基于YOLOv3 改进算法的烟叶原料烟草甲识别方法研究

doi:10.15933/j.cnki.1004-3268.2023.11.017

河南农业科学 ›› 2023, Vol. 52 ›› Issue (11): 157-166.DOI: 10.15933/j.cnki.1004-3268.2023.11.017

所属专题：病虫害识别专题

• 农业信息与工程·农产品加工 • 上一篇下一篇

基于YOLOv3 改进算法的烟叶原料烟草甲识别方法研究

张卫正¹，陈赛越扬¹，王艳玲¹，帖金鑫²，丁佳³，李萌⁴，李灿林¹，苏晓珂¹，甘勇¹

（1.郑州轻工业大学计算机科学与技术学院，河南郑州 450001；2.浙江中烟工业有限责任公司宁波卷烟厂，浙江宁波 315040；3.河北中烟有限责任公司，河北石家庄 050051；4.郑州轻工业大学烟草科学与工程学院，河南郑州 450001）

收稿日期:2023-06-03 出版日期:2023-11-15 发布日期:2023-12-05
通讯作者: 帖金鑫（1988-），男，山西应县人，工程师，硕士，主要从事卷烟加工工艺研究。E-mail：tiejinxin@zjtobacco.com 李萌（1982-），男，河南长葛人，讲师，博士，主要从事卷烟加工工艺研究。E-mail：limengjeff@126.com
作者简介:张卫正（1982-），男，河南滑县人，讲师，博士，主要从事烟草信息学、数字农业与农业物联网研究。E-mail：weizheng008@vip.126.com
基金资助:
河南省科技攻关项目（222102210037）；河南省高等教育教学改革研究与实践重点项目（2021SJGLX189）；浙江中烟工业有限责任公司科技项目（ZJZY2023D020）

Identification of Lasioderma serricorne in Tobacco Leaf Raw Materials Based on Improved YOLOv3 Algorithm

ZHANG Weizheng¹，CHEN Saiyueyang¹，WANG Yanling¹，TIE Jinxin²，DING Jia³，LI Meng⁴，LI Canlin¹，SU Xiaoke¹，GAN Yong¹

（1.College of Computer Science and Technology，Zhengzhou University of Light Industry，Zhengzhou 450001，China；2.Ningbo Cigarette Factory，China Tobacco Zhejiang Industrial Co.，Ltd.，Ningbo 315040，China；3.China Tobacco Hebei Industrial Co.，Ltd.，Shijiazhuang 050051，China；4.College of Tobacco Science and Engineering，Zhengzhou University of Light Industry，Zhengzhou 450001，China）

Received:2023-06-03 Published:2023-11-15 Online:2023-12-05

摘要/Abstract

摘要： 为了解决烟叶原料中烟草甲人工识别效率低、不准确的问题，实现烟草甲的精准、智能识别，提出一种基于YOLOv3改进算法的烟草甲识别模型。首先采用Random Mix数据增强技术扩充烟草甲数据集；然后，通过引入K-means++算法重新聚类锚框，改进YOLOv3对于烟草甲的识别能力；使用SIoU Loss改进YOLOv3的边界框损失函数，提高模型定位的准确性，加速模型收敛；最后加入特征细化模块过滤冲突信息，优化模型对烟草甲数据集中小目标识别的精准度。结果表明，改进的YOLOv3网络模型对测试集中烟草甲的平均检测精确率、召回率、F1分数和平均精度均值（mAP）分别达到93.26%、88.25%、0.90和94.59%，分别比现有的YOLOv3算法提高了12.21百分点、11.79百分点、0.12、12.40百分点，可为烟草甲的有效识别提供支撑。

关键词: 烟叶, 烟草甲, YOLOv3改进算法, 数据增强, 损失函数, 目标识别

Abstract: In order to solve the problem of low efficiency and inaccuracy in manual recognition of tobacco beetles（Lasioderma serricorne）in tobacco leaf raw materials，and achieve accurate and intelligent recognition of tobacco beetles，a tobacco beetle recognition model was proposed based on the improved YOLOv3 algorithm.Firstly，Random Mix data augmentation technology was used to expand the tobacco beetle dataset；By introducing the K⁃means++ algorithm to recluster anchor boxes，YOLOv3’s recognition ability for tobacco beetles was improved；SIoU Loss was used to improve the Loss function of YOLOv3 bounding box to improve the accuracy of model positioning and accelerate model convergence；Finally，a feature refinement module was added to filter conflict information and optimize the accuracy of the model in identifying small targets in the tobacco beetle dataset.The results showed that，the improved YOLOv3 network model achieved average detection accuracy，recall，F1 score，and mAP of 93.26%，88.25%，0.90，and 94.59% for tobacco beetles in the test set，respectively，increased by 12.21 percentage points，11.79 percentage points，0.12，and 12.40 percentage points compared to the existing YOLOv3 algorithm，providing support for the effective recognition of tobacco beetles.

Key words: Tobacco leaves, Lasioderma serricorne, Improved YOLOv3 algorithm, Data augmentation, Loss function, Target recognition

中图分类号:

S126
TP391.4

张卫正, 陈赛越扬, 王艳玲, 帖金鑫, 丁佳, 李萌, 李灿林, 苏晓珂, 甘勇. 基于YOLOv3 改进算法的烟叶原料烟草甲识别方法研究[J]. 河南农业科学, 2023, 52(11): 157-166.

ZHANG Weizheng, CHEN Saiyueyang, WANG Yanling, TIE Jinxin, DING Jia, LI Meng, LI Canlin, SU Xiaoke, GAN Yong. Identification of Lasioderma serricorne in Tobacco Leaf Raw Materials Based on Improved YOLOv3 Algorithm[J]. Journal of Henan Agricultural Sciences, 2023, 52(11): 157-166.

参考文献

［1］YANG L，LIU S Q，LIANG Y P，et al.Population dynamics of main tobacco pests in the field and management suggestions［J］.International Journal of Pest Management，2020，66（1）：40⁃47.
［2］王美娟，尹飞.卷积神经网络的多尺度改进及其在玉米病害症状识别中的应用［J］.河南农业大学学报，2021，55（5）：906⁃916.
WANG M J， YIN F.Multi⁃scale improvement of convolutional neural network and its application in symptom recognition of maize disease［J］.Journal of Henan Agricultural University，2021，55（5）：906⁃916.
［3］冯晓，李丹丹，王文君，等.基于轻量级卷积神经网络和迁移学习的小麦叶部病害图像识别［J］.河南农业科学，2021，50（4）：174⁃180.
FENG X，LI D D，WANG W J，et al.Image recognition of wheat leaf diseases based on lightweight convolutional
neural network and transfer learning［J］.Journal of Henan Agricultural Sciences，2021，50（4）：174⁃180.
［4］陈俭.基于卷积神经网络和度量学习的害虫检测方法研究［D］.杭州：浙江大学，2021.
CHEN J.Research on pest detection method based on convolutional neural network and metric learning［D］.Hangzhou：Zhejiang University，2021.
［5］岳有军，李雪松，赵辉，等.基于改进VGG网络的农作物病害图像识别［J］.农机化研究，2022，44（6）：18⁃24.
YUE Y J，LI X S，ZHAO H，et al.Crop disease image recognition based on improved VGG network［J］.Journal
of Agricultural Mechanization Research，2022，44（6）：18⁃24.
［6］杨光露，李春松，李愿军，等.基于CenterNet模型的烟草甲虫视觉检测方法设计［J］.中国烟草学报，2022，28（6）：77⁃84.
YANG G L，LI C S，LI Y J，et al.Design of visual detection method of cigarette beetle based on CenterNet model［J］.Acta Tabacaria Sinica，2022，28（6）：77⁃84.
［7］吕宗旺，金会芳，甄彤，等.图像处理技术在粮食害虫识别中的应用进展［J］.河南工业大学学报（自然科学版），2021，42（3）：128⁃137.
LÜ Z W，JIN H F，ZHEN T，et al.Application development of image processing technologies in grain pests identification［J］.Journal of Henan University of Technology（Natural Science Edition），2021，42（3）：128⁃137.
［8］洪金华，忻惠琴，陆海华，等.基于YOLOV3模型的卷烟厂烟虫识别方法［J］.烟草科技，2020，53（9）：77⁃84.
HONG J H，XIN H Q，LU H H，et al. Tobacco insect recognition in cigarette factory using YOLOV3 model［J］.Tobacco Science and Technology，2020，53（9）：77⁃84.
［9］张博，张苗辉，陈运忠.基于空间金字塔池化和深度卷积神经网络的作物害虫识别［J］.农业工程学报，2019，35（19）：209⁃215.
ZHANG B，ZHANG M H，CHEN Y Z.Crop pest identification based on spatial pyramid pooling and deep convolution neural network［J］.Transactions of the Chinese Society of Agricultural Engineering，2019，35（19）：209⁃215.
［10］LIU X C，GAN H Y，YAN Y.Study on improvement of YOLOv3 algorithm［J］.Journal of Physics：Conference Series，2021，1884（1）：012031.
［11］徐融.基于YOLOv3的小目标检测算法研究［D］.南京：南京邮电大学，2020.
XU R.Research on small object detection algirithm based on YOLOv3［D］.Nanjing：Nanjing University of Posts and Telecommunications，2020.
［12］ZHANG K，SUN M，HAN T X，et al.Residual networks of residual networks：Multilevel residual networks［J］.IEEE Transactions on Circuits and Systems for Video Technology，2018，28（6）：1303⁃1314.
［13］SHI J Y，SUN Y M，DU X H.The detection algorithm for disguised missing value based on filter⁃Kmeans［J］.Multimedia Tools and Applications，2023，82（5）：7583⁃7598.
［14］LI Y T，HUANG H S，CHEN Q P，et al.Research on a product quality monitoring method based on multi scale PP⁃YOLO［J］.IEEE Access，2021，9（1）：80373⁃80387.
［15］BRADBURY J D，GUADAGNO R E.Enhanced data narratives［J］.Journal of Management Analytics，2021，8（2）：171⁃194.
［16］何卓逊.图像识别中数据增强方法的理解与改进［D］.上海：上海交通大学，2020.
HE Z X.Understanding and improving data augmentation in image recognition［D］.Shanghai：Shanghai Jiao Tong University，2020.
［17］邢俊杰，贾民平，许飞云，等.基于CutMix和YOLOv3的工件表面小缺陷识别方法［J］.东南大学学报，2021，37（2）：128⁃136.
XING J J，JIA M P，XU F Y，et al.A method for workpiece surface small⁃defect detection based on CutMix and YOLOv3［J］.Journal of Southeast University，2021，37（2）：128⁃136.
［18］QIN J，FANG J M，ZHANG Q，et al.ResizeMix：Mixing data with preserved object information and true labels［EB/OL］.2020：arXiv：2012.11101［2023⁃09⁃12］.https：//arxiv.org/abs/2012.11101.pdf.
［19］HARRIS E，MARCU A，PAINTER M，et al.Understanding and enhancing mixed sample data augmentation［EB/OL］.2020：arXiv：2002.12047［2023⁃09⁃12］.https：//arxiv.org/abs/2002.12047.pdf.
［20］邵延华，张铎，楚红雨，等.基于深度学习的YOLO目标检测综述［J］.电子与信息学报，2022，44（10）：3697⁃3708.
SHAO Y H，ZHANG D，CHU H Y，et al.A review of YOLO object detection based on deep learning［J］.Journal of Electronics and Information Technology，2022，44（10）：3697⁃3708.
［21］陈相均.基于改进损失函数的YOLOv3算法研究［D］.焦作：河南理工大学，2021.
CHEN X J.Research on YOLOv3 algorithm based on improved loss function［D］.Jiaozuo：Henan Polytechnic University，2021.
［22］LENG J X，LIU Y.Context augmentation for object detection［J］.Applied Intelligence，2022，52（3）：2621⁃2633.
［23］陈维婧，周萍，杨海燕，等.通道-空间联合注意力机制的显著性检测模型［J］.计算机工程与应用，2021，57（19）：214⁃219.
CHEN W J，ZHOU P，YANG H Y，et al.Salient detection model based on channel⁃spatial joint attention mechanism［J］.Computer Engineering and Applications，2021，57（19）：214⁃219.
［24］孙晗，邹宽胜.基于改进CenterNet网络的绝缘子检测方法［J］.计算机技术与发展，2023，33（3）：57⁃62.
SUN H，ZOU K S.Insulator detection based on improved CenterNet network［J］.Computer Technology and Development，2023，33（3）：57⁃62.

[1]	李粉粉, 王爱霞, 赵晨, 白涛, 毛岚, 张豹林, 李生栋, 宋朝鹏, 王涛. 基于高光谱成像技术的鲜烟叶叶位识别方法[J]. 河南农业科学, 2024, 53(2): 144-151.
[2]	李亚玲, 马戎, 丁为, 冯文宁, 徐波, 梁淼, 刘玉斌, 刘伟, 王兵, 乔学义. 基于TG-FTIR-MS 技术的烟叶角质层热解行为研究[J]. 河南农业科学, 2024, 53(2): 171-180.
[3]	李晶晶, 荣仕宾, 秦艳青, 周骏, 曾代龙, 钟秋, 赵园园, 刘德水, 张瑞娜, 史宏志. 雪茄茄芯和茄衣烟叶不同区段化学成分和品质差异性分析[J]. 河南农业科学, 2024, 53(1): 62-69.
[4]	潘勇, 吴巧茵, 李林林, 施友志, 谭再钰, 张娟, 王剑. 产多酚氧化酶菌株在改善雪茄烟叶品质中的应用研究[J]. 河南农业科学, 2023, 52(9): 173-180.
[5]	陈家鼎, 何蓉, 肖庆礼, 袁明, 谭奇忠, 彭奎, 魏硕, 李生春. 温度和含水率对烟叶热物理特性的影响及其预测模型建立[J]. 河南农业科学, 2023, 52(6): 172-180.
[6]	张晶云, 荣仕宾, 秦艳青, 吴疆, 王俊, 李晶晶, 冯雨晴, 赵园园, 钟秋, 史宏志. 采收方式对调制后烟叶叶片和主脉TSNAs 及前体物含量的影响[J]. 河南农业科学, 2023, 52(2): 57-65.
[7]	杨金初, 童治军, 李萌, 赵旭, 徐永明, 冯颖杰, 杨宗灿, 曲鹏, 李悦, 孙九喆, 张轲. 基于SNP 标记的4 个品种复烤烟叶鉴别研究[J]. 河南农业科学, 2023, 52(11): 174-180.
[8]	李思军, 郑宏斌, 毕一鸣, 江智敏, 田雨农, 郝贤伟, 章程, 侯建林, 吴文信, 朱林, 邓小华. 一次性采收中部6 片烟叶的田间成熟特征及烤后质量研究[J]. 河南农业科学, 2023, 52(10): 30-39.
[9]	王东旭, 武云杰, 曾超, 赵明阳, 余海涛, 周军, 薛子钟, 刘流, 叶协锋, 张锦韬. 土壤质地和氯含量对烤烟叶片区位化学成分的影响[J]. 河南农业科学, 2022, 51(9): 35-45.
[10]	战磊, 王寒, 关罗浩, 张蒙蒙, 梁俊阳, 张晓瑞, 付博, 王玉胜. 用于烟叶提质的苏云金芽孢杆菌SY-1产淀粉酶条件的优化研究[J]. 河南农业科学, 2022, 51(9): 159-170.
[11]	李萌, 王旭东, 罗昭标, 宋嘉宝, 曲鹏, 候宁宁, 郭林青, 饶智, 马林. 混菌固态发酵低次烟叶工艺优化及挥发性致香成分分析[J]. 河南农业科学, 2022, 51(9): 171-180.
[12]	郑天飞, 张倩颖, 李东亮, 张娟, 堵国成. 不同产地雪茄烟叶的风味特征和微生物群落分析[J]. 河南农业科学, 2022, 51(8): 45-54.
[13]	潘高伟, 郭伟雄, 韩佳彤, 何峰, 梁淼, 白国强. 广东烤烟不同区位叶面的pH值差异化分析[J]. 河南农业科学, 2022, 51(8): 174-180.
[14]	王兴旺, 郑汉垣, 王素青. 基于CSJMM-AS-GAC 的马陆葡萄病虫害识别研究[J]. 河南农业科学, 2022, 51(6): 154-163.
[15]	牛浩, 李静浩, 李鹏程, 孙光伟, 白涛, 陈振国, 宋朝鹏, 王涛. 不同部位采后烟叶颜色变化差异与能量代谢的关系[J]. 河南农业科学, 2022, 51(4): 171-180.

基于YOLOv3 改进算法的烟叶原料烟草甲识别方法研究

Identification of Lasioderma serricorne in Tobacco Leaf Raw Materials Based on Improved YOLOv3 Algorithm

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics