基于改进faster RCNN的木材运输车辆检测

摘要

针对目前森林资源受到盗砍盗伐威胁,相关木材运输车辆行为隐蔽,进而导致无法准确地在交通视频中被识别的问题,提出了一种基于改进fater区域卷积神经网络(faster RCNN)的木材运输车辆检测方法。首先,采用faster RCNN作为基础检测框架,使用金字塔特征网络(FPN)、多尺度训练、锚点框聚类作为基础改进措施;其次,以广义交并比(GIoU)损失函数替换原算法中的smoothL1损失函数作为边界框定位回归的损失函数;最后,计算出在多种实验条件下的模型平均精度均值(mAP),对各种算法进行了对比。实验结果表明,使用GIoU作为损失函数的faster RCNN相比原算法对木材运输车辆检测的平均精度(AP)上升了7.5%,模型平均精度均值(mAP)上升了4.3%;同时,在大型数据集PASCALVOC上,使用GIoU作为损失函数的faster RCNN的mAP达到73.4%,相比其他算法具有明显优势。