【笔记】基于低空无人机影像和 YOLOv3 实现棉田杂草检测

《基于低空无人机影像和 YOLOv3 实现棉田杂草检测》

单位：石河子大学信息科学与技术学院
作者：薛金利

数据获取

设备：大疆 DJI 四旋翼无人机悟 Inspire l PRO
相机：大疆禅思 X5 可见光相机
拍照：悬停拍摄，三组对照（5、10、20m）
照片：最大分辨率 4608 pixel×3456 pixel，24 位真彩色 JEPG 格式
作者考虑：深度学习算法需要人工标注样本数据，如果分辨率太低，会对人工样本标注产生困难

模型构建

（1） 改变YOLOv3模型目标框尺寸

目标框 （anchor boxes） 是一组宽高比固定的初始候选框，其设定的好坏将影响目标检测的精度和速度。YOLOv3通过对 VOC2007 数据集和 COCO 数据集聚类来获得初始的候选框宽高，与实际研究对象大小具有明显差异。

使用 k-means++ 算法来完成初始种子点选择，采用 IoU 取代欧氏距离以消除候选框差异带来的干扰。

（2）增加YOLOv3模型预测尺度

为解决小目标识别效果差、定位不精准的问题，YOLOv3 采用了跨尺度检测方法。

即首先经过所有卷积得到第一个 13×13 的特征图谱，在这个特征图谱上做第一次预测，此时下采样倍数为 32，特征图感受野比较大，适合检测图像中尺寸比较大的目标；然后将本层 13×13 的特征图谱经过×2 上采样扩充到 26×26，并与上层中 26×26 的特征图谱拼接，得到新的 26×26 的特征图谱，在该特征尺度上进行第二次预测，此时得到的特征图谱是相对输入图像 16 倍下采样，具有中尺度感受野，适合检测中等尺度对象；最后，将本层 26×26 的特征图谱经过×2 上采样扩充到 52×52，检测小尺度对象。

本研究棉花幼苗和杂草目标更小（分辨率低），所以增加104×104尺度。

数据集构建

三种分辨率统一到10000个。

训练集:测试集=9:1。

采用多尺度训练策略，由于模型下采样因子为 32，因此训练过程中图像随机变换的尺寸大小为 32 的倍数，变化范围为 320 pixel×320 pixel 到 608 pixel×608 pixel。训练时采用随机旋转、缩放、翻转、平移等方式来扩充数据集。

模型评价

疑问

（1） 模型评价中的精度指标是逐像素对比吗？这样的话打标签的时候对杂草是要勾勒边缘吗？
（2） YOLOv3卷积得到第一个 13×13 的特征图谱，下采样倍数为 32，其中32是什么意思？

猜你喜欢：👇🏻
⭐【笔记】基于轻量和积网络及无人机遥感图像的大豆田杂草识别