目录
摘 要 I
Abstract I
第一章 绪论 3
1.1 大豆豆荚自动计数的研究背景 3
1.1.1 大豆豆荚计数工具的发展现状 3
1.1.2 大豆豆荚测量模型设计工具的意义 3
1.2基于目标检测的计数方法的发展现状 4
1.2.1 基于人工特征的计数方法现状 4
1.2.2 基于卷积特征的计数方法现状 4
1.2.3 基于目标检测的植物器官计数算法的研究现状 5
1.3研究内容与研究路线 6
1.3.1 研究内容 6
1.3.2 技术路线 7
1.4 论文组织与结构 9
第二章 yolov3算法基础理论与实现 9
2.1 yolo系列算法起源 9
2.1.1 yolov1算法基础理论 9
2.1.2 yolov2算法基础理论 10
2.1.3 针对多尺度检测yolov3的提出 11
2.2 yolov3网络结构论述 11
2.2.1 yolov3卷积层 14
2.2.2 yolov3采样层 15
2.2.3 yolov3残差单元 16
2.2.4 yolov3网络结构与感知野 17
2.2.5 yolov3特征金字塔融合策略 18
2.2.6 梯度下降优化器的抽取
第三章 基于yolov3的大豆荚数测量网络结构的分析与比较 23
3.1待研问题 23
3.2 图像数据获取与预处理
3.2.1 图像数据获取
3.2.2 图像预处理
3.3 基于yolov3的单株大豆荚数测量框架 28
3.3.1 实验平台与评价指标 28
3.3.2 网络结构分析 28
3.4 单株豆荚测量模型实验结果与分析 30
3.4.1 不同大豆输入图片尺寸的对比实验 30
3.4.2 不同金字塔层数选择实验 32 *51今日免费论文网|www.51jrft.com +Q: &351916072& 

3.4.3不同上采样策略对比实验 33
3.4.4不同环境下大豆豆荚鲁棒性实验
3.4.5 不同主干网络的豆荚检测模型对比实验 35
第四章 基于HTML+django的单株大豆荚数测量模型设计工具开发 36
4.1 工具开发需求分析 36
4.2 系统功能设计 37
4.3 系统结构设计 42
4.4 大豆数据集检测功能的实现与测试 43
4.5 基于yolov3的单株大豆荚数测量模型设计功能的实现与测试 46
4.6 测试/设计方案管理功能的实现与测试 53
第五章 总结与展望 60
5.1总结 60
5.2未来展望 60
参考文献 61
基于yolov3的大豆单株荚数测量模型设计工具研发
摘 要
提高大豆产量是我国重大难题，大豆荚数是影响产量的重要因素。利用RGB图像快速测量豆荚个数尤为重要，然而大豆环境是变化的，造成了直接应用已训练好的模型检测精度较差。本文以单阶段检测算法yolov3为基础，分析确定网络结构、特征金字塔结构与损失优化器的选取环节，比较不同的拍摄工具、不同主干网络、拥挤程度、较大尺度差异的环境下对模型精度与计算速度的影响，且进一步利用南农大豆改良中心的80张测试集上实验表明，强弱光的影响程度较小，分别是74.6%与74.9%的map，拥挤场景下，反卷积的查准率高于最近邻插值1.6%，对包含较大尺寸差异的数据，大尺寸的输入与四层特征图对小目标检测的效果分别高了1.4%与2%的查准，最终darknet53+4层FPN+ADAM的网络结构训练的模型进行测试达到了84.7%的ap得分，91.2%的查准率与60.7%的召回率。且基于html+django框架开发了基于yolov3的单株大豆荚数测量模型设计工具，通过简易的填选上传操作，实现了大豆荚数测量模型的构建、大豆数据测试、建模方案管理与测试方案管理的功能，同时提供模型设计检查功能与数据预处理功能，为用户提供了一个无代码的模型设计工具。
目录
目录

原文链接：http://www.jxszl.com/jsj/jsjkxyjs/610050.html