紫茎泽兰检测中应用了深度迁移学习技术

紫茎泽兰作为中国遭受外来物种入侵的典型例子, 其对生态环境多样性造成严重破坏, 影响农林业经济的发展. 紫茎泽兰检测作为整个防治过程中的初始阶段和监控阶段, 其检测精度会对防治结果造成影响. 针对紫茎泽兰这一类复杂背景叶片图像的目标检测问题, 本文提出一种基于YOLOv3的迁移学习方法来实现紫茎泽兰的检测. 将深度学习模型YOLOv3迁移到紫茎泽兰数据集上, 用K均值算法进行维度聚类确定目标框参数; 在训练过程中改变损失函数中各类损失的权重, 增加模型对数据集的适应性. 实验结果表明, 在紫茎泽兰检测任务中, 平均精度(Average Precision, AP)相较于原YOLOv3提高了17%, 能够满足复杂背景下的紫茎泽兰检测任务.