基于SSD模型的巢門(mén)蜜蜂檢測(cè)

呂純陽(yáng), 劉升平, 郭秀明, 肖順?lè)? 劉大眾, 楊菲菲, 李路華

(中國(guó)農(nóng)業(yè)科學(xué)院農(nóng)業(yè)信息研究所， 北京 100081)

蜂業(yè)在現(xiàn)代農(nóng)業(yè)中發(fā)揮著重要作用，是人類生活環(huán)境和經(jīng)濟(jì)的重要組成部分，全球有三分之一以上的糧食生產(chǎn)依賴蜜蜂傳粉[1]，同時(shí)通過(guò)蜂產(chǎn)品獲取直接經(jīng)濟(jì)效益。蜜蜂養(yǎng)殖是蜂業(yè)的基礎(chǔ)和關(guān)鍵環(huán)節(jié)，維護(hù)蜂群的健康穩(wěn)定是蜂業(yè)生產(chǎn)正常運(yùn)轉(zhuǎn)的基本條件。傳統(tǒng)蜜蜂養(yǎng)殖方法多依賴人力和經(jīng)驗(yàn)，如手動(dòng)打開(kāi)蜂箱檢查巢脾、了解蜂群狀況及憑經(jīng)驗(yàn)判斷蜂群的狀態(tài)等，耗時(shí)耗力。隨著計(jì)算機(jī)和傳感器等技術(shù)發(fā)展，基于無(wú)線網(wǎng)絡(luò)的監(jiān)測(cè)技術(shù)廣泛應(yīng)用于各個(gè)行業(yè)和領(lǐng)域，其中包括對(duì)蜂群自動(dòng)化監(jiān)測(cè)和控制[2]，能幫助養(yǎng)殖人員實(shí)現(xiàn)對(duì)蜂群高效遠(yuǎn)程監(jiān)控、降低開(kāi)箱頻次、減少對(duì)蜂群的影響，開(kāi)創(chuàng)科技養(yǎng)蜂、智能養(yǎng)蜂的新局面[3]。

在低成本、高便捷度、易維護(hù)性等需求下，巢外蜂群監(jiān)測(cè)逐漸受到關(guān)注。已有一些研究采用傳統(tǒng)圖像處理方法實(shí)現(xiàn)對(duì)蜂巢口蜜蜂監(jiān)測(cè)，處理流程包括蜜蜂檢測(cè)與蜜蜂數(shù)量統(tǒng)計(jì)兩步。 蜜蜂檢測(cè)方法有輪廓檢測(cè)法[4]、像素分離法[4-6]、背景減除法[7-9]；蜜蜂數(shù)量統(tǒng)計(jì)使用方法有平均像素法[4-6]、HARR波峰法[10]、信噪比估計(jì)法[7-8]、模板匹配法[9]等。

傳統(tǒng)方法依賴一定先驗(yàn)知識(shí)提取圖片中目標(biāo)，主要缺陷有：①滑動(dòng)窗口策略在進(jìn)行區(qū)域選擇時(shí)針對(duì)性不強(qiáng)，增加了時(shí)間復(fù)雜度和窗口冗余；②人工選取的特征對(duì)目標(biāo)多樣性缺乏很好的魯棒性[11]。蜂巢口環(huán)境復(fù)雜、光線變化快，蜜蜂本身也存在陰影、遮擋等復(fù)雜狀況，傳統(tǒng)算法普適性差，不能應(yīng)對(duì)復(fù)雜場(chǎng)景變化，且當(dāng)蜜蜂密度較大時(shí)，準(zhǔn)確率不高。

近年來(lái),卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks，CNN)和深度學(xué)習(xí)對(duì)目標(biāo)檢測(cè)模型進(jìn)行了革新，檢測(cè)精度和魯棒性都得到提升，在人臉識(shí)別、無(wú)人駕駛等許多領(lǐng)域取得了突出成果?；谏疃葘W(xué)習(xí)的目標(biāo)檢測(cè)主要分為兩類：一類是基于區(qū)域候選方法，首先對(duì)檢測(cè)區(qū)域提取候選區(qū)域，然后對(duì)候選區(qū)域進(jìn)行特征提取和分類，典型的模型有R-CNN[12]、SPP-net[13]、Fast R-CNN[14]、Faster R-CNN[15]、R-FCN[16]。另一類是基于回歸思想，按照一定方式劃定默認(rèn)框，建立預(yù)測(cè)框、默認(rèn)框和真值(ground truth)框的關(guān)系進(jìn)行訓(xùn)練，代表模型有YOLO[17]和SSD[18]。前者具有較高準(zhǔn)確率，但其目標(biāo)定位與分類分兩步進(jìn)行導(dǎo)致速度較慢，基于回歸方法直接在圖片中回歸出目標(biāo)位置及種類，實(shí)現(xiàn)了端到端處理，速度大大加快。SSD結(jié)合faster R-CNN的anchor機(jī)制，獲得優(yōu)于YOLO方法的較高精度。綜合巢門(mén)區(qū)域蜜蜂的監(jiān)測(cè)需求，兼顧蜜蜂檢測(cè)準(zhǔn)確率和效率，在上述兩類目標(biāo)檢測(cè)方法中選擇SSD作為本文使用方法。

1 材料與方法

1.1 數(shù)據(jù)

1.1.1數(shù)據(jù)來(lái)源數(shù)據(jù)采集地點(diǎn)在中國(guó)農(nóng)業(yè)科學(xué)院蜜蜂研究所中關(guān)村蜜蜂養(yǎng)殖基地。采集時(shí)間從蜜蜂春繁開(kāi)始的3月底持續(xù)到留蜜期7月，間隔為一周，共16個(gè)采集時(shí)間節(jié)點(diǎn),并根據(jù)當(dāng)天具體狀況進(jìn)行小幅度調(diào)整。采集設(shè)備為單反相機(jī)(Cannon Eos 5DsR)，像素分辨率為1 920×1 080、幀率為30 fps的mp4視頻。

相機(jī)架分別置于蜂箱巢門(mén)上方20、35、50 cm高度。將光照、時(shí)間段、蜂群數(shù)量、天氣等變量進(jìn)行多組合視頻信息采集。采集控制條件如表2所示，其中光照條件(針對(duì)晴天)有正常光照、陰暗；采集時(shí)間為07：00—19：00，間隔4 h，動(dòng)態(tài)選擇3個(gè)時(shí)間點(diǎn)；針對(duì)群勢(shì)不同，各挑選3個(gè)具代表性的蜂箱；天氣區(qū)分為晴天和陰天(雨天蜜蜂一般不外出)。不同組合中，每一種錄制3 min。根據(jù)采集方案，每天獲取視頻約2 h，全時(shí)期約30 h數(shù)據(jù)量。

表1 數(shù)據(jù)采集控制條件

1.1.2數(shù)據(jù)篩選和標(biāo)記根據(jù)深度學(xué)習(xí)目標(biāo)檢測(cè)與采用方法的數(shù)據(jù)需求，將原始視頻數(shù)據(jù)制作為PASCAL VOC格式數(shù)據(jù)集。首先進(jìn)行視頻分幀和圖片篩選剪切，然后用labelImg工具進(jìn)行目標(biāo)標(biāo)記，篩選圖庫(kù)和標(biāo)記如圖1。綜合考慮光照、數(shù)量等因素，從原始圖片中共選擇剪切1 000張。

圖1 蜜蜂樣本篩選和標(biāo)記

1.1.3構(gòu)建數(shù)據(jù)集采用隨機(jī)選取的方式，按照trainval集：test集=4∶1進(jìn)行分配，其中trainval按照4∶1比例分為train和val，便于在訓(xùn)練中考察模型的擬合狀況。

為豐富數(shù)據(jù)集中訓(xùn)練數(shù)據(jù)，減少過(guò)擬合，對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行增強(qiáng)處理?？紤]光照對(duì)圖片的重要性，策略是對(duì)圖片顏色隨機(jī)調(diào)整飽和度、對(duì)比度、亮度。增強(qiáng)處理后，剔除一些質(zhì)量太差圖片，訓(xùn)練集擴(kuò)增600張。

1.2 模型和方法

1.2.1SSD模型SSD模型框架分成兩部分: 第一部分為調(diào)整后VGG網(wǎng)絡(luò)，去除VGG-16網(wǎng)絡(luò)的dropout、FC8 和softmax層，將FC6 和FC7 替換為卷積層 Conv6和 Conv7；第二部分是位于后端的特征檢測(cè)網(wǎng)絡(luò)，添加了 Conv8、Conv9、Conv10、Conv11四組卷積層，與Conv4、Conv7共同組成多尺度的特征金字塔結(jié)構(gòu)卷積網(wǎng)絡(luò)(圖2)。

圖2 SSD模型

SSD 模型輸入圖像的尺寸固定，圖像大小分為 300×300 和 512×512 兩種，基于檢測(cè)實(shí)時(shí)性考慮，本文采用300×300的模式進(jìn)行試驗(yàn)。SSD算法檢測(cè)的核心是在多尺度特征圖上采用卷積核來(lái)預(yù)測(cè)一系列默認(rèn)框類別和坐標(biāo)偏移(圖3)，在不同特征圖的每個(gè)特征點(diǎn)位置劃分K(4或6)個(gè)默認(rèn)檢測(cè)框檢測(cè)目標(biāo)，在SSD300中共產(chǎn)生8 732個(gè)檢測(cè)框。針對(duì)每個(gè)檢測(cè)框，根據(jù)預(yù)測(cè)得分結(jié)合非極大值抑制(non-maximum suppression, NMS)方法對(duì)檢測(cè)結(jié)果進(jìn)行過(guò)濾，保留最佳的一個(gè)。

注：Conv—卷積層；AP—平均池化；DB—每格默認(rèn)框數(shù)；DC—檢測(cè)和分類

1.2.2SSD訓(xùn)練策略SSD網(wǎng)絡(luò)訓(xùn)練從網(wǎng)絡(luò)構(gòu)建、權(quán)重和參數(shù)設(shè)置及讀入數(shù)據(jù)開(kāi)始，中間需要一系列處理策略，以實(shí)現(xiàn)端對(duì)端的損失函數(shù)計(jì)算和反向傳播計(jì)算,具體流程如圖4所示。

注:i表示當(dāng)前訓(xùn)練次數(shù)，imax表示最大訓(xùn)練次數(shù)。

默認(rèn)框設(shè)置：SSD 采用多尺度方法得到多個(gè)不同尺寸的特征圖，假設(shè)模型檢測(cè)時(shí)采用m層特征圖，則第k個(gè)特征圖的默認(rèn)框比例計(jì)算公式如下。

(1)

(2)

(3)

配對(duì)策略：首先，尋找與每一個(gè)真值框(ground truth box)有最大的交并比(intersection-over-union, IoU)(公式4)的默認(rèn)框(default box)，保證每一個(gè)真值框與唯一的一個(gè)默認(rèn)框?qū)?yīng)起來(lái)。然后，將剩余還沒(méi)有配對(duì)的默認(rèn)框與任意一個(gè)真實(shí)框嘗試配對(duì)，若兩者之間的IoU>閾值(SSD 300 閾值為0.5)則認(rèn)為match，配對(duì)到真值框的默認(rèn)框就是候選正樣本集，沒(méi)有配對(duì)到真值框的就是候選負(fù)樣本集。

(4)

難例樣本挖掘：生成prior boxes后，不符合真實(shí)框的預(yù)測(cè)框(negative boxes)很多，而且遠(yuǎn)多于符合真實(shí)框的預(yù)測(cè)框(positive boxes)，這樣會(huì)造成正負(fù)樣本之間不均衡，導(dǎo)致loss不穩(wěn)定。因此，將特征圖上每一個(gè)位置對(duì)應(yīng)是負(fù)樣本的預(yù)測(cè)框(預(yù)測(cè)框與真實(shí)框之間的IoU<0.5為負(fù)，反之為正)按照置信度大小排序，選擇最高的幾個(gè)，保證最后正負(fù)樣本的比例在1∶3。

目標(biāo)函數(shù)： SSD 訓(xùn)練同時(shí)對(duì)位置和目標(biāo)種類進(jìn)行回歸，其目標(biāo)損失函數(shù)是置信損失和位置損失之和，其表達(dá)式如下。

(5)

式中，N為與ground truth物體框匹配的默認(rèn)框個(gè)數(shù)；Lconf(z，c)為置信損失；Lloc(z，l，g)為位置損失，這里采用的是Smooth L1 Loss；z為默認(rèn)框與不同類別的ground truth 物體框的匹配結(jié)果；c為預(yù)測(cè)物體框的置信度；l為預(yù)測(cè)物體框的位置信息；g為ground truth物體框的位置信息；α為權(quán)衡置信損失和位置損失的參數(shù)，一般設(shè)置為1。

1.2.3模型驗(yàn)證模型效果的驗(yàn)證一方面對(duì)蜜蜂數(shù)據(jù)集中測(cè)試集進(jìn)行測(cè)試,另一方面由于SSD的 resize設(shè)置使輸入圖片形變，考慮實(shí)際應(yīng)用場(chǎng)景，為驗(yàn)證模型的泛化性能，在數(shù)據(jù)集合外選擇部分1 920×1 080圖片對(duì)模型測(cè)試。模型外測(cè)試圖片基于蜜蜂數(shù)量分為少(n≤15)、中(1530)三個(gè)層級(jí)，每種情況覆蓋不同采集條件選取100張。

1.2.4試驗(yàn)環(huán)境和參數(shù)硬件配置為Intel(R) Xeon(R) Gold6132 CPU@2.60 GHz處理器、NVIDIA-Tesla P100(16GB)顯卡；軟件環(huán)境為L(zhǎng)inux系統(tǒng)、CUDA、OpenCV、Pytorch深度學(xué)習(xí)框架。

訓(xùn)練參數(shù)設(shè)置為使用隨機(jī)梯度下降法(stochastic gradient descent, SGD)，設(shè)定初始學(xué)習(xí)率為0.001，動(dòng)量為0.9，權(quán)重衰減值為0.005，批大小為64。為了提高算法的準(zhǔn)確性，對(duì)不同大小的數(shù)據(jù)集分別進(jìn)行了訓(xùn)練，分別采用200、500、850、1 600張樣本，包含的目標(biāo)數(shù)量為5 000、12 000、21 000、38 000，每次實(shí)驗(yàn)訓(xùn)練5 000次。試驗(yàn)重復(fù)三次。

迭代次數(shù)對(duì)于模型訓(xùn)練非常重要，本研究用0.001的學(xué)習(xí)率迭代訓(xùn)練數(shù)據(jù)2 000次，然后用0.000 1的學(xué)習(xí)率迭代2 000次，最后用0.000 01的學(xué)習(xí)率迭代1 000次。

1.2.5評(píng)價(jià)指標(biāo)根據(jù)側(cè)重點(diǎn)不同，目標(biāo)檢測(cè)中有許多評(píng)價(jià)指標(biāo)，如檢測(cè)精確度、檢測(cè)速度、定位準(zhǔn)確度等?？紤]在實(shí)際場(chǎng)景中的應(yīng)用，本文側(cè)重于目標(biāo)檢測(cè)的精度和速度。

平均精度(average precision, AP)是同時(shí)衡量召回率、精確率的指標(biāo)，為P-R曲線下面積，用來(lái)分析單個(gè)類別的檢測(cè)效果，計(jì)算如公式(6)。

(6)

式中，T為數(shù)據(jù)集中含有所需檢測(cè)類別的所有圖像數(shù)目，k表示數(shù)據(jù)集中目標(biāo)對(duì)象的總數(shù)量。若第n個(gè)目標(biāo)是所檢測(cè)目標(biāo)對(duì)象，則Mn為1，反之則Mn為0。Tn表示為前n張圖像中所含檢測(cè)目標(biāo)對(duì)象的個(gè)數(shù)，分類器越好，AP值越高[19]。

此外，衡量檢驗(yàn)?zāi)Ｐ偷姆夯芰?、以后在?shí)際應(yīng)用場(chǎng)景下蜜蜂檢測(cè)的準(zhǔn)確性，采用準(zhǔn)確率(Pr)、誤檢率(Pw)、漏檢率(Pm)三項(xiàng)指標(biāo)對(duì)不同數(shù)量層次的檢測(cè)效果進(jìn)行評(píng)價(jià),計(jì)算公式如下。

(7)

(8)

(9)

式中，Nt為分類器檢測(cè)結(jié)果中正確目標(biāo)的數(shù)量，Nw為結(jié)果中非目標(biāo)的數(shù)量，Lm為未被檢測(cè)出來(lái)的目標(biāo)數(shù)量，n是真實(shí)目標(biāo)的總數(shù)量。

檢測(cè)速度的衡量指標(biāo)為FPS(frame per second)，為每秒處理圖片幀的數(shù)量。

2 結(jié)果與分析

2.1 樣本庫(kù)大小影響

測(cè)試數(shù)據(jù)集驗(yàn)證結(jié)果表明，第一次試驗(yàn)AP為0.467 9，基本能對(duì)較顯著蜜蜂進(jìn)行檢測(cè)。第二次將數(shù)據(jù)擴(kuò)大為500張，AP為0.782 1，對(duì)不完整的目標(biāo)能進(jìn)行檢測(cè)。第三次AP為0.880 2，對(duì)中等數(shù)量及以下情況能實(shí)現(xiàn)準(zhǔn)確檢測(cè)，對(duì)數(shù)量較多情況漏檢較多。第四次AP為0.921 0，改善了較多數(shù)量條件的漏檢問(wèn)題。如表2所示，隨著數(shù)量的增加，準(zhǔn)確率會(huì)快速提高。且每一次訓(xùn)練中，隨著迭代次數(shù)增加，準(zhǔn)確率會(huì)與顯著上升，說(shuō)明充分的迭代對(duì)模型準(zhǔn)確率比較關(guān)鍵，但是需要避免過(guò)分的迭代造成過(guò)擬合，降低了模型的泛化性能。

表2 不同樣本數(shù)量訓(xùn)練結(jié)果

2.2 不同數(shù)量層級(jí)準(zhǔn)確率

考察模型泛化性能，采用上述數(shù)據(jù)集合外的300張圖片統(tǒng)計(jì)不同數(shù)量層級(jí)的正確率、誤檢率和漏檢率，檢測(cè)結(jié)果如圖5所示。從左至右為數(shù)量少、中等和較多三種情況，每種的正確率、誤檢率和漏檢率評(píng)價(jià)指標(biāo)如表3所示。數(shù)量較少時(shí)，能高準(zhǔn)確率的對(duì)蜜蜂實(shí)現(xiàn)檢測(cè)工作，達(dá)到96.34%；中等數(shù)量時(shí)，出現(xiàn)遮擋情況增多，導(dǎo)致漏檢率和誤檢率提升，準(zhǔn)確率為92.52%；當(dāng)蜂群進(jìn)入流蜜期，活動(dòng)量與蜂群規(guī)模會(huì)大量增加，巢門(mén)區(qū)域蜜蜂數(shù)量隨之增加，遮擋情況高頻出現(xiàn)使蜜蜂堆疊不可避免，該情況下準(zhǔn)確率為88.06%，依舊保持較好檢測(cè)效果。

表3 不同數(shù)量層次檢測(cè)效果

圖5 不同數(shù)量級(jí)

2.3 檢測(cè)效果比較分析

以前對(duì)巢門(mén)區(qū)域蜜蜂檢測(cè)多是采用傳統(tǒng)圖像處理，圖6比較了前人和本文方法的檢測(cè)結(jié)果。前人研究采用了不同顏色的巢門(mén)，并使用輪廓檢測(cè)、像素分離等方法對(duì)蜜蜂進(jìn)行檢測(cè)和數(shù)量統(tǒng)計(jì)。其中白色背景的檢測(cè)效果較好，在使用白色背景的多個(gè)研究中，準(zhǔn)確率結(jié)果如表4所示，從小到大依次為85.5%、73.0%、63.0%。本文亦采用了像素分離法結(jié)合平均像素法對(duì)蜜蜂數(shù)量進(jìn)行統(tǒng)計(jì)，部分實(shí)驗(yàn)圖片如圖6。不同顏色下每個(gè)數(shù)量級(jí)分別采用50張照片進(jìn)行了檢測(cè)，其中白色背景結(jié)果最好，數(shù)量級(jí)從小到大準(zhǔn)確率依次為78.2%、69.5%、56.0%，準(zhǔn)確率高于傳統(tǒng)方法。

表4 傳統(tǒng)方法準(zhǔn)確率

圖6 傳統(tǒng)方法和本文方法檢測(cè)比較

2.4 多條件適應(yīng)性

針對(duì)不同應(yīng)用條件，如不同光照、天氣陰晴、拍攝的距離等，本文采用方法均具有較強(qiáng)適應(yīng)性,結(jié)果如圖7所示。在不同條件中的適用，給該方法進(jìn)行巢門(mén)區(qū)域蜜蜂數(shù)量監(jiān)測(cè)的實(shí)際應(yīng)用提供了依據(jù)。

注： La、Lb、Lc、Ld分別為強(qiáng)光、弱光、強(qiáng)光遮擋、弱光遮擋；Oa、Ob、Oc分別為晴天、多云、陰天；Da、Db、Dc分別為不同拍攝距離。

2.5 復(fù)雜目標(biāo)檢測(cè)效果分析

傳統(tǒng)圖像處理方法的檢測(cè)中，蜜蜂投影去除是研究的重點(diǎn)和難點(diǎn)，SSD模型能對(duì)圖片中蜜蜂投影實(shí)現(xiàn)濾除；數(shù)據(jù)采集過(guò)程中，設(shè)備晃動(dòng)或蜜蜂快速移動(dòng)，都難以避免使圖片中蜜蜂不清晰，該情況下蜜蜂的準(zhǔn)確檢測(cè)能提高整體檢測(cè)準(zhǔn)確率，SSD能實(shí)現(xiàn)對(duì)虛化狀態(tài)蜜蜂的檢測(cè)；進(jìn)入花期后，蜂群的規(guī)模和活動(dòng)量增加，巢門(mén)附近區(qū)域蜜蜂逐漸增多，蜜蜂間遮擋成為常態(tài)，這個(gè)問(wèn)題在以往的研究中多是采用昂貴的蜂箱改造技術(shù)，限制遮擋來(lái)進(jìn)行處理，本研究對(duì)大部分遮擋情況實(shí)現(xiàn)了檢測(cè)，結(jié)果如圖8所示。

圖8 蜜蜂復(fù)雜狀況

2.6 不同設(shè)備檢測(cè)速度

為進(jìn)一步驗(yàn)證該方法在實(shí)際應(yīng)用中的可能性，分別在NVIDIA-Tesla-P100、NVIDIA-GeForce MX150和CPU-intel i78565U三種不同硬件上對(duì)算法檢測(cè)速度進(jìn)行測(cè)試，結(jié)果分別為68、14和8 FPS。隨著硬件設(shè)備的快速發(fā)展，處理能力越來(lái)越強(qiáng)、價(jià)格越來(lái)越便宜，對(duì)巢門(mén)區(qū)域蜜蜂數(shù)量的檢測(cè)會(huì)達(dá)到實(shí)時(shí)處理，在實(shí)際生產(chǎn)養(yǎng)殖中得到應(yīng)用。

3 討論

目前，蜂箱巢門(mén)區(qū)域蜜蜂檢測(cè)計(jì)數(shù)多采用傳統(tǒng)的圖像處理方法，此類方法依賴經(jīng)驗(yàn)，在精度不高且復(fù)雜場(chǎng)景下適應(yīng)性低。單向多框檢測(cè)器(SSD)[18]是目標(biāo)檢測(cè)主要框架之一，速度方面借鑒了YOLO方法中回歸的思想，可直接在圖像中回歸目標(biāo)位置及其類別，大大加快了檢測(cè)速度；另一方面，結(jié)合Faster R-CNN的區(qū)域推薦網(wǎng)絡(luò)(region proposal network, RPN)，提高了檢測(cè)的準(zhǔn)確率，因此相比較Faster-RCNN來(lái)說(shuō)，該算法具有顯著的速度優(yōu)勢(shì)，對(duì)比YOLO方法又具有明顯的平均準(zhǔn)確率(mean average precision, mAP)優(yōu)勢(shì)。本文采用深度學(xué)習(xí)的目標(biāo)檢測(cè)SSD模型使用便捷，適應(yīng)多種應(yīng)用場(chǎng)景并且有效的提高了檢測(cè)統(tǒng)計(jì)的準(zhǔn)確率。

當(dāng)前，傳統(tǒng)方法對(duì)蜂箱巢門(mén)區(qū)域蜜蜂的統(tǒng)計(jì)分為兩步進(jìn)行。首先提取圖片中蜜蜂區(qū)域，然后采用平均像素等方法處理蜜蜂區(qū)域?qū)崿F(xiàn)計(jì)數(shù)，兩步產(chǎn)生的誤差疊加使得準(zhǔn)確率低下。從表4可以看出，前人研究和本文方法中，均在蜜蜂數(shù)量較少的情況下準(zhǔn)確率最高，分別為85.5%、78.2%。本文采用SSD方法同時(shí)完成檢測(cè)與計(jì)數(shù)，依賴卷積神經(jīng)網(wǎng)絡(luò)強(qiáng)大的特征提取能力，檢測(cè)計(jì)數(shù)準(zhǔn)確率在蜜蜂少量、一般數(shù)量、較多數(shù)量情況中分別提升到了96.34%、92.52%、88.06%。

在訓(xùn)練過(guò)程中，通過(guò)減小損失函數(shù)值可以確保在提升預(yù)測(cè)框類別置信度的同時(shí)，也提高預(yù)測(cè)框的位置可信度，通過(guò)多次結(jié)果優(yōu)化，不斷提高模型的目標(biāo)檢測(cè)性能，從而訓(xùn)練出性能較好的預(yù)測(cè)模型。SSD模型對(duì)不同場(chǎng)景表現(xiàn)出良好的適應(yīng)性。從檢測(cè)效果上說(shuō)，深度學(xué)習(xí)SSD模型對(duì)復(fù)雜目標(biāo)情況的識(shí)別能力比傳統(tǒng)方法蜜蜂檢測(cè)更具有優(yōu)勢(shì)性。蜜蜂的陰影、虛化和互相遮擋問(wèn)題是上述蜜蜂區(qū)域提取環(huán)節(jié)準(zhǔn)確率不高的結(jié)癥，本文方法對(duì)其達(dá)到很好的抑制效果，如圖8，同時(shí)傳統(tǒng)方法對(duì)圖片獲取場(chǎng)景具有特殊要求性，光照、拍攝距離等變化使檢測(cè)效果大幅度下降。

傳統(tǒng)方法一方面在蜜蜂檢測(cè)階段對(duì)漏檢、陰影去除方面都有所欠缺，另一方面數(shù)量統(tǒng)計(jì)階段進(jìn)一步產(chǎn)生誤差，與本文采用SSD方法相比，準(zhǔn)確率低，且算法應(yīng)用場(chǎng)景單一、魯棒性差，不能夠滿足多環(huán)境、多條件應(yīng)用。本文為深度學(xué)習(xí)在蜂群自動(dòng)化監(jiān)測(cè)中的應(yīng)用提供了可行性和驗(yàn)證，一方面提高了巢門(mén)蜜蜂檢測(cè)的效果，也為后期蜂箱蜜蜂進(jìn)出量統(tǒng)計(jì)研究中的蜜蜂跟蹤奠定了基礎(chǔ)。本文仍需要進(jìn)一步擴(kuò)增數(shù)據(jù)集合數(shù)量、從SSD特征圖特征融合角度改進(jìn)算法，進(jìn)一步提高模型的魯棒性和準(zhǔn)確率。同時(shí)基于檢測(cè)計(jì)數(shù)結(jié)果對(duì)蜜蜂進(jìn)行識(shí)別跟蹤是下一步研究?jī)?nèi)容。