基于改进YOLOv3 的数字识别方法

陈悦哲 孔令云 李 杰 张 仪 王许鹏

（西京学院，陕西 西安710123）

1 概述

数字在数学、金融、大数据、教育等各个行业都是加快发展历程的关键。由于信息时代的迅速发展，致使数字信息的长度和维度都大大增加，如何快速准确的识别出数字内容就尤为重要。

2016 年3 月份，自从Google 的围棋人工智能程序AlphaGo以4 比1 的大比分，战胜人类选手李世石以来，深度神经网络就迅速发展起来，发展出了一系列的手写数字识别的算法，例如R-CNN[1]，Fast R-CNN[2]，Faster R-CNN[3]，和Mask RCNN[4]。这些算法的准确率虽然可以满足基本的识别需求，但是实时性不佳。

本实验介绍基于改进YOLOv3[5]的手写数字识别技术，该方法对数字的识别有较高的准确率和较快的预测速度。

2 数据准备与预处理

数据质量的高低与模型训练的好坏有着直接的联系，因此本实验对原生的MNIST 数据集进行了改进和数据增强。

2.1 数据准备

本实验将单一数字为样本的MNIST 数据集进行拼随机拼接处理，提高模型在同一个样本内识别多个数字的能力。

2.2 数据预处理

在数据预处理部分，主要有两个核心任务。

第一，避免分散模型对数字识别的注意力。因为在数字识别的过程中，并不需要对数字的色彩和灰色度进行识别，去除一些非必要信息，所以将对样本进行二值化。

第二，解决样本数量问题。训练YOLOv3 的模型需要大量的样本，否则极易过拟合，使模型缺失泛化能力。在基础样本数量确定后，本实验采取的数据增强技术有：随机移动、随机裁剪、随机反转。处理后的数据如图1。

图1 数据样本

3 YOLOv3 的改进

3.1 多尺度特征的改进

YOLOv3 相较于YOLOv2 的一个重大改进就是采用的多尺度特征的方法代替YOLOv2 采用的passthrough 层，这种多尺度特征的方法对于检测细粒度特征有着优异的效果，三种特征尺度分别为13*13、26*26 和56*56。

但是在日常的数字识别项目中，每个数字一般只占据页面的一小部分，过多的进行大尺度特征描述是徒劳的，同时为了避免特殊情况，将设定一个阈值为0.7 来触发是否进行大尺度特征描述，计算公式如下：

特征图由大到小对应的先验框分别为（116*90），（156*198），（373*326）；（30*61）（62*45）（59*119）；（10*13）（16*30）（33*23）。

3.2 DarkNet-53 的改进

YOLOv3 具有对80 类甚至上百类的目标进行识别，由于数字识别的范围是在0～9 的10 分类问题，YOLOv3 过于厚重的网络模型会造成资源浪费和实时速度。虽然DarkNet-53 采用残差网络结构使得网络的训练难度得到降低，并使用了大量的1×1 卷积核与使用3×3 大小步长为2 的卷积核替代最大池化减少网络总体的参数数量，但是还是没有解决训练复杂和识别速度慢的问题。

为了精进这一点，在保证准确率的基础上，本实验提出了改进版的DarkNet-53 特殊提取器IDN，改进YOLOv3 网络结构如图2 所示。

图2 改进YOLOv3 网络结构

4 模型训练与结果分析

本实验主要任务是两个部分：

第一个部分，通过实验评估YOLOv3 模型与改进后的YOLOv3 模型的准确率。

第二个部分，在预测阶段对比模型的响应速度。

4.1 损失函数

Loss 主要分为三大部分：边界框坐标损失，分类损失和置信度损失。使用误差平方损失函数分别计算（x，y，w，h）的Loss 时，为了弱化边界框尺寸对损失值的影响，增加1 个与物体框大小有关的权重。

整个模型的Loss 如下：

其中，λobj表示置信度，判断网格内有无物体。

4.2 评价指标

本实验在准确率P（Precision）、召回率R（Recall）的基础上，选取mAP 作为评价指标，计算公式如下：

训练25 个epoch 的实验结果如表1。

表1 实验结果比对

改进YOLOv3 与原始YOLOv3 的mAP 差距并不大，甚至可以忽略，但是在实时性上有一定的提升。

5 结论

本实验对MNIST 数据集进行随机拼接并使用多种数据增强方法，加强数据的多样性，并且对DarkNet-53 网络结构和YOLOv3 的多尺度识别进行改进，提出了数字的识别方法。最后实验采用mAP 方法进行性能评估。实验结果表明, 本实验提出的数字识别方法相对YOLOv3 方法的mAP 差距不大，但是在预测速度上有一定的提升。