表2 YOLOv3-LITE网络参数Table 2 Parameters of YOLOv3-LITE networks网络层Layers输入尺寸Input size步长Step重复次数Numbers通道数Filters Conv 1×1416×416× Bottleneck/1208×208× Bottleneck/6208×208× Bottleneck/6104×104× Bottleneck/652×52× Bottleneck/652×52× Bottleneck/626×26× Bottleneck/613×13× Conv 1×113×13× 280 Conv 3×313×13×1 280 Conv Set13×13×1 280—1— Conv 1×113×13×1 0 Detection13×13×255—1— Conv 1×113×13× Upsample 2x13×13×256—1— Route——1— Conv Set26×26×768—1— Conv 1×126×26× Detection26×26×255—1— Conv 1×126×26× Upsample 2x26×26×128—1— Route——1— Conv Set52×52×384—1— Conv 1×152×52× Detection——1—

图4 视觉相干图像混合示意Fig.4 Diagram of visually coherent image mixup

2.3 模型的训练与测试

2.3.1 试验平台

该文训练采用的操作系统为Ubuntu 18.04，测试的框架为Tensorflow、Darknet，处理器为E5-2620 ，八核，16GB RAM，显卡为Nvidia GeForce RTX 2080TI，使用CUDA 10.0版本并行计算框架配合CUDNN 7.3版本的深度神经网络加速库。

2.3.2 柑橘识别网络训练

柑橘目标检测网络训练的流程如图5所示。该文采用对比实验的方式，使用网络模型Faster-RCNN、SSD、YOLOv3、以及GIoU+YOLOv3-LITE（即改进的YOLOv3-LITE）进行对比试验，并在不同的数据集上验证模型效果。首先，将采集到的数据分为重度遮挡（目标平均遮挡程度大于30%）与轻度遮挡（目标平均遮挡程度小于30%）的2部分数据集，通过数据增强对图像进行扩充，对样本进行标注，以PASCAL VOC的格式进行存储。分别采用混合训练与迁移学习结合的预训练方式、单独使用迁移学习的预训练方式、不采用预训练方式等3种方法来训练网络模型，并分别结合反向传播算法修正模型参数，使损失函数不断减小，当平均损失小于0.01，且多次迭代损失函数不再减少时，停止训练。

图5 柑橘目标检测网络的流程Fig.5 Flowchart of orange detection network

模型超参数设置为每批量样本数为32，动量因子为0.9，初始学习率为0.001，每过5 000次迭代训练，将学习率降低10倍，模型每训练100次保存一次权重。

2.3.3 模型测试

该文使用F1值（F1 score）、AP值（average precision）来评价损失函数训练出来的模型，其中F1值计算公式如式（8）所示，AP值计算公式如式（9）所示。表示如下

（6）

（7）

（8）

（9）

式中P为准确率，R为召回率，TP为真实的正样本数量，FP为虚假的正样本数量，FN为虚假的负样本数量。

分别使用如式（5）所示的GIoU损失函数与如式（1）所示的原始YOLO损失函数训练YOLOv3-LITE网络模型，训练时间分别为10.6与12.8 h，采用训练的Loss曲线图如图6a所示，图中损失值即损失函数的值，损失函数包含分类损失、置信度损失、边框回归损失3部分。采用YOLO Loss的模型在训练集上迭代的loss曲线如图 6a中曲线YOLO loss-train所示，在验证集上面迭代的loss曲线如图6a中曲线YOLO loss-val所示。采用GIoU损失函数的模型在训练集上迭代的loss曲线如图6a中曲线GIoU loss-train所示，在验证集上面迭代的loss曲线如图 6a中曲线GIoU loss-val所示。训练的Average IoU曲线图如6b所示。

根据图6所示，采用GIoU Loss训练的模型在验证集上面的拟合程度要优于传统YOLO Loss，并且Average IoU值要明显高于YOLO Loss，采用YOLO Loss的模型在3 000次之后渐渐稳定，而采用GIoU Loss的模型在9 000次之后逐渐稳定。该文采用验证集去验证模型的优劣，并且通过对比验证集与训练集的loss曲线去调节模型的超参数，图6a为不断调参过程中选择出来最佳的超参数训练所迭代的loss曲线图，其中最优超参数同2.3.2节模型所设置的超参数。每迭代100次保存一次权重，对训练出来的模型进行测试和评估。该文通过每100次训练保存的权重，使用客观的评价标准（F1值、AP值以及Average IoU值）进行评估模型的优劣。

3 结果与分析

为了验证该文的柑橘目标检测方法的性能，对提出的策略进行单个验证，对比使用混合训练与迁移学习以及不同骨干网络在柑橘目标检测中的精度与速度，之后对比采用新型损失函数对模型检测精度的影响。采用网络模型SSD、YOLOv2、YOLOv3、Faster-RCNN以及该文采用的改进YOLOv3-LITE进行对比实验，数据集如表1所示，比较模型在不同的数据集的优劣程度，重点分析模型对遮挡果实识别的准确率。

图6 迭代曲线图Fig.6 Iteration curves

3.1 使用混合训练与迁移学习的检测结果

文章来源：《果树资源学报》 网址: http://www.gszyxb.cn/qikandaodu/2020/1013/483.html