基于改进YOLOV3的蝴蝶生长阶段检测

1、基于改进YOLOV3的蝴蝶生长阶段检摘 要：搜集标注蝴蝶生长过程图片，通过改进YOLOV3网络结构，调整先验框的维度，修改 特征图分辨率，增强对小目标检测，反复训练得出最佳目标检测模型。实验表明，在5 000张 测试集图片样本中能得到95%以上的准确率，可以快速及时地识别出蝴蝶的各个生长发育过 程。关键词：YOLOV3；目标检测；图像识别Butterfly growth detection based on improved YOLOV3Abstract： With collected and labeled images of butterfly growth, we adjust the

2、dimension of the prior frame , modify the resolution of the feature map , target the detection of small objects with YOLOV3 network structure algorithm. The training is repeated to optimMe the target detection model. Experiments show that an accuracy rate is above 95% for 10,000 images, and the whol

3、e growth processes can be precsely Pdentfed.Key words： YOLOV3 & target detection； image identification.A引言随着计算机性能的不断提高和卷积神经网络 的应用，基于深度学习的目标检测算法不断被完 善，从最初的一种基于CNN的目标检测框架 Over Feat到深度学习检测模型R-CNN1,再到 进一步地改进R-CNN的网络结构，提出了 Fast- RCNN和Faster-RCNN，其已达到高检测精度。 但Fast-RCNN和Faster-RCNN3(是基于区域 建议提取目标候选区域的两步检测网络(

4、two- stage) ,检测速度不能达到实时性，进而又提出基 于回归思想的单步检测模型(one-stage)来提高检 测速度，如SSD4和YOLO5(系列YOLOVI、 YOLOV26、YOLOV37。短短几年时间，基于 深度学习的目标检测被广泛应用在汽车、交通领 域，如公路上的车牌识别，自动驾驶可进行行人、 来往车辆、红绿灯的识别；其次在航空航天方面, 可利用该技术侦测行星、陨石、太空垃圾等;在医 疗领域方面可用于细胞的病变、是否细菌感染以 及病毒的检测常见的视频、摄像功能，如在日常 生活中经常接触的拍照时可能用到的人脸识别、 物体检测等功能,手写字体识别、手机的面部识别 登入系统、百度的

5、“以图搜图”等多种新颖又实用 的技术都是以目标检测技术为基础的；还有在消 费电子领域，目标检测技术应用于体感游戏，可以 让系统读取到玩家体型信息，再识别出玩家的攻 击、跳跃等一系列的动作等&目前，专门应用于蝴 蝶生长过程检测的相关算法研究较少，文中研究 了相关的目标检测算法，发现大多数通用目标检 测算法都可以适用于蝴蝶生长过程的检测任务, 但是由于自然界复杂场景下存在种类众多和小尺 度目标检测等问题，导致如果将通用目标检测算 法直接应用于蝴蝶生长过程检测任务，效果并不 理想&文中对Y0L0V3进行改进，应用于蝴蝶生 长过程检测研究领域&标记蝴蝶生长阶段的形 态，从卵、幼虫、蛹到蝴蝶，在自己制作

6、的数据样本 中训练模型,将训练得到的模型用于测试集进行 测试,测试结果显示,能检测出蝴蝶的各个生长过 程,具有较高的准确性和实时性&目的是为了保 证蝴蝶的生产数量，维持自然界的生态平衡&1 YOLOV3 （法You Only Look Once （ YOLO）最初是由 Redmon J等5提出的one-stage算法，仅使用一 个CNN网络训练预测不同目标的class和位置， 简单化实现了 end到end的目标检测网络&在 2017-2018 年 ,Redmon J 等）3* 在 YOLO 的基础 上，继续改进并提出YOLOV2与YOLOV3算 法，增强了检测精度，缩短了检测时间，并且在数 据

7、集上的mAP率大幅度提高&YOLOV3 是以 YOLOV2 的 darknet-19 框 架结构为基础发展到darknet-53）8*。darknet-53 包含53个卷积层和5个残差块）9*,在每一卷积层 后设置批量归一化操作，避免了过拟合现象的发 /& YOLOV3网络结构）10*如图1所示&由图1可知，整个网络使用了全卷积层,3X3 和1X1两种类型是YOLOV3的主要卷积尺寸， 1X1可以通过改变channel的通道数目，以及作 为bottlenet层,从而有效降低网络的参数量，加 快网络的训练和收敛&采用三种先验框13X13、 26X26、52X52,可在特征图上进行不同尺度的检 测

8、，提高了小尺度目标检测识别的能力&YOLOV3先将输入的图片缩放到一定大小, 然后划分为NXN个单元格，每个单元格负责预 测K个物体检测框，每个物体检测框包括5个（ 数，即（# ,y ,h ,Cr） &其中（#,*）是物体检测 框的中心坐标和R分别是物体检测边框的宽 和高& Cr （置信度）由物体检测框和真实框的 IOU（交并比）以及检测框中是否含有检测目标共 同决定&置信度计算公式为Cr =”（object） # IO膘t,（1）式中（object） 单元格中是否包含检测目标 的概率，当P = 1时，说明单元格中有既定目标, 反之则说明没有；TCT Ttruth ）11*Xffr 湖I AA

9、 斤=* 士|三 t 吉 妇IO U predict预测的5形框与真实包含物体矩形框的交集&通过设定阈值T,除去置信度低于=的边界 框，保留置信度较高的边界框& YOLOV3算法通 过K-Means聚类算法聚类9个不同尺寸固定大 小的锚框anchor &把9个锚框按照大小分别分配 给3个不同尺度,3个不同尺度的输出包括目标 的坐标位置、目标是正样本还是负样本，以及目标 属于哪个类别的%&对于3个不同尺度的分支 而言，在每个网格中会预测出3个结果（因为每个 尺度下会有3个锚框anchor），最终将3个尺度的 结果合并进行非极大值抑制后，输出最终检测结 果&2 YO1OV3算法的改进2.1目标框聚

10、类分析先使用欧几里得距离对样本点和质心的距离 计算，接着将离一个质心最近样本点规划其中，这 种度量样本间的相似性进行聚类就是 K-means）12* &在候选框聚类过程中，若使用欧几 里得距离的标准k均值，则较大边界框（box）会 比较小边界框产生更多的误差&真正想要选择的 样本间距离度量（D）应该与box本身大小无关, 因此，计算两个box的IOU,即2个box的相似 程度，计算公式为D （box1, box_cluster）=1 - IOU（box1 ,box_cluster） ,（2）式中：box1 真实框的集合；box_cluster边界框簇中心集合。距离越小IOU越大，说明boxl与

11、box _ cluster越类似，将box划归为box_&luster。对于 给定的boxl,计算boxl与Boxmluster的交集与 所带来的误差。首先将数据集分为O个cluster, 不断更新使得cluster内的边框距离尽可能小，而 cluster间尽量大，然后通过目标函数变化值确定 候选框的尺寸大小。并集的比值来度量D的大小，避免box自身大小图l YOLOV3网络结构原YOLOV3是对VOC数据集上的 K-means聚类方法来生成9个锚框anchor, 3个 不同尺寸的特征图分别对应3个锚框，用来检测 大、中、小尺寸的目标。并非专门针对蝴蝶生长过 程设计！而文中所需检测的是蝴蝶的生

12、长过程, 采用的是自制蝴蝶的数据集，属于特殊目标检测, 所以需要重新进行聚类！通过数据集标注的有遮 挡和无遮挡的目标框尺寸大小对其进行聚类分 析，得到效果更好的先验框anchor（数$13% ,提高 检测效果。2.2网络结构的改进YOLOV3的主干特征提取网络Darknet53 借鉴了 ResNet的残差思想$10% ,先进行一次3X 3,步长为1的卷积，接着进行1X1的卷积，减少 通道数目，再进行一次3X3的卷积加强特征提 取，扩张通道数目，最后通过残差结构。如果检测目标是单个物体，其参数多，数据量需求大，过于 复杂和多余，检测速度慢文中针对这一问题，提 出一种改进的网络结构，网络在过渡模块

13、中使用 卷积核进一步降低维数为了提高目标检测精确 率和提升更深层网络特征的细粒度，可以通过在 浅层网络中增加卷积层和残差连接结构数量，以 及网络使用step = 2的卷积层代替池化层来完 成。对原Y0L0V3的特征网络结构进行改 进逐2句，见表1。表1改进YOLOV3的特征提取网络类型滤波器数量滤波器 大小输出大小Conv163X3/2208X208Residual161X1208X208(1)X4323X3ResPdual321X1104X104&2)X4643X3ResPdual641X152X52&3)X41283X3/2ResPdual1281X126X26&4)X42563X3改进Y

14、0L0V3的特征提取网络为解决梯度 消失的问题采用层连接方式，传递特征的方式得 到了强化,参数数量减少，大幅减少了计算量。增 加1i1和3X3卷积核使网络结构的信息表达更 丰富。在昆虫生长发育过程的检测过程中发现!13X13的特征分辨率易造成小目标丢失。因此 删除了 13X13的特征分辨率模块,取而代之的是 104X104的特征分辨率模块，减少感受野，提高 对小目标的检测。3实验过程及分析3.1数据采集利用改进的YOLOV3对样本数据集进行训 练，如果数据集的数量不够,将直接影响训练的好 坏。目前还没有基于昆虫生长过程的图片数据 库，因此，首先向一些有过此类研究专业的学生和 老师收集图片，又从

15、百度图库中进行网络爬虫和 昆虫生长过程的视频中提取得到图片。蝴蝶生长 的每个状态收集了 3 000张图片，然后进行标注, 形成自己的数据集。对蝴蝶生长过程的自动检测 识别能够为生态环境监测、生物多样性保护等领 域提供技术支持,减少对专家人工鉴定的依赖。3.2图像标注手动对收集到的图片进行标注。文中使用专 门的标注工具Labelimg对图片进行标注。打开 labelimg点击open,导入所需要标注的图片，点 击create RectBox选项，用矩形标注框选取所需 要的工件图像，并对标注框进行自定义命名。完 成后会生成.xml格式文件。生成的文件内容包 括：工件图像所在磁盘位置，标注框坐标，标

16、注框 长度和高度，以及标注框的自定义类别信息。蝴蝶生长过程标注如图2所示。(a)卵标注(b)幼虫标注(c)蛹标注(d)蝴蝶标注图2蝴蝶生长过程标注3.3 实验环境文中算法是在Pycharm2018下使用python3.6进行编程，搭建DensorFlow-Keras框架，然 后进行算法的训练和测试。在PC机上进行了实 验，机器配置为Ubantu16.04操作系统(Intel(R) Core ( TM ) i7-10750H 处理 器、NVIDIA GTX1080Ti独立显卡(11 G显存(16 G内存。时 长为24 h0实验环境配置见表2。表2实验环境配置名称相关配置CPUIntel(R) C

17、ore (DM)i7T0750H内存16 GGPUNVIDIA GTX1080TiGPU加速库CUDE8.0 CUDNN7.0.3操作系统Ubantu16.04数据处理Python3.6 opencv4.037实验过程及配置参数调整文中所用的算法运行环境是Keras，样本训 练共进行12 000次迭），以10 000张蝴蝶生长 图像为训练集,5 000张做测试集，其中批量大小 设置为bactch=64，修改类别数目的值，本次实验 检测了 4种类别，故class = 4,修改输出特征图的 数量filter ,计算公式为fitter = (class + 5) X 3 ,(3)初始阶段将学习率设置

18、为Z =0.001,衰减值为 0.000 5,在迭代次数为8 000次后，损失值Loss 稳定在0.381左右，迭）至10 000次停止$损失 值Loss随迭）次数变化，如图3(3)图3 改进后YOLO的Loss曲线DP recall = dp + fn检测算法precision/ DP recall = dp + fn检测算法precision/ %Recall/ %/sFaster-CNN95.393.52.560SSD93.892.70.189未改进YOLOV394.393.150.039文中算法95.494.80.041表3不同算法测试对比(4)(5)3.5评价指标采用Precision!精确率）、Recall（召回率）和 times（每张检测时间）作为模型检测好坏的评价 标准。精确率是已识别为蝴蝶生长发育过程的概 率，召回率是能够正确识别蝴蝶生长发育过程的 概率$. DPPrecision = Dp + Fp,式中：DP检测模型将蝴蝶生长过程检测正确；FP检测模型将蝴蝶生长过程检测错FN检测错误的数量$3.6实验结果使用文中训练数据集，同时训练了 Faster-RCNN、SSD、YOLOV3模型，测试集5 000幅图 片中有2 000个里面含有检测目标，不同算法测 试对比见表3$通过对比可以看到，在时间上,Fas