-
作者
剧成宇师艳孙步阳
-
单位
中国电建集团河南省电力勘测设计院有限公司河南地矿职业学院
-
摘要
为提高YOLO模型进行植物图像快速识别的准确率，对基于深度学习YOLO模型算法进行研究。在传统网络模型的基础上，引入了可变形卷积，将损失函数加入分类函数层中，有效的提高了模型的泛化性能，结合cuDNN库进行并行计算，提高了算法的效率。采用改进的YOLOv3网络模型结合公开数据集进行测试，实现了102种植物的有效识别，平均检测时间为1.275 s,在Top-2、Top-3准确率上均达到96%,与传统YOLO算法相比，识别的准确率和效率均有提高。结果表明，所建立的基于深度学习YOLO模型，在复杂多种类植物识别方面有推广应用价值。
-
关键词
识别算法植物图像YOLO模型卷积神经网络
-
文章目录
1 基于YOLO模型的目标识别
2 YOLOv3模型
2.1 网络结构
2.2 训练及损失函数
2.3 算法的GPU并行化
3 实验及结果
3.1 植物图像数据集描述和预处理
3.2 实验环境及评价指标
3.3 实验及结论
3.3.1 CPU和GPU模式下植物图像检测速度对比
3.3.2 深度学习YOLOv3模型训练
3.3.3 植物图像识别测试
4 结 论
-
引用格式
剧成宇,师艳,孙步阳.基于深度学习YOLO模型的植物图像识别算法研究[J].矿山测量,2022,50(01):78-82.
矿山测量 
2022年第01期 
