基于改进YOLOv3的麦穗检测算法研究.pdfVIP

摘要

基于改进YOLOv3的麦穗检测算法研究

基于图像的麦穗检测是小麦智能育种工作中一个重要环节，可以通过识别麦

穗的某些特征智能估算小麦产量。这些特征包括不同品种的麦穗密度以及麦穗大

小、数量以及成熟阶段。近年来，基于深度学习的目标检测方法已经可以有效识

别麦穗，为小麦育种提供一定帮助。目前，在深度学习目标检测方法中，YOLOv3

凭借其较少的计算量，极短的单幅图像推理时间以及相对理想的检测精度在麦穗

检测任务中得到了广泛的应用。

但YOLOv3网络中依旧存在一些问题。首先，YOLOv3中的骨干网络完全通

过大步长卷积操作对特征图尺寸进行缩放，这种方式可能丢失部分特征；其次，

YOLOv3认为所有特征均对检测结果有正向的作用，这不利于整个网络的特征传

输过程；最后，YOLOv3采用非极大值抑制策略对单个目标上的多个预测边界框

进行筛选，此种筛选策略无法有效利用经过复杂计算得到的预测边界框。

基于以上问题，以实现麦穗高精度检测为目标，分别对YOLOv3模型中骨干

网络、颈部网络、头部网络进行改进。设计YOLOv3-P麦穗检测模型。具体工作

如下：

（1）在骨干网络中设计了特征加强模块与MA通道注意力。特征加强模块

用以解决骨干网络使用大步长卷积对原始图像进行下采样可能会导致的特征丢

失问题。该模块对输入图片进行多步池化，为骨干网络增加由池化获得的特征，

并将其同步传递给骨干网络；MA通道注意力作用于骨干网络末端，通过对骨干

网络抽取到的特征在通道依赖关系上进行建模，通过训练过程自适应的调整各个

通道间的权重，以达到提高检测精度的作用。

（2）设计以MA注意力为基础的融合注意力作用于颈部网络中，用以解决

颈部网络中特征金字塔网络在上采样过程中关键信息传递效率低的问题。该融合

注意力将特征图的区域信息映射至通道域，通过MA注意力一步生成空间注意

力与通道注意力的混合权重，再将通过注意力权重处理的特征图映射回原始特征

图中，使得特征金字塔小尺寸特征图向大尺寸特征图的信息传递更精准有效。

（3）在引入特征加强模块、MA注意力以及融合注意力的基础上，为了使检

测结果更准确，改进了头部网络中预测边界框的去重方法，该方法通过对NMS

丢弃的预测边界框进行融合，有效利用经过阈值筛选的预测框。通过此方法，降

低使用NMS策略丢弃预测框所造成的检测偏差。

（4）设计对比实验与消融实验，通过对比实验验证YOLOv3-P模型在麦穗

检测任务中的表达能力；通过消融实验验证在YOLOv3-P模型中的每个改进对

提高麦穗检测精度的作用。

关键词：

深度学习、麦穗检测、特征加强、注意力

Abstract

ResearchonWheatEarDetectionAlgorithmBasedonImproved

YOLOv3

Thewheateardetectionbasedonimageisanimportantpartofwheatintelligent

breeding.Itcanestimatethewheatyieldbyrecognizingthespecificcharacteristicsof

wheatear.Thesecharacteristicsincludeeardensityofdifferentvarietiesaswellasear

size,numberandripeningstage.Inrecentyears,targetdetectionmethodsbasedondeep

learninghavebeenabletoeffectivelyidentifywheatears,whichprovidessomehelp

forw