基于深度学习YOLO模型的植物图像识别算法研究Research on recognition algorithm of plant image based on deep learning YOLO model
剧成宇;师艳;孙步阳;
摘要(Abstract)：
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(KeyWords)： 识别算法;植物图像;YOLO模型;卷积神经网络
基金项目(Foundation):
作者(Authors): 剧成宇;师艳;孙步阳;
参考文献(References)：
- [1] 周飞燕，金林鹏，董军.卷积神经网络研究综述[J].计算机学报，2017,40(6):1229-1251.
- [2] 孙垚棋.基于深度学习的花卉识别模型研究[D].杭州：杭州电子科技大学，2021.
- [3] 徐光柱，朱泽群，尹思璐，等.基于轻量级深层卷积神经网络的花卉图像分类系统[J].数据采集与处理，2021,36(4):756-768.
- [4] 郭占元，林涛.面向大规模数据快速聚类K-means算法的研究[J].计算机应用与软件，2017,34(5):43-47,53.
- [5] Ren S,He K,Girshick R,et al.Object detection networks on convolutional feature maps[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2017,39(7):1476-1481.
- [6] 蔡成涛，吴科君，刘秋飞，等.基于改进YOLO算法的全景多目标实时检测[J].计算机工程与设计，2018,39(10):3259-3264,3271.
- [7] 张澎，崔梦天，谢琪，等.基于深度卷积生成对抗网络的植物图像识别方法的研究[J].西南民族大学学报(自然科学版),2019,45(2):185-191.
- [8] 张雪芹，陈嘉豪，诸葛晶晶，等.基于深度学习的快速植物图像识别[J].华东理工大学学报(自然科学版),2018,44(6):887-895.
- [9] 任培铭.基于YOLO的实时目标检测方法研究[D].无锡：江南大学，2019.