农业复杂环境下尺度自适应小目标识别算法——以蜜蜂为研究对象

分类： 农、林、牧、渔 >> 农、林、牧、渔业科学其他学科 提交时间： 2023-02-17 合作期刊: 《智慧农业（中英文）》

郭秀明 诸叶平 李世娟 张杰 吕纯阳 刘升平

摘要： 农业生产环境中的目标识别对象常具有分布密集、体积小、密度大的特点，加之农田环境光照多 变、背景复杂，导致已有目标检测模型无法取得令人满意的效果。本研究以提高小目标的识别性能为目标， 以蜜蜂识别为例，提出了一种农业复杂环境下尺度自适应小目标识别算法。算法克服了复杂多变的背景环 境的影响及目标体积较小导致的特征提取困难，实现目标尺度无关的小目标识别。首先将原图拆分为一些 较小尺寸的子图以提高目标尺度，将已标注的目标分配到拆分后的子图中，形成新的数据集，然后采用迁 移学习的方法重新训练并生成新的目标识别模型。在模型的使用中，为使子图识别结果能正常还原，拆分 的子图之间需具有一定的重叠率。收集所有子图的目标识别结果，采用非极大抑制（Non-Maximum Suppres⁃ sion，NMS） 去除由于模型本身产生的冗余框，提出一种交小比非极大抑制（Intersection over Small NMS， IOS-NMS） 进一步去除子图重叠区域中的冗余框。在子图像素尺寸分别为300300、500500和700700， 子图重叠率分别为0.2和0.05的情况下进行验证试验，结果表明：采用SSD （Single Shot MultiBox Detector） 作为框架中的目标检测模型，新提出的尺度自适应算法的召回率和精度普遍高于SSD模型，最高分别提高了 3.8%和2.6%，较原尺度的YOLOv3模型也有一定的提升。为进一步验证算法在复杂背景中小目标识别的优 越性，从网上爬取了不同尺度、不同场景的农田复杂环境下的蜜蜂图像，并采用本算法和SSD模型进行了对 比测试，结果表明：本算法能提高目标识别性能，具有较强的尺度适应性和泛化性。由于本算法对于单张 图像需要多次向前推理，时效性不高，不适用于边缘计算。

 点击量 470  下载量 167  评论