王博鑫 李丹

摘  要：文章基于YOLOv4进行了蛇类检测。在谷歌的Open Image数据集中下载已标注蛇类图片，使用谷歌的Colab平台进行实验，在Darknet框架下对网络模型进行训练。经对比，YOLOv4的最终性能高于常见的onestage检测算法，相近准确度下速度快于twostage检测算法。最终结果显示，YOLOv4在识别蛇类图像时准确度达95.55%，平均检测时间为37 ms，帧处理速率达27FPS（帧/秒）。该检测速度和检测精度满足大部分背景下蛇类检测的需求，使蛇类检测与识别具备了可行性。

关键词：深度学习;卷积神经网络;蛇类;YOLOv4;目标检测

中图分类号：TP391.4        文献标识码：A文章编号：2096-4706（2021）13-0034-03

Snake Image Recognition Based on YOLOv4

WANG Boxin， LI Dan

（School of Computer and Software， Jincheng College of Sichuan University， Chengdu  611731， China）

Abstract： In this paper， snake detection is carried out based on YOLOv4. Download the marked snake pictures in Google，s Open Image dataset， conduct experiments using Google，s Colab platform， and train the network model under the Darknet framework. After comparison， the final performance of YOLOv4 is higher than the common onestage detection algorithm， and the speed of it is faster than the twotage detection algorithm in the context of similar accuracy. The final results show that the accuracy of YOLOv4 in identifying snake images reaches 95.55%， the average detection time is 37 ms， and the frame processing rate reaches 27 FPS （frames/second）.The detection speed and accuracy meet the needs of snake detection in most backgrounds， which makes snake detection and recognition feasible.

Keywords： deep learning; convolutional neural network; snake; YOLOv4; object detection

0  引  言

蛇是生物種群中常见的爬行动物。我国的蛇类具备高度的种类丰富性和资源丰富性，是蛇类最多的国家之一。但蛇类伤人事件时常发生，尤其是在野外，所以需要有效的办法检测蛇类并预警。现在，蛇类的检测判别基本上依赖于人工来完成，但蛇的栖息环境并非固定，会因为各种原因变化，且蛇类喜阴凉潮湿，活动地点往往有杂物遮挡，因而检测判别蛇需要花费许多时间成本以及人工成本，且有一定可能误判漏判。近年来，深度学习作为机器学习领域的一个研究方向，进步非常迅速。基于深度学习的目标检测在诸多领域中都展现出非常好的效果，得到了广泛应用。截至目前，有关蛇类检测识别的研究寥寥可数，而深度学习中的目标检测是当下非常热门的计算机视觉应用，利用它来进行蛇类检测研究非常有前景。

目标检测试图找到图像中需要检测的目标并给出它们的类别和位置，由于受到诸多干扰因素（例如不同类目标整体外形上的差异、又或者是图像拍摄时光线、物体覆盖等要素）的影响，目标检测当仁不让地成为CV领域最有难度的问题之一。……