采用YOLO算法和无人机影像的松材线虫病异常变色木识别

• Published in: 农业工程学报 Vol. 37; no. 14; pp. 197 - 203
• Main Authors: 黄丽明, 王懿祥, 徐琪, 刘青华
• Format: Journal Article
• Language: Chinese
• Published: 浙江农林大学环境与资源学院,杭州 311300 15.07.2021; 浙江农林大学,浙江省森林生态系统碳循环与固碳减排重点实验室,杭州 311300%中国林科院亚热带林业研究所,杭州 311300; 浙江农林大学,省部共建亚热带森林培育国家重点实验室,杭州 311300
• Subjects: 无人机;深度学习;YOLO;松材线虫病;异常变色木
• ISSN: 1002-6819
• DOI: 10.11975/j.issn.1002-6819.2021.14.022

TP391; 松材线虫病是一种传播速度快的毁灭性森林病害,利用无人机遥感及时对松材线虫病病害木进行监测,是控制松材线虫病蔓延的有效方式.该研究利用YOLO算法自动识别无人机遥感影像上的松材线虫病异常变色木,利用深度可分离卷积和倒残差结构改进YOLOv4算法,提高了识别的精度和效率.比较Faster R-CNN、EfficientDet、YOLOv4和YOLOv5与改进的YOLO算法的速度和精度,并分析了改进的YOLO算法在参与训练区域和未参与训练区域的异常变色木的识别效果.试验结果表明,改进后的YOLO算法的平均精度为80.85％,每个迭代周期的训练时间为164 s,参数大小为44.2 MB,单张影像的测试时间为17 ms,表现优于Faster R-CNN和YOLOv4,但与EfficientDet和YOLOv5相比有优有劣,综合比较这4个指标,改进算法在检测速度和检测精度上的表现更为平衡.未参与训练区域异常变色木的F1分数(84.18％)略低于参与训练区域(87.92％),但基本满足异常变色木的监测要求.相似地物、林分郁闭度、坡向和分辨率会对识别精度产生影响,但影响较小.因此,改进的YOLO算法精度高、效率高,可用于松材线虫病异常变色木的快速识别,并且对未参与训练区域异常变色木的识别具有较高的适用性.