劉升平研究員團隊：農業復雜環境下尺度自適應小目標識別算法——以蜜蜂為研究對象

農業生產環境中的目標識別對象常具有分布密集、體積小、密度大的特點，加之農田環境光照多變、背景復雜，導致已有目標檢測模型無法取得令人滿意的效果。

本研究以提高小目標的識別性能為目標，以蜜蜂識別為例，提出了一種農業復雜環境下尺度自適應小目標識別算法。算法克服了復雜多變的背景環境的影響及目標體積較小導致的特征提取困難，實現目標尺度無關的小目標識別。

首先將原圖拆分為一些較小尺寸的子圖以提高目標尺度，將已標注的目標分配到拆分后的子圖中，形成新的數據集，然后采用遷移學習的方法重新訓練并生成新的目標識別模型。

在模型的使用中，為使子圖識別結果能正常還原，拆分的子圖之間需具有一定的重疊率。收集所有子圖的目標識別結果，采用非極大抑制(Non-Maximum Suppression，NMS)去除由于模型本身產生的冗余框，提出一種交小比非極大抑制(Intersection over Small NMS，IOS-NMS)進一步去除子圖重疊區域中的冗余框。在子圖像素尺寸分別為300×300、500×500和700×700，子圖重疊率分別為0.2和0.05的情況下進行驗證試驗，結果表明：采用SSD(Single Shot MultiBox Detector)作為框架中的目標檢測模型，新提出的尺度自適應算法的召回率和精度普遍高于SSD模型，最高分別提高了3.8%和2.6%，較原尺度的YOLOv3模型也有一定的提升。

為進一步驗證算法在復雜背景中小目標識別的優越性，從網上爬取了不同尺度、不同場景的農田復雜環境下的蜜蜂圖像，并采用本算法和SSD模型進行了對比測試，結果表明：本算法能提高目標識別性能，具有較強的尺度適應性和泛化性。由于本算法對于單張圖像需要多次向前推理，時效性不高，不適用于邊緣計算。