论文阅读—未成熟芒果的改进 YOLOv2 识别方法

期刊：农业工程学报
发表时间：2018.04

0.平台配置

• Intel® Xeon® CPU E3-1245 v3@ 3.40GHz 处理器，32GB 运行内存，2T硬盘容量，12GB GTX Titan X GPU，系统为 Ubuntu 14.04。

1.作者要解决的问题

• 解决未成熟芒果与树叶颜色相似的问题（通过嵌入密集连接结构解决）
• 降低树叶、枝干遮挡果实与果实重叠的影响（通过特殊前景区域标注解决）
• 在真实场景下，降低光照多样性及背景复杂性的影响（通过自适应直方图均衡化解决）

2.创新的网络模型及原因

• 改进的 YOLO v2 网络，设计带有密集连接的 Tiny-yolo 结构，该网络可实现多次特征的复用和融合,作者将该网络命名为 Tiny-yolo-dense。

3.相关评价指标水平

• FPS：83
• AP：97.02%
• AR：95.1%

本人认为以上数据指标达到了一个相当不错的水平

4.图像预处理

• 运用自适应直方图均衡化减小光强对图像的影响；同时增加了样本图像光照的多样行，扩增了样本数量。
  (本人认为该方法已普遍应用在解决图像明暗差异上，并非值得作者骄傲的创新点)
• 作者考虑到树冠上大部分芒果呈竖直悬挂姿态，而部分芒果因枝干或其他芒果的阻挡呈多角度倾斜悬挂姿态，故本文对训练样本进行了水平镜像翻转、以及±10°、±20°旋转操作，并对图像进行居中截取。

5.Tiny-yolo-dense网络结构图及参数表

• 利用密集模块（上图虚线框）代替 Tiny-yolo 的第 7 层卷积层
• 虚线框内的H_i (i=1,2,3,4)表示BN、ReLU及卷积的组合
  

6.训练样本目标前景区域标注

• anchor区域内将目标背景区域的像素置零，降低非前景特征的干扰，降低树叶、枝干或重叠的非本目标果实等无关信息特征对目标特征提取的影响
• 但保留目标轮廓外围一定区域（5～10 个像素），加强目标边缘的前景区域特征学习
  

7.结果与分析

• 改进后准确率和召回率相比改进前分别提高了 0.9%和 1.34%
  
• 对测试集中所有果实准确率和召回率分别提高了 1.5%和 2.38%，对杂物遮挡果分别提高了 2.19%和 4.65%，对重叠果实分别提高了 9.76%和 10.86%
  
• A表示原始数据；B表示自适应直方图均衡化处理后；C表示旋转处理后

8.本文的不足

• 图像的标注需要的大量的时间，尤其是将anchors内的非前景区域像素置为0
• 嵌入密集连接dense结构，导致网络参数变大，降低了FPS（在所难免）