基于改进YOLOv5的红树林单木目标检测研究
针对无人机影像中红树林单木目标较小且分布密集,对其检测时自动化程度不高、效率低等问题,基于深度学习方法提出了一种红树林单木目标检测模型(YOLOv5-ECA),以实现对无人机影像中红树林单木快速、精确的自动识别和定位.首先利用开源软件LabelImg在选取的无人机影像上依次标注目标树,构建红树林单木数据集;其次选择YOLOv5为基础目标检测模型,依据目标分布密集且尺寸较小的特点对其进行优化和改进;使用有效通道注意力(ECA)机制对CSPDarknet53骨干网络进行改进,避免降维的同时增强特征表达能力,并在SPP模块引人SoftPool改进池化操作,保留更多细节特征信息;最后利用ACON自适应激活函数自适应地决定是否激活神经元.结果表明:使用已构建的数据集对改进前后的网络进行训练,在测试集上对比准确率、召回率、平均精准度的均值(mAP)@0.5等参数,各模型略有差异但均趋于收敛;所提YOLOv5-ECA的平均检测精度较YOLOv5提高了 3.2个百分点,较YOLOv4提升了 5.19个百分点,同时训练损失也更低,能够快速、精准且自动化地检测红树林单木目标,较好地提升了对红树林单木的识别和定位能力.
红树林单木、无人机影像、深度学习、目标检测、YOLOv5-ECA
59
S757.1(森林经营学、森林计测学、森林经理学)
高分湿地资源监测应用子系统二期21-Y30B02-9001-19/22-221-Y30B02-9001-19/22-2
2022-11-04(万方平台首次上网日期,不代表论文的发表时间)
共11页
426-436