典型文献
基于改进YOLOv3的瞳孔屈光度检测方法
文献摘要：
针对瞳孔区域屈光度识别准确率低、检测效率低等问题,本文提出一种基于改进YOLOv3深度神经网络的瞳孔图像检测算法.首先构建用于提取瞳孔主特征的二分类检测网络YOLOv3-base,强化对瞳孔特征的学习能力.然后通过迁移学习,将训练模型参数迁移至YOLOv3-DPDC(Deep Pupil Diopter Classify),降低样本数据分布不均衡造成的模型训练困难以及检测性能差的难题,最后采用Fine-tuning调参快速训练YOLOv3多分类网络,实现了对瞳孔屈光度快速检测.通过采集的1200张红外瞳孔图像进行实验测试,结果表明本文算法屈光度检测准确率达91.6％,检测速度可达45 fps,优于使用Faster R-CNN进行屈光度检测的方法.
文献关键词：
瞳孔屈光度检测;深度学习;YOLOv3网络;多尺度特征;机器视觉
中图分类号：
作者姓名：
李岳毅;丁红昌;张雷;赵长福;张士博;王艾嘉
作者机构：
长春理工大学 机电工程学院,吉林 长春 130022;长春理工大学 重庆研究院,重庆 401135;郑州轻工业大学 电气信息工程学院,河南 郑州 450002;中国烟草总公司 郑州烟草研究院,河南 郑州 450001
文献出处：
引用格式：
[1]李岳毅;丁红昌;张雷;赵长福;张士博;王艾嘉-.基于改进YOLOv3的瞳孔屈光度检测方法)[J].红外技术,2022(07):702-708
A类：
瞳孔屈光度检测,DPDC,Pupil,Diopter
B类：
YOLOv3,识别准确率,检测效率,深度神经网络,图像检测算法,二分类,分类检测,测网,base,迁移学习,训练模型,参数迁移,移至,Deep,Classify,数据分布,模型训练,检测性能,Fine,tuning,快速训练,多分类网络,快速检测,张红,实验测试,检测准确率,检测速度,fps,Faster,多尺度特征,机器视觉
AB值：
0.340333
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
