摘要：引用格式：郭秀明, 诸叶平, 李世娟, 张杰, 吕纯阳, 刘升平. 农业复杂环境下尺度自适应小目标识别算法——以蜜蜂为研究对象[J]. 智慧农业(中英文), 2022, 4(1): 140-149.
引用格式：郭秀明, 诸叶平, 李世娟, 张杰, 吕纯阳, 刘升平. 农业复杂环境下尺度自适应小目标识别算法——以蜜蜂为研究对象[J]. 智慧农业(中英文), 2022, 4(1): 140-149.
GUO Xiuming, ZHU Yeping, LI Shijuan, ZHANG Jie, LYU Chunyang, LIU Shengping. Scale Adaptive Small Objects Detection Method in Complex Agricultural Environment: Taking Bees as Research Object[J]. Smart Agriculture, 2022, 4(1): 140-149.
郭秀明，诸叶平，李世娟，张杰，吕纯阳，刘升平*
（中国农业科学院农业信息研究所/农业农村部农业信息服务技术重点实验室，北京100081）
摘 要：农业生产环境中的目标识别对象常具有分布密集、体积小、密度大的特点，加之农田环境光照多变、背景复杂，导致已有目标检测模型无法取得令人满意的效果。本研究以提高小目标的识别性能为目标，以蜜蜂识别为例，提出了一种农业复杂环境下尺度自适应小目标识别算法。算法克服了复杂多变的背景环境的影响及目标体积较小导致的特征提取困难，实现目标尺度无关的小目标识别。首先将原图拆分为一些较小尺寸的子图以提高目标尺度，将已标注的目标分配到拆分后的子图中，形成新的数据集，然后采用迁移学习的方法重新训练并生成新的目标识别模型。在模型的使用中，为使子图识别结果能正常还原，拆分的子图之间需具有一定的重叠率。收集所有子图的目标识别结果，采用非极大抑制（Non-Maximum Suppression，NMS）去除由于模型本身产生的冗余框，提出一种交小比非极大抑制（Intersection over Small NMS，IOS-NMS）进一步去除子图重叠区域中的冗余框。在子图像素尺寸分别为300×300、500×500和700×700，子图重叠率分别为0.2和0.05的情况下进行验证试验，结果表明：采用SSD（Single Shot MultiBox Detector）作为框架中的目标检测模型，新提出的尺度自适应算法的召回率和精度普遍高于SSD模型，最高分别提高了3.8%和2.6%，较原尺度的YOLOv3模型也有一定的提升。为进一步验证算法在复杂背景中小目标识别的优越性，从网上爬取了不同尺度、不同场景的农田复杂环境下的蜜蜂图像，并采用本算法和SSD模型进行了对比测试，结果表明：本算法能提高目标识别性能，具有较强的尺度适应性和泛化性。由于本算法对于单张图像需要多次向前推理，时效性不高，不适用于边缘计算。
关键词：目标检测；机器视觉；小目标；农业环境；蜜蜂；SSD；YOLOv3
文章图片
图1 尺度自适应小目标识别算法和传统基于深度学习的目标检测算法框架对比图
Fig. 1 Framework comparison between scale adaptive small objects detection algorithm and the traditional object detection algorithms based on deep learning
（a）采集及标注的原图 （b）SSD模型归一化图像
图2 蜜蜂原图和归一化后图像及最小锚框示意图
Fig. 2 Labeled images before and after scale normalization and the minimum anchor box
图3 尺度自适应小目标识别算法数据集生成过程示意图
Fig. 3 Generation process of new dataset of scale adaptive small objects detection method
图4 尺度自适应小目标识别算法目标重分配过程示意图
Fig. 4 Process of objects reallocation of scale adaptive small objects detection method
图5 尺度自适应小目标识别算法目标重分配过程算法流程图
Fig. 5 Objects reallocation algorithm flow chart for scale adaptive small objects detection method
图6 尺度自适应小目标识别算法流程图
Fig. 6 Flow chart of scale adaptive small object detection algorithm
图7 基于NMS及IOS-NMS的目标识别结果
Fig. 7 Detections after non-maximum suppression and intersection over small non-maximum suppression
图8 两个目标边界框及它们的交集和并集
Fig. 8 Two object bounding boxes and their intersection and union
图9 尺度自适应小目标识别算法和SSD原模型测试识别结果对比图
Fig. 9 Comparison results between the original single shot multibox detector model and the scale adaptive small object detection algorithm
（a）子图像素大小300×300，子图重叠率0.2 （b）子图像素大小500×500，子图重叠率0.2
图10 野外不同尺度蜜蜂图像的识别结果对比
Fig. 10 Bee detection results on images with different size in farmlands
转载请联系编辑部授权
通信作者简介
刘升平 研究员
刘升平，男，1981年1月出生，博士，研究员，国家现代蜂产业技术体系岗位科学家，中国农业科学院农业信息研究所农业信息技术事业部智能农业技术研究室主任。《智慧农业（中英文）》编委。长期从事农业信息技术领域科研工作，主要研究方向包括农产品质量安全控制技术、作物模拟模型技术和农业GIS应用等领域。是中国农业科学院农业信息研究所首届杰出青年，先后主持、参与和完成国家科技支撑计划、国家“863”计划、现代农业产业技术体系、农业部重点项目、国家自然科学基金课题等类型的科研课题20余项。作为主要完成人形成了小麦、玉米种植管理系统、中国农业经济电子地图、蜂产品质量追溯系统等科研成果，多次获得院、省部级科研奖励。其中，北京市科技进步二等奖1项、三等奖2项，中国农科院科技成果一等奖1项、二等奖1项，中华农业科技三等奖1项，河北省科技进步三等奖2项，全国农牧渔业丰收奖1项。公开发表SCI、EI、中文核心论文10余篇，出版专著1部，获发明专利1项、软件著作权登记20余项。
本期支持单位
京蓝云智物联网技术有限公司
浙江臻善科技股份有限公司
潍柴雷沃重工股份有限公司
为方便农业科学领域读者、作者和审稿专家学术交流，促进智慧农业发展，为更好地服务广大读者、作者和审稿人，编辑部建立了微信交流服务群，有关专业领域内的问题讨论、投稿相关的问题均可在群里咨询。
科研团队介绍及招聘信息、学术会议及相关活动的宣传推广
来源：智慧农业资讯