主要巨集觀問題

這篇論文要解決什麼問題？

夜間環境的柑橘識別問題。

這篇論文用了什麼方法？

改進的YOLO V3——Des-YOLO V3 網路進行檢測。

這篇論文可以達到什麼效果？

網路的精確率可以達到97.67%，召回率為97.46%、F1值為0.976

在測試集下的平均精度為90.75%，檢測速度為53fps，

用的什麼對比演算法？

YOLO V3，YOLO V3 DarkNet53

Faster RCNN

效果比對比演算法高了多少？

精確率比YOLO V3高6.26%，召回率比YOLOV3高6.36%，F1值比YOLO V3高0.063。

在測試集上YOLO v3_DarkNet53 網路的平均精度 88. 48% ，mAP 比 YOLO v3_

DarkNet53 網路提高了 2. 27 個百分點，檢測速度比 YOLO v3_DarkNet53 網路提高了 11FPS。

DesYOLO v3 網路與 Faster Ｒ-CNN 網路相比，少了生成候選區域這一步，所以 mAP 比 Faster Ｒ-CNN 低了0. 5 個百分點，但是 Des-YOLO v3 網路的速度為 53f /s，明顯快於 Fater Ｒ-CNN。

作者最引以為豪的結論是什麼？

在夜間對柑橘進行檢測的時候，比YOLO V3_DarkNet53 網路的檢測精度高，檢測速度快。

且對小目標的檢測精度有所提高，

將

相對於使用BackBone 為DarkNet 53的 YOLO v3來說，運算量更小，。

這篇論文的創新點是什麼？

改進的Des-YOLO V3網路，實現了網路多層特徵的融合。

這篇論文的難點是什麼？

夜間小體積果實、重疊果實的識別率較低; 夜間識別方法步驟複雜，採用多階段人工特徵提取方法，不適合大樣本資料集，識別效果有待進一步提升。

這篇論文存在的問題是什麼？

技術細節

主要的操作步驟是什麼？

更換YOLO V3的BackBone

網路的結構是什麼

BackBone：先來3個大小為3x3，padding為1的卷積層（不改變影象大小），再來一個最大池化層；之後是1個Dense Block+3個ResNet Block。

neck ：類似於FPN

對網路進行修改的依據是什麼

為了有效減少模型的引數，同時儘可能在高層特徵中保留各級底層特徵（包括原始影象資訊），進一步實現網路多層特徵的複用和融合，因此借鑑了密集連線網路的思想。

在保證模型具有較高預測準確率的基礎上縮減了網路的卷積層數量，減小了模型尺寸和計算量。

資料集有多大？

拍攝了2000幅影象，篩選出來清晰的1600幅。

遮擋影象是指柑橘面積遮擋超過1/3，遮擋影象為749幅，完整影象為851幅，其中1200幅作為訓練集，剩餘400幅作為測試集。

資料集的預處理？

使用的硬體裝置

計算機配置為 Intel Core i7-8700HQ CPU，3. 20 GHz × 12，顯示卡為 GeForce GTX 1080，作業系統為 Ubuntu16. 04LTS，NVIDIA 430. 26 驅動，CUDA 8. 0. 61 版本，CUDNN神經網路加速庫版本為5. 1. 1。

網路的訓練

batch size為64，共16批次，進行50000次迭代；動量因子設為0.9；衰減係數設為0.0005，學習率調整策略採用setps，初始學習率設為0.001，當網路迭代40000次和45000次時，學習率依此降低為0.0001和0.00001。

實驗如何驗證？

設計了YOLO v3 和 Des-YOLO v3 的對比識別試驗，將原始測試集分為果實稀疏完整和果實遮擋 2 個梯度，目的是對比分析 2 種識別網路在以上兩種情況下的檢測效能。

圖 10 為兩種網路 P、Ｒ 關係曲線，圖 11 為 2 種網路的識別效果圖。