一种青海高原动物图像目标检测模型的改进方法技术

本发明专利技术涉及目标检测技术领域，具体提出一种青海高原动物图像目标检测模型的改进方法，以YOLOV3模型为基础：首先，引入k

【技术实现步骤摘要】
一种青海高原动物图像目标检测模型的改进方法


[0001]本专利技术涉及目标检测
，尤其涉及一种青海高原动物图像目标检测模型的改进方法。

技术介绍

[0002]畜牧业是青海地区主要的经济来源，畜牧业的发展直接影响着农牧名群众的生活水平。目前青海省的畜牧业管理模式有单户放牧、连户放牧、雇人放牧等多种形式，人工亲自对畜牧动物进行管理的方法不仅存在时间和人物力资源方面的浪费现象，而且在统计和识别的过程中还存在疏漏等情况。因此通过畜牧业动物目标检测系统，使用机械化的方式对畜牧业进行检测，从而掌握畜牧养殖的情况，这样不仅可以减少人力和物力等的资源，而且可以减少管理人员和考察人员在工作时的人身安全，使畜牧业管理在方法和水平上都更加现代化和信息化。
[0003]青海因独特的气候导致四季的自然环境有很大的区别，畜牧业动物的毛色和体型也随着四季的变化而不同，与其他地区或畜牧业繁殖区不一样，因此，基于YOLOV3算法的图像目标检测算法模型在检测精度上差强人意，无法对青海高原动物进行很好的分类和识别，急需对此进行改进。

技术实现思路

[0004]为解决以上现有技术的不足，本专利技术提出了基于改进的F
‑
YOLOV3青海高原动物图像目标检测算法。
[0005]本专利技术的技术方案是这样实现的：
[0006]一种青海高原动物图像目标检测模型的改进方法，以YOLOV3模型为基础：
[0007]首先，引入k
‑
means++聚类算法重新对数据集进行聚类分析并选择理想的anchor值，以此对预测框进行改进；
[0008]其次，在YOLOV3模型已有的三个特征尺寸：(13*13)、(26*26)、(52*52)的基础上增加(104*104)特征尺度；
[0009]再次，对非极大值抑制算法NMS进行改进，
[0010]定义f(x)＝1
‑
tanh(x2/σ)；
[0011]其中，s
i
表示预测框的最终得分，IOU为预测框与置信度最大的检测框之间的交并比，N
t
为设置的预定义阈值；
[0012]最后，引入KL
‑
Loss求边框回归损失，计算公式为：
[0013][0014][0015]进一步来说，引入k
‑
means++聚类算法时，经过至少20次反复操作选择平均出现率最高的两组数值作为anchor值，每组数值中含有9个anchor值。
[0016]与现有技术相比，本专利技术有助于显著提升对小目标的检测精度，能满足青海高原动物图像的目标检测需要。
附图说明
[0017]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0018]图1为改进的多尺度预测。
[0019]图2增加KL
‑
Loss损失示意图。
具体实施方式
[0020]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0021]本专利技术提出一种青海高原动物图像目标检测模型的改进方法，以YOLOV3模型为基础：
[0022]首先，引入k
‑
means++聚类算法重新对数据集进行聚类分析并选择理想的anchor值，以此对预测框进行改进；
[0023]经过20多次反复操作最终选择平均出现率最高的两组数值作为本次实验的anchor值，其值为如表1所示，F(First)，S(Second)。
[0024]表1
[0025][0026]选择两组数据的原因是第一组数值的出现率为二十分之十三，第二组数值的出现
率为二十分之七。因此分别将两组数值都作为anchor值进行训练，最终两组数值在测试中的表现为F特征值在yak上提高了1％，S特征值在yak和sheep上分别提高了0.2％、1％，mAP提高了0.3％，测试结果如表2所示。
[0027]表2
[0028]特征值yak(AP)sheep(AP)horse(AP)mAP原特征值0.801990.895430.879180.85887F特征值0.812980.888230.863100.85477S特征值0.803720.905470.876190.86179
[0029]其次，在YOLOV3模型已有的三个特征尺寸的基础上增加104*104特征尺度；
[0030]为了减少对小目标的误检和漏检率，在原YOLOv3模型的三个特征尺度的基础上增加了104*104的特征尺度，将特征尺度增加至四个特征尺度，四个特征尺度的大小分别为：(13*13)负责检测大目标，在分配anchor值的时候将数值相对较大的anchor值分配给此尺寸；(26*26)尺寸的特征尺度负责检测中等大小的目标，对应中等大小的锚框值将分配给此尺寸；(52*52)特征尺度负责检测相对较小目标，将数值相对较小的锚框值既分配给此尺寸；本文新加入的(104*104)尺寸的特征尺度将负责(52*52)特征尺度漏检或误检的小目标，增加后的多尺度预测图1所示。
[0031]四个多尺度预测经过改进后原anchor值已无法应用于改进后的特征尺度，四个特征尺度与9个anchor值无法匹配，因此需要重新对锚框值进行聚类设置。使用k
‑
means++算法重新对数据进行聚类分析获得12组锚框值，随着特征尺度的增加锚框值也随之增加，特征尺度与锚框值的分配方法和分配数继续引用原模型的思想，其尺寸较小的特征尺度分配较大的锚框值，每个特征尺度分配3个锚框值，使用12组anchor值进行训练后对sheep类的AP提升了0.87％的精度，新聚类的锚框值和经过训练后测试结果，如表3和表4所示。
[0032]表3
[0033][0034][0035]表4
[0036]特征值yak(AP)sheep(AP)horse(AP)mAP原特征值0.801990.895430.879180.85887L特征值0.7979600.9041230.8556490.852577
[0037]再次，对非极大值抑制算法NMS进行改进。
[0038]传统NMS算法根据检测框得分对其进行分类，选择置信度最大的检测框M，并抑制与M明显重叠(使用预定义阈值)的其他所有的检测框，即将其他检测框的分值降低为0(如下式所示)，从而实现单个目标的检测框唯一属性。式中s
i
表示预测框的最终得分，IOU为预
测框与置信度最大的检测框之间的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种青海高原动物图像目标检测模型的改进方法，其特征在于：以YOLOV3模型为基础：首先，引入k
‑
means++聚类算法重新对数据集进行聚类分析并选择理想的anchor值，以此对预测框进行改进；其次，在YOLOV3模型已有的三个特征尺寸：(13*13)、(26*26)、(52*52)的基础上增加(104*104)特征尺度；再次，对非极大值抑制算法NMS进行改进，定义f(x)＝1
‑
tanh(x2/σ)；其中，s
i
...

【专利技术属性】
技术研发人员：安见才让，
申请(专利权)人：青海民族大学，
类型：发明
国别省市：