注意力机制 ASFF代表自适应特征融合网络 CIoU代表CIoU损失函数 mAP代表平均精度均值指标 表示当前的网络 模型中使用该结构或者策略 表示当前的网络模型中未使用该结构或策略 Note FPN stands for feature pyramid structure SPP stands for spatial pyramid pooling PANet stands for path aggregation network SAM stands for spatial attention mechanism ASFF stands for adaptive feature fusion network CIoU stands for CIoU loss function mAP stands for mean Average Precision evaluation index stands for This structure or strategy is used in the current network model and means that the structure or strategy is not used in the current network model 如表2所示第1组试验为YOLOv3 Tiny目标检测模 型的结果 对番茄穴盘苗分级检测的mAP为94 17 第 2 组试验在YOLOv3 Tiny 目标检测模型基础上增加了 SPP池化金字塔结构 mAP为94 56 相比第1组提高 了0 39个百分点 第3组在第2组的基础上引入了PANet 路径聚合网络 相比第2组目标检测模型mAP提高了2 17 个百分点 第4组在第3组的基础上引入了空间注意力 农业工程学报 http www tcsae org 2022年 226 SAM模块 比第3组目标检测模型mAP提高了0 15个 百分点 第5组在第4组的基础上增加了ASFF自适应特 征融合网络 检测精度比第4组提高了0 47个百分点 第6组在第5组的基础上引入了CIoU损失函数 比第5 组的mAP提高了0 29个百分点 比原始的YOLOv3 Tiny 提高了3 47个百分点 通过消融试验发现 对目标检测 模型的改进均有积极效果 而PANet路径聚合网络的引 入对目标检测模型检测准确率提升最明显 3 3 YOLOv3 Tiny改进前后的对比结果 YOLOv3 Tiny和改进的YOLO3 Tiny目标检测模型 的测试结果如图9 所示 本次试验设定的置信度阈值为 0 25 通过图9可以发现 对于无苗穴孔检测情况 当穴 孔没有出现干扰的情况下 改进的YOLOv3 Tiny 和 YOLOv3 Tiny 均能有较好的检测效果 改进后 YOLOv3 Tiny的置信度会高于YOLOv3 Tiny 但是穴孔 出现叶片和土壤杂质干扰时 YOLOv3 Tiny目标检测算 法的置信度出现了明显的降低 而改进后的 YOLOv3 Tiny 受到的干扰后置信度依然远远高于 YOLOv3 Tiny 对弱苗穴孔的检测情况 YOLOv3 Tiny 受到子叶不对称干扰较大 叶片边缘和叶片交叉的干扰 较小 而改进后的YOLOv3 Tiny则均能达到较高的检测 置信度 对于壮苗穴孔检测情况 YOLOv3 Tiny虽然对 子叶不对称和叶片交叉干扰有较高的检测置信度 但是对 子叶不对称的样本出现了误检 改进后的YOLOv3 Tiny 基本没有受到影响 YOLOv3 Tiny对数据集检测的平均重 叠度为78 52 而改进后的YOLOv3 Tiny则为78 81 改进后的YOLOv3 Tiny对于番茄穴盘苗的无苗 弱苗和 壮苗三种类别的检测准确度分别提高了5 20 个百分点 3 53个百分点和0 04个百分点 较YOLOv3 Tiny目标检 测模型有明显的提升 通过对比可以发现改进后的 YOLOv3 Tiny 对穴盘苗的检测效果远远强于 YOLOv3 Tiny 图9 两种目标检测模型的检测对比 Fig 9 Detection comparison between the two target detection models 两种目标检测模型的检测结果的P R曲线如图10所 示 图中曲线与横纵坐标围成的区域面积即为该类别检 测的准确率 可以发现无论是对壮苗 弱苗还是无苗的 检测 改进的YOLOv3 Tiny目标检测模型的PR曲线均 在YOLOv3 Tiny的外侧 检测的准确率更高 能够发现 其性能明显强于YOLOv3 Tiny目标检测模型 图10 两种目标检测模型的P R曲线 Fig 10 The P R curve of the two target detection models 第1期 张秀花等 基于改进YOLOv3 Tiny的番茄苗分级检测 227 3 4 不同算法的对比试验 使用同样的数据集对其他的5 种目标检测算法进行 训练 在得到最佳权重之后 在同样的测试集上进行测 试 最终对6 种目标检测算法或模型在不同的重合度指 标上进行F1值 mAP和AP值的计算 结果如表3所示 当重叠度阈值为50 的情况下 改进后的YOLOv3 Tiny 目标检测算法 Improved YOLOv3 Tiny 的mAP和各项 AP值均高于其他目标检测算法 平均F1值指标则对比 其他算法差距不大 改进后的YOLOv3 Tiny目标检测算 法的单张图片的检测时间为5 03 ms 而对比试验中的大 型目标检测算法检测时间最短的YOLOv3为13 42 ms 改进后的YOLOv3 Tiny 比YOLOv3 检测时间缩短了 8 39 ms 能够满足使用的要求 但是当重叠度阈值为75 时 改进后的YOLOv3 Tiny相较于大型的目标检测算法 检测精度并不是很理想 但是和Faster RCNN以及轻量化 的YOLOv3 Tiny目标检测算法相比 依然有较高的检测 精度 因此在重叠度阈值为50 的情况下 改进之后的 YOLOv3 Tiny具有较好的应用效果 表3 6种算法在测试集上的测试结果 Table 3 Test results of the six algorithms on the test set 平均精度 Average Precision 检测算法 Detection algorithm 重合度阈值 IoU Threshold F1值 F1 score 平均精度均值 Mean Average Precision 检测时间 Detection time ms 壮苗 Strong seedling 弱苗 Weak seedings 无苗 No seedings 50 94 10 91 44 92 70 86 23 96 39 Faster RCNN 75 84 00 73 09 57 15 64 82 63 13 91 31 50 92 10 94 71 93 02 91 16 99 95 YOLOv3 Tiny 75 73 20 65 55 2 94 65 72 60 32 70 62 50 95 00 96 50 95 96 93 84 99 71 YOLOv4 75 88 00 86 99 15 52 79 30 82 11 99 56 50 93 60 97 08 97 20 94 02 100 YOLOv3 75 86 90 86 66 13 42 79 97 80 35 99 84 50 94 10 97 17 97 30 94 20 100 CenterNet 75 84 00 87 71 27 5 86 16 77 42 99 55 50 94 00 97 64 98 22 94 69 99 99 Improved YOLOv3 Tiny 75 85 50 83 76 5 03 79 06 72 36 99 85 4 结 论 本文以番茄穴盘苗为研究对象 以YOLOv3 Tiny目 标检测模型为基础 结合番茄穴盘苗分选的实际情况 对YOLOv3 Tiny目标检测模型进行了改进 最终搭建了 改进的YOLOv3 Tiny目标检测模型并进行了试验分析和 评价 结论如下 1 改进了 YOLOv3 Tiny 目标检测模型 在 YOLOv3 Tiny目标检测模型的骨干网络后面加入了SPP 空间金字塔池化结构 使用PANet结构提升了原来的FPN 特征金字塔 使用CIoU损失函数替代IoU损失函数 加 入SAM空间注意力机制和ASFF自适应特征融合网络 2 基于采集和数据增强后的25 080张图片 对改进 的YOLOv3 Tiny目标检测模型进行试验 结果表明 改 进后的YOLOv3 Tiny 目标检测算法的平均精度均值为 97 64 F1值为94 00 在YOLOv3 Tiny的基础上分 别提高了3 47个百分点和1 90个百分点 3 通过消融试验证明对YOLOv3 Tiny目标检测模 型的改进效果 通过改进后的 YOLOv3 Tiny 与 YOLOv3 Tiny Faster RCNN和CenterNet等目标检测算 法的对比试验 结果表明改进后的YOLOv3 Tiny目标检 测算法检测精度在重叠度阈值为50 的条件下平均精度 均值为97 64 F1值为94 00 优于其他目标检测算 法 此时改进后的YOLOv3 Tiny目标检测模型对壮苗 弱苗和无苗的检测平均精度分别为98 22 94 69 和 99 99 对单张图片检测时间为5 03 ms 较试验中检测 时间最短的大型目标检测算法降低了8 39 ms 具有明显 的速度优势 参 考 文 献 1 张俊杰 张西群 彭发智 等 蔬菜工厂化播种育苗技术 及应用前景 J 河北农业科学 2013 17 4 20 23 Zhang Junjie Zhang Xiqun Peng Fazhi et al The vegetable industralized sowing seedling technology and its application prospect J Journal of Hebei Agricultural Sciences 2013 17 4 20 23 in Chinese with English abstract 2 刘明池 季延海 武占会 等 我国蔬菜育苗产业现状与 发展趋势 J 中国蔬菜 2018 1 11 1 7 Liu Mingchi Ji Yanhai Wu Zhanhui et al Current situation and development trend of vegetable seedling industry in our country J China Vegetables 2018 1 11 1 7 in Chinese with English abstract 3 Ting K C Giacomelli G A Ling P P Workability and productivity of robotic plug transplanting workcell J In Vitro Cellular 2 Hebei Smart Agricultural Equipment Technology Innovation Center Baoding 071000 China 3 Institute of Protected Agriculture Academy of Agricultural Planning and Engineering Ministry of Agriculture and Rural Affairs Beijing 100125 China Abstract Here an improved YOLOv3 Tiny target detection model was proposed to enhance the detection accuracy of the seedling classification and detection in the process of tomato seedling transplanting First