劉升平研究員團(tuán)隊(duì)：農(nóng)業(yè)復(fù)雜環(huán)境下尺度自適應(yīng)小目標(biāo)識(shí)別算法——以蜜蜂為研究對(duì)象

農(nóng)業(yè)生產(chǎn)環(huán)境中的目標(biāo)識(shí)別對(duì)象常具有分布密集、體積小、密度大的特點(diǎn)，加之農(nóng)田環(huán)境光照多變、背景復(fù)雜，導(dǎo)致已有目標(biāo)檢測(cè)模型無(wú)法取得令人滿意的效果。

本研究以提高小目標(biāo)的識(shí)別性能為目標(biāo)，以蜜蜂識(shí)別為例，提出了一種農(nóng)業(yè)復(fù)雜環(huán)境下尺度自適應(yīng)小目標(biāo)識(shí)別算法。算法克服了復(fù)雜多變的背景環(huán)境的影響及目標(biāo)體積較小導(dǎo)致的特征提取困難，實(shí)現(xiàn)目標(biāo)尺度無(wú)關(guān)的小目標(biāo)識(shí)別。

首先將原圖拆分為一些較小尺寸的子圖以提高目標(biāo)尺度，將已標(biāo)注的目標(biāo)分配到拆分后的子圖中，形成新的數(shù)據(jù)集，然后采用遷移學(xué)習(xí)的方法重新訓(xùn)練并生成新的目標(biāo)識(shí)別模型。

在模型的使用中，為使子圖識(shí)別結(jié)果能正常還原，拆分的子圖之間需具有一定的重疊率。收集所有子圖的目標(biāo)識(shí)別結(jié)果，采用非極大抑制(Non-Maximum Suppression，NMS)去除由于模型本身產(chǎn)生的冗余框，提出一種交小比非極大抑制(Intersection over Small NMS，IOS-NMS)進(jìn)一步去除子圖重疊區(qū)域中的冗余框。在子圖像素尺寸分別為300×300、500×500和700×700，子圖重疊率分別為0.2和0.05的情況下進(jìn)行驗(yàn)證試驗(yàn)，結(jié)果表明：采用SSD(Single Shot MultiBox Detector)作為框架中的目標(biāo)檢測(cè)模型，新提出的尺度自適應(yīng)算法的召回率和精度普遍高于SSD模型，最高分別提高了3.8%和2.6%，較原尺度的YOLOv3模型也有一定的提升。

為進(jìn)一步驗(yàn)證算法在復(fù)雜背景中小目標(biāo)識(shí)別的優(yōu)越性，從網(wǎng)上爬取了不同尺度、不同場(chǎng)景的農(nóng)田復(fù)雜環(huán)境下的蜜蜂圖像，并采用本算法和SSD模型進(jìn)行了對(duì)比測(cè)試，結(jié)果表明：本算法能提高目標(biāo)識(shí)別性能，具有較強(qiáng)的尺度適應(yīng)性和泛化性。由于本算法對(duì)于單張圖像需要多次向前推理，時(shí)效性不高，不適用于邊緣計(jì)算。