Cải tiến thuật toán YOLO v4 ứng dụng cho hệ thống giám sát bệnh phấn trắng và bệnh sương mai trên cây dưa chuột

Vol (2) (2021) Measurement, Control, and Automation Website: https:// mca-journal.org ISSN 1859-0551 Cải tiến thuật toán YOLO v4 ứng dụng cho hệ thống giám sát bệnh phấn trắng bệnh sương mai dưa chuột Improving the YOLO v4 algorithm applied to the powdery mildew and downy mildew monitor system on cucumber plants Ngô Quang Ước1, *, Ngơ Trí Dương2, Bùi Đăng Thảnh1* Viện kỹ thuật Điều khiển Tự động hóa, Viện Điện - Đại học Bách khoa Hà Nội Khoa Cơ Điện - Học viện Nông nghiệp Việt Nam * Corresponding author E-mail: nquoc@vnua.edu.vn, and thanh.buidang@hust.edu.vn Abstract This paper presents the research and design of the powdery mildew and downy mildew monitor system on cucumber plants The system is designed based on Raspberry PI embedded computer and 5MB PI Camera We have improved the YOLO v4 algorithm, then integrated it into this system to identify powdery mildew and downy mildew on cucumber plants The test results of the improved YOLOv4 algorithm with the sample data set gave an accuracy of 83.43%, which is 0.37% higher than the original YOLO v4-tiny algorithm The monitoring system initially operates stably with Raspberry PI hardware in the greenhouse at Vietnam National University of Agriculture Keywords: YOLOv4, Cucumber, Downy mildew, Powdery mildew, Greenhouse Tóm tắt Bài báo trình bày nghiên cứu thiết kế hệ thống giám sát bệnh phấn trắng bệnh sương mai dưa chuột Hệ thống thiết kế dựa máy tính nhúng Raspberry PI Camera PI 5MB Thuật tốn YOLO v4 chúng tơi cải tiến đưa vào hệ thống nhằm nhận dạng bệnh sương mai bệnh phấn trắng dưa chuột Kết thử nghiệm thuật toán YOLO v4 cải tiến với liệu mẫu cho độ xác đạt tới 83.43%, kết cao so với thuật toán YOLO v4-tiny gốc 0.37% Hệ thống giám sát bước đầu hoạt động ổn định với phần cứng Raspberry PI nhà kính Học viện Nơng nghiệp Việt Nam Giới thiệu Bệnh hại trồng nguyên nhân gây thiệt hại lớn kinh tế sản xuất nông nghiệp Việc phát xác định kịp thời bệnh hại trồng điều cần thiết để chữa trị kiểm soát chúng Dưa chuột (Cucumis sativus L.) loại rau phổ biến toàn giới có giá trị kinh tế cao [1][2][3] Để sản xuất dưa chuột có suất cao yếu tố cần trọng phải kiểm soát sâu bệnh, bệnh phổ biến loại bệnh phấn trắng bệnh sương mai [4][5][6][7][8][9] Phát cảnh báo loại bệnh nêu để có giải pháp xử lý sớm nhằm tăng suất giảm lượng thuốc bảo vệ thực vật điều cần thiết Việc ứng dụng công nghệ robot, thuật tốn trí tuệ nhân tạo Internet vạn vật (IoT) cho sản xuất nơng nghiệp nói chung cho hệ thống giám sát dưa chuột nâng cao hiệu chăm sóc trồng, làm giảm bớt sức lao động người nơng dân Có nhiều cơng trình khoa học giới nghiên cứu sử dụng cơng nghệ tự động hóa phục vụ sản xuất dưa chuột nhà lưới, chẳng hạn [10][11] phát triển xe để phun thuốc trừ sâu tự Received: 29 July 2021; Accepted: 15 September 2021 động nhà kính trồng dưa chuột Hệ thống làm nhiệm vụ phun thuốc, chức nhận diện bệnh thực nhờ quan sát người Cơng trình [12] thiết kế robot để xác định thiếu hụt dinh dưỡng Nitơ dưa chuột nhà kính từ điều khiển cung cấp phân bón cho Một số cơng trình nghiên cứu khác lại tập trung vào thuật toán để phân loại bệnh dưa chuột, Ke Lin [13] sử dụng mơ hình Unet để phân đoạn bệnh phấn trắng bệnh dưa chuột, kết cho thấy độ xác 72,11% Pan Zhang [14], sử dụng thuật toán EfficientNet-B4-Ranger để phân loại bệnh dưa chuột, kết cho độ xác 97%, với phương pháp phân loại ảnh này, ảnh phân loại cho đối tượng, nên có nhiều đối tượng ảnh tốn khó thực áp dụng vào thực tế khó Trong thuật tốn phát đối tượng ảnh, YOLO v4 có trội độ xác tốc độ xử lý [15] Phiên YOLO v4-tiny [16] dựa YOLO v4 lược bỏ bớt cấu trúc mạng Nơron tích chập (CNN) để kích thước bé giảm thời gian phát đối tượng YOLO v4-tiny sử dụng phần cứng Raspberry PI, chúng tơi cải tiến thuật toán để ứng dụng cho hệ thống nhận dạng bệnh sương mai bệnh phấn trắng dưa chuột, từ đưa cảnh báo cho người nơng dân Thiết kế hệ thống 2.1 Mơ hình hệ thống Hệ thống thiết kế di chuyển nhà lưới trồng dưa chuột, chụp ảnh xử lý hình ảnh thuật tốn trí tuệ nhân tạo (AI) để nhận bệnh phấn trắng bệnh sương mai Hình ảnh bị bệnh gửi vào email nhắn tin cảnh báo vào Measurement, Control and Automation 61 điện thoại cho người quản lý Mơ hình cấu trúc hệ thống thể qua Hình 2.2 Cấu trúc phần cứng hệ thống Trên Hình 2, biểu diễn sơ đồ cấu trúc thiết bị phần cứng hệ thống phát cảnh báo bệnh phấn trắng bệnh amera PI sương mai dưa chuột, hệ thống gồm có Raspberry PI 4, kết nối với arduino để điều khiển động tiến lùi hệ thống, nâng hạ camera; quay camera lên xuống; kết nối với SIM808 để truyền tin nhắn đến người quản lý nhà lưới biết tình trạng bất thường dưa chuột Đồng thời Raspberry gửi hình ảnh dưa chuột bị bệnh vào email người quản lý i i model ửi ảnh bị bệnh đến mail ửi tin nhắn đến điện thoại cảnh báo bị bệnh Hình 1: Mơ hình tổng thể hệ thống làm việc nhà lưới Hình 2: Sơ đồ cấu trúc thiết bị phần cứng hệ thống Cam uốngv trí Cam v trí o o Cam ên v trí o Chế ộ Chế ộ Hình 3: Sơ đồ biểu diễn chế độ làm việc hệ thống Chế ộ 62 Measurement, Control, and Automation 2.3 Thuật toán iều khiển hệ thống Trên Hình 3, biểu diễn chế độ làm việc camera thử nghiệm với mơ hình trồng dưa chuột thủy canh nhà lưới; dưa chuột phát triển hết có độ cao từ m đến m, mà cấu hệ thống thiết kế để nâng camera lên chụp ảnh cao; bé m (từ đến thật) hệ thống làm việc chế độ 1, phát triển lên từ khoảng m đến 1,6 m camera làm việc chế độ 2, phát triển 1,6 m hệ thống làm việc chế độ Hệ thống nâng camera lên vị trí cao 170 cm so với mặt đất tart chụp ảnh, hệ thống tiến lên 50 cm chụp ảnh vị trí lần đầu, tiếp hết số Chế độ 3: ũng giống chế độ nâng camera lên 25 cm chụp vị trí 45o, 90o 145o Hình 4, lưu đồ thuật tốn hệ thống giám sát cảnh báo dưa chuột bị bệnh phấn trắng bênh sương mai hoạt động nhà lưới; Đ1, Đ2, Đ3 chế độ làm việc hệ thống camera phụ thuộc vào chiều cao trồng Sau hệ thống chụp hết vị trí cây, hình ảnh qua thuật toán AI để phát bệnh phấn trắng, bệnh sương mai Nếu ảnh bị bệnh gửi vào email, tiếp đến tin nhắn cảnh báo dưa chuột bị bệnh gửi đến điện thoại người quản lý kết thúc Ngoài không bị bệnh hệ thống kết thúc q trình làm việc amera vị trí gốc Đ1 Đ2 Sai Đúng Sai Đúng Chế ộ Chế ộ Đ3 Đúng Thuật toán phát bệnh phấn trắng sương mai Sai Chế ộ AI nhận diện bệnh phấn trắng, bệnh sương mai ó ó bệnh P , SM ửi hình ảnh đến mail ửi tin nhắn SMS hơng ết th c Hình 4: Lưu đồ thuật toán hệ thống giám sát cảnh báo bệnh phấn trắng bệnh sương mai dưa chuột Chế độ 1: amera đưa xuống vị trí thấp cách mặt đất 120 cm xoay camera vị trí 45o chụp ảnh, để nguyên trạng thái di chuyển tiếp 50 cm đến chụp ảnh tiếp tục hết thực nghiệm Chế độ 2: Camera chụp ảnh vị trí 45o, sau quay đến vị trí 900 chụp ảnh tiếp, tiếp đến hệ thống nâng camera lên 25 cm để chụp ảnh tiếp theo, sau lại xoay camera xuống 450 nput Thuật toán phát bệnh phấn trắng bệnh sương mai chúng tơi sử dụng thuật tốn YOLO v4-tiny gốc thuật tốn cải tiến chúng tơi dựa YOLO v4-tiny gốc [16] Trên Hình 5, thể cấu trúc thuật toán YOLO v4-tiny gốc (gọi YOLO v4-tiny) gồm có 38 lớp 21 lớp Convolutional (Conv), 11 lớp Route, lớp Maxpooling, lớp Upsample, lớp YOLO Trên Hình 6, thể cấu trúc thuật tốn YOLO v4-tiny cải tiến chúng tơi (gọi tắt Improved YOLO v4tiny), cấu trúc gồm lớp giống với YOLO v4-tiny có thay đổi số lớp kết nối với nhau: thuật tốn YOLO v4-tiny lớp 34 lớp kết nối 33 với lớp 23, thuật toán Improved YOLO v4-tiny lớp 34 lớp kết nối 33 với lớp 17 Độ xác trung bình (mAP) mơ hình có mối quan hệ với giá trị learning rate [17], giá trị learning rate nằm khoảng 0.0 ÷ 1, model YOLOV4-tiny giá trị learning rate 0.00261 Đối với mơ hình Improved YOLO v4-tiny, giá trị learning rate thay đổi quanh giá 0.00261 giới hạn khoảng từ 0.002 đến 0.003 để tìm giá trị learning-rate phù hợp cho mơ hình chúng tơi Các tham số khác cho q trình đào tạo kiểm tra hai mơ hình thể Bảng onv 3x3x32 onv 3x3x onv 3x3x128 onv 3x3x onv 3x3x25 Route Route onv 3x3x32 onv 3x3x onv 3x3x128 onv 3x3x32 onv 3x3x onv 3x3x128 Route Route onv 1x1x Route Route onv 1x1x128 Maxpooling Route Maxpooling Route onv 1x1x24 YOLO onv 3x3x512 onv 1x1x24 YOLO Upsample onv 1x1x128 Route Route onv 1x1x25 onv 1x1x25 onv 3x3x512 Route onv 3x3x25 Maxpooling Hình 5: Thuật tốn YOLO v4-tiny gốc để phát bệnh phấn trắng bệnh sương mai dưa chuột Measurement, Control and Automation nput 63 onv 3x3x32 trí thay i kết nối onv 3x3x onv 3x3x128 onv 3x3x onv 3x3x25 Route onv 3x3x32 onv 3x3x onv 3x3x128 onv 3x3x32 onv 3x3x onv 3x3x128 Route Route Route Route onv 1x1x128 Maxpooling Route onv 1x1x24 YOLO onv 3x3x512 onv 1x1x24 YOLO onv 1x1x128 Route Route onv 1x1x25 onv 1x1x25 onv 3x3x512 Route Maxpooling onv 3x3x25 Upsample Route onv 1x1x Route Maxpooling Hình 6: Thuật tốn YOLO v4-tiny cải tiến chúng tơi để phát bệnh phấn trắng bệnh sương mai dưa chuột |R ∩ R′| |R ∪ R′| precision × recall F1-score= 2× precision + recall Bảng 1: Các tham số đào tạo kiểm tra mô hình Tham số YOLO v4-tiny Momentum Decay Batch_size Classes Activation funtion Iterations 0.9 0.0005 64 Leaky ReLU 10000 IoU(R, R′ ) = Improved YOLO v4-tiny 0.9 0.0005 64 Leaky ReLU 10000 S2 TP × 100% TP + FP TP recall = × 100% TP + FN C ∑c=1 AP(c) mAP C (5) B obj j j j j loss = − ∑ ∑ Wij [Ĉi log(Ci ) + (1 − Ĉi )log(1 − Ci )] i=0 j=0 S2 ác giá trị để xác định trọng số tốt thực công thức từ (1) – ( ) rong đó: TP (true positive), FP (fault positive), TN (true negative), and FN (fault negative), R vùng phát hộp giới hạn đối tượng, R ' vùng thực hộp giới hạn đối tượng, mAP giá trị trung bình độ xác trung bình (AP) dưa chuột phát hiện, S2 số ô lưới ảnh đầu vào, B số bounding box obj giới hạn lưới, Wij chức đối tượng: bounding box j lưới thứ i phát đối tượng obj obj j j Wij = khơng Wij = 0, Ci Ĉi điểm tin cậy predicted box điểm tin cậy truth box, j j λnoobj tham số trọng số, Pi (c) ̂Pi (c) predicted probability truth probability mà đối tượng thuộc phân loại c bounding box thứ j lưới thứ i, IOU intersection over union hộp predicted bounding box truth bounding box, w gt hgt chiều rộng chiều cao truth bounding box, w h chiều rộng chiều cao predicted bounding box, ρ2 (b, b gt ) biểu thị khoảng cách Euclidean điểm predicted bounding box truth bounding box, c khoảng cách đường chéo nhỏ box chứa predicted bounding box truth bounding box precision = (4) (1) (2) (3) B obj j j − λnoobj ∑ ∑ (1 − Wij ) [Ĉi log(Ci ) i=0 j=0 j j + (1 − Ĉi )log(1 − Ci )] S2 − C obj j ∑ ∑ Wij ∑ [ ̂Pi (c) i j c=1 B j log (Pi (c)) j j − (1 − ̂ Pi (c)) log (1 − Pi (c))] + − IOU + ρ2 (b, b gt ) c2 w gt w − arctan ) 16 h hgt + 2 (6)[18] gt π w w − IOU + (arctan gt − arctan ) h h π ác mơ hình đào tạo cấu hình phần cứng có thơng số Bảng Q trình đào tạo, tính tốn kiểm tra thực framework Darnet [16] (arctan Bảng 2: Cấu trúc phần cứng đào tạo kiểm tra mô hình Computer Configuration CPU GPU Hệ điều hành Bộ nhớ GPU Bộ nhớ Ram Specific Parameters Intel XEON GTX 1060 Windown 10 GB 64 GB 64 Measurement, Control, and Automation Kết thử nghiệm Đào tạo mơ hình Bộ d iệu nh có dưa chuột bình thường c gắn nh n nh có dưa chuột bị bệnh phấn trắng ảnh nh có dưa chuột bị bệnh sương mai 80 liệu đào tạo 20 liệu kiểm tra huật toán YOLOv4 tiny, Improved YOLO v4 tiny huật toán YOLOv4 tiny , Improved YOLO v4 tiny mAP, precision, recall, score, IoU , loss Hình 7: Lưu đồ trình đào tạo kiểm tra hai mơ hình Bộ liệu gồm 7936 ảnh với lớp ảnh bị 4.thường đ đ o o bị bệnh i asương hai hmai h bệnh phấn trắng, bình chụp từ thiết bị điện thoại, máy ảnh có độ phân giải khác nhau; ảnh gắn nhãn chia liệu thành 80% ảnh để đào tạo, 20% ảnh để kiểm tra Trên Hình biểu diễn liệu trình đào tạo kiểm tra hai mơ hình Trên Hình kết mAP đào tạo mơ hình YOLO v4tiny với learning rate 0.002 mơ hình Improved YOLO v4-tiny với giá trị learning rate khác khoảng 0.002 đến 0.003, kết cho thấy độ xác trung bình mAP mơ hình YOLO v4-tiny 83.06%, mơ hình Improved YOLO v4-tiny cho độ xác trung bình mAP giá trị learning rate 0.00222 0.0028 83.28% 83.43% cao so với mơ hình YOLO v4-tiny 0.22% 0.37% Bảng biểu thị chi tiết thơng số đào tạo mơ hình này, kết cho thấy thêm kích thước hai mơ hình khơng thay đổi 22.4MB, giá trị recall Improved YOLO v4-tiny cao hơn, giá trị precision, F1-score average IoU thấp ít, điều khơng ảnh hướng nhiều đến tốn Hàm loss mơ hình thể Hình Hình 10 tương đồng Cịn Hình 11, thể số kết kiểm tra thuật toán, nhận thấy mơ hình cải tiến chúng tơi phát dưa chuột bị bệnh tốt so với mơ hình YOLO v4-tiny Hình Biểu diễn mối quan hệ giữ learning rate với mAP mơ hình Improved YOLO v4-tiny learning rate = 0.0261 mơ hình YOLO v4-tiny Hình 9: Đồ thị làm loss mAP YOLO v4-tiny với learning rate 0.002 Hình 10: Đồ thị làm loss mAP Improved YOLO v4-tiny với learning rate 0.00280 Bảng 3: Kết thông số mAP, precision, recall, F1, IoU mơ hình Model YOLO v4-tiny Improved YOLO v4-tiny Learning rate 0.00261 0.00280 mAP 83.06 83.43 precision 0.61 0.56 recall 0.83 0.84 F1-score 0.70 0.67 average IoU 52.57 46.97 Model sizes (MB) 22.4 22.4 Measurement, Control and Automation 65 YOLO v4-tiny Improved YOLO v4-tiny Hình 11: Một số kết kiểm tra phát bệnh mơ hình 4.2 Mơ hình phần cứng thực nghiệm Mơ hình nhà lưới thực nghiệm nghiên cứu có kích thước 10x5x3.5, trồng dưa chuột theo phương pháp thủy canh, hệ thống cung cấp dinh dưỡng thực tự động qua hệ thống tủ điều khiển logic khả trình (PLC) Hình 12, cho số hình ảnh hệ thống thiết kế trình thực nghiệm hệ thống giám sát bệnh dưa chuột trồng nhà lưới với giai đoạn phát triển Dưa chuột trồng nhà lưới có xuất bệnh phấn trắng từ giai đoạn Hệ thống đưa vào để thử nghiệm, hình ảnh thu từ hệ thống với camera PI 5MB cho qua thuật toán YOLO v4-tiny Improved YOLO v4-tiny Kết thu 66 Measurement, Control, and Automation từ hệ thống giám sát thực nghiệm với thuật toán cho thấy, thuật toán Improved YOLO v4-tiny cho kết nhận diện tốt Trên Hình 13 số kết quả, cho thấy bị bệnh phấn trắng thuật tốn YOLO v4-tiny khơng phát thuật toán Improved YOLO v4-tiny phát Bảng 4, kết so sánh mơ hình phần cứng Raspbery PI có RAM 1GB, cho thấy tốc độ xử lý Raspbery mơ hình tương đương nhau, điều phù hợp kích thước trọng số mơ hình 22.4 MB (Bảng 3) Hệ thống hoạt động tốt với việc gửi tin nhắn phát bệnh phấn trắng dưa chuột cho nhà quản lý qua tin nhắn SMS Đồng thời hình ảnh bị bệnh gửi tới email người quản lý để xác thực theo dõi (Hình 14) Bảng So sánh khả xử lý hai thuật toán phần cứng Raspberry Pi 4, 1GB RAM Mơ hình YOLOv4-tiny Improved YOLOv4-tiny Hình 12: Một số hình ảnh thực nghiệm hệ thống Thời gian trung bình xử lý ảnh (giây) 0.659 0.661 Số khung hình hiển th giây (FPS) 2.510 2.502 Measurement, Control and Automation 67 YOLO v4-tiny Improved YOLO v4-tiny Hình 13: Kết thực nghiệm phát bệnh hệ thống với mơ hình Hình 14: Kết bị bệnh gửi lên email tin nhắn gửi cho người quản lý Kết luận Thuật tốn YOLO v4-tiny cải tiến tích hợp thành công vào hệ thống giám sát cảnh báo bệnh sương mai bệnh phấn trắng dưa chuột Hệ thống thử nghiệm thực tế nhà kính Học viện Nơng nghiệp Việt Nam Kết bước đầu cho thấy hệ thống hoạt động tốt, độ xác nhận dạng loại bệnh dưa chuột đạt tới 83.43 húng bước đầu xây dựng sở liệu bệnh dưa chuột, ảnh thu thập đánh số, ghi thuộc tính để phục vụ nghiên cứu Kết đạt nghiêm cứu tích cực, chúng thể khả ứng dụng thuật toán sử dụng trí tuệ nhân tạo (AI) vào hệ thống giám sát, cảnh báo bệnh dưa chuột với phần cứng đơn giản Điều mở hội dễ dàng áp dụng điều kiện thực tế Việt Nam chi phí thực hệ thống với giá thành thấp [2] [3] [4] [5] Tài liệu tham khảo [1] Abdullah Alsaeedi, Hassan El-Ramady, Tarek Alshaal, Mohamed El-Garawany, Nevien Elhawat, Awadh AlOtaibi (2019) Silica nanoparticles boost growth and [6] productivity of cucumber under water deficit and salinity stresses by balancing nutrients uptake Plant Physiology and Biochemistry 139, pp 1–10 E.V Maas, G.J Hoffman (1977) Crop salt tolerance – current assessment J Irrig And Drainage Div ASCE, 103 (IR2), pp 115-134 Gulzar Ahmad Nayik, Amir Gull (2020) Antioxidants in Vegetables and Nuts – Properties and Health Benefits ISBN 978-981-15-7469-6 ISBN 978-981-157470-2 (eBook) https://doi.org/10.1007/978-981-157470-2, Springer Nature Singapore Pte Ltd Pp 333340 A Berdugo, R Zito, S Paulus and A.-K Mahlein (2014) Fusion of sensor data for the detection and differentiation of plant diseases in cucumber Plant Pathology (2014) 63, 1344–1356 Wang H, Jiang YP, Yu HJ et al., (2010) Light quality affects incidence of powdery mildew, expression of defence-related genes and associated metabolism in cucumber plants European Journal of Plant Pathology 127, 125–35 Watson A, Napier T (2009) Disease of cucurbit vegetables Primefacts 832:1–6 68 [7] [8] [9] [10] [11] [12] Measurement, Control, and Automation https://www.dpi.nsw.gov.au/ data/assets/pdf_file/0003/290244/diseases-of-cucurbit-vegetables.pdf Phạm Mỹ Linh, công (2015) Kết đá h giá giố g d a ch ột tr g o g h l ới t i miền Bắc Việt Nam Tạp chí Nông nghiệp phát triển Nông thôn – tháng Lê Thị Hường cộng (2019) Kết nghiên cứu khả ă g si h ởng, phát tri ă g s ất số giố g d a ch ột vụ xuân huyện Ngọc Lặc, tỉnh Thanh Hóa Tạp chí khoa học rường đại học Hồng Đức – số 44 Trần Tố Lâm, Trần Thị Minh Hằng, Phạm Mỹ Linh (2020) Đá h giá ă g hích ứng số tổ hợp lai d a ch ột có tri n vọng t i ù g đ ng Sơng H ng Tạp chí Khoa học Nông nghiệp Việt Nam 2020, 18(2): 81-87 S Singh, T F Burks, W S Lee (2005) Autonomous robotic vehicle development for greenhouse spraying American Society of Agricultural Engineers ISSN 0001−2351 Sammons, Philip J., Tomonari Furukawa, and Andrew Bulgin (2005) Autonomous pesticide spraying robot for use in a greenhouse Australian Conference on Robotics and Automation Vol No Vakilian, K A., & Massah, J (2017) A farmer-assistant robot for nitrogen fertilizing management of greenhouse crops Computers and electronics in agriculture, 139, 153-163 [13] [14] [15] [16] [17] [18] K Lin, L Gong, Y Huang, C Liu, and J Pan (2019) Deep learning-based segmentation and quantification of cucumber powdery mildew using convolutional neural network Front Plant Sci., vol 10, no February, pp 1–10, doi: 10.3389/fpls.2019.00155 P Zhang, L Yang, and D Li (2020) EfficientNet-B4Ranger: A novel method for greenhouse cucumber disease recognition under natural complex environment Comput Electron Agric., vol 176, no January, p 105652, doi: 10.1016/j.compag.2020.105652 A Bochkovskiy, C.-Y Wang, and H.-Y M Liao (2020) Yolov4: Optimal speed and accuracy of object detection arXiv preprint arXiv:2004.10934 Alexey Bochkovskiy (2020) Darknet: Open Source Neural Networks in Python Available online: https://github.com/AlexeyAB/darknet (accessed on November 2020) Smith, L N (2018) A disciplined approach to neural network hyper-parameters: Part learning rate, batch size, momentum, and weight decay arXiv preprint arXiv:1803.09820 Jiang, Z., Zhao, L., Li, S., & Jia, Y (2020) Real-time object detection method based on improved YOLOv4tiny arXiv preprint arXiv:2011.04244