基于YOLOv4深度神经网络的快速精准细粒度目标检测模型
计算机视觉与模式识别
2021-11-02 v1 机器学习
摘要
在商业农场和果园中早期识别与预防各类植物病害是精准农业技术的关键特征。本文提出了一种高性能实时细粒度目标检测框架，解决了植物病害检测中阻碍传统方法性能的若干障碍，如密集分布、不规则形态、多尺度目标类别、纹理相似等。所提模型构建于改进版的You Only Look Once (YOLOv4)算法之上。修改后的网络架构通过将DenseNet纳入主干网络以优化特征传输与复用，在主干与颈部引入两个新残差块以增强特征提取并降低计算成本，从而最大化检测精度与速度；空间金字塔池化(Spatial Pyramid Pooling, SPP)增强了感受野，改进的Path Aggregation Network (PANet)保留了细粒度局部信息并改善特征融合。此外，采用Hard-Swish函数作为主要激活函数，因更好的非线性特征提取而提升了模型精度。所提模型在多种挑战性环境下检测番茄植株的四种不同病害进行了测试。该模型在检测精度与速度上均优于现有最先进(state-of-the-art, SOTA)检测模型。在70.19 FPS的检测速率下，所提模型取得了90.33%的精度值、93.64%的F1分数以及96.29%的平均精度均值(mean average precision, mAP)值。当前工作为复杂场景下检测不同植物病害提供了一种高效有效的方法，可扩展至不同水果与作物检测、通用病害检测及各种自动化农业检测流程。
引用
@article{arxiv.2111.00298,
title = {A fast accurate fine-grain object detection model based on YOLOv4 deep neural network},
author = {Arunabha M. Roy and Rikhi Bose and Jayabrata Bhaduri},
journal= {arXiv preprint arXiv:2111.00298},
year = {2021}
}