基于LW-YOLOv3模型的棉花主茎生长点检测与定位研究

摘要

针对大多数目标检测模型存在参数量较多、检测时间慢、缺乏空间定位能力的问题,提出1种基于轻量型LW-YOLOv3的棉花主茎生长点检测与定位方法.首先,对传统YOLOv3深度卷积神经网络架构进行改进,引入轻量级识别模型MobileNet实现对YOLOv3特征提取网络的替代,在保证检测精度的同时提高检测速度.其次,为了进一步降低参数量,用深度可分离卷积替换部分标准卷积,在不损失网络性能的前提下减少模型参数.最后,利用Realsense深度相机获取目标图像,建立了棉花主茎生长点三维空间坐标的计算模型.为验证基于LW-YOLOv3模型的棉花主茎生长点检测与定位方法的有效性,对获得的有限棉花主茎生长点图像数据集进行了样本扩充,并基于扩充后的数据集进行了LW-YOLOv3与其他轻量型模型的对比实验.结果表明,LW-YOLOv3模型平均识别准确率可达到88.66％,平均每张图片检测时间为17.8 ms,参数量与权重文件分别降低为原网络的10.85％和12.19％.棉花主茎生长点X、Y、Z三维空间定位平均误差分别小于3.04、3.00、3.53 mm.该方法在目标检测准确率与模型大小之间实现了平衡,有助于将来在机载低性能终端上实现对棉花主茎生长点检测与定位.