《表1 目标检测模型测试数据对比》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于YOLO v2的莲蓬快速识别研究》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

在现有的莲蓬识别方法中，文献[6]采用了PCNN分割与形态学相结合的方法预处理图像，提取图像的颜色与形状特征并根据特征向量的特点利用PCA算法进行降维，再运用K-means聚类方法获得识别模型。莲蓬识别准确率可达88.17%，然而其图像预处理需要1~3 s，识别时长0.131 s，且模型训练较复杂。莲蓬识别任务可看成是具一般性的目标检测任务，在卷积神经网络出现之前，DPM（Deformable Parts Model）[7]是一种经典的目标检测算法，其核心思想是采用支持向量机（SVM）[8]算法对滑动窗口的HOG[9]特征进行分类，在行人检测[10]等目标检测任务上DPM具有较好的检测效果。近年来，以卷积神经网络（Convolutional Neural Network，CNN）为核心的深度学习的图像识别算法凭借其在复杂图像特征提取上的优势[11]，在目标检测领域取得了革命性进展。2014年，Ross Girshick等[12]在CVPR大会上提出了R-CNN目标检测网络，R-CNN利用选择性搜索（Selective Search）的方法代替了滑动窗口，在VOC 2012的数据集上将目标检测的平均准确率（mean average precision，m AP）提升了30%。2015年，Ross Girshick[13]和Shaoqing Ren等[14]相继提出了Fast R-CNN和Faster R-CNN，Faster R-CNN引入了Region Proposal Network（RPN），使候选区域的提取速度和精度获得了大幅度提升，检测帧速率达5 fps。而在2016年，Joseph Redmon等[15]提出了YOLO模型，将目标检测帧速率提高到了45 fps。之后，Joseph Redmon等[16]再次提出了YOLO v2，相较于前代YOLO，其m AP和检测速度均得到了显著提高。从VOC 2007数据集的模型检测测试结果来看，YOLO v2的检测速度为67 fps，m AP可达到76.8%，在目标检测领域表现出色，该模型与其他目标检测模型在VOC 2007数据集上测试数据对比如表1所示。