基于YOLO的社区犬种识别方法研究

作     者：张光岳 

作者单位：哈尔滨理工大学 

学位级别：硕士

导师姓名：王洋

授予年度：2022年

学科分类：0905[农学-畜牧学] 08[工学] 080203[工学-机械设计及理论] 09[农学] 0802[工学-机械工程] 

主      题：犬种识别 目标检测 YOLOV3算法 注意力机制 特征融合 

摘      要：近几年来,越来越多的犬类伤人事件发生在我们身边,有些甚至造成了极其恶劣的后果,在社区中违规饲养某些烈性犬种对居民们的人身安全构成潜在的威胁。为了及时获取犬种信息,合理规范社区养犬管理工作,本文使用深度学习YOLO算法进行犬类图像的识别研究,并在YOLOV3算法的基础上提出了改进,提高了原算法的识别精确度,同时保持了良好的检测速度,本文的主要工作内容如下:构建犬种数据集并进行数据预处理。本文通过网站爬取和实地拍摄等方法收集40种犬类图片,并进行数据清洗、分类标注,最后对数据进行预处理以及样本扩充,得到一个样本分布均匀、符合自然场景的犬种数据集。YOLOV3检测模型的改进。针对YOLOV3网络对某些类间相似度较高的犬种识别效果差的问题,本文提出一种增加了注意力机制的YOLOV3-Attention网络模型,通过重点关注犬只的重要特征区域、建模各个特征通道之间的重要程度,来提高模型的检测精度;针对改进后YOLOV3模型对小目标检测效果不佳的问题,本文提出一种加入SPP模块的YOLOV3-A-SPP3模型,通过多尺度特征融合使检测模型获得了更多的全局特征信息,提高了对小目标的检测精度。改进后YOLOV3模型的实验验证。首先在本文构建的犬种数据集上使用原YOLOV3模型和YOLOV3-Attention模型进行对比实验,验证注意力机制对提高相似犬种识别精度的可行性。其次,使用YOLOV3-A-SPP3模型与YOLOV3-Attention进行对比实验,检验SPP模块对小目标检测的提升效果。最后使用YOLOV3-A-SPP3模型与目标检测领域的主流模型进行对比实验,来证明本文改进的YOLOV3模型在犬种识别任务中的性能优势。验证YOLOV3-A-SPP3模型的实用性。使用NCNN深度学习框架将训练好的犬种识别模型部署在移动端设备上,实现算法从理论研究到实际应用的全过程。