10.3969/j.issn.2095-1787.2023.03.013
基于多色彩空间的YOLOv5松枯死树检测方法
[目的]针对在松枯死树监测实践中,从无人机航拍RGB影像中自动识别松枯死树漏检率高的问题,提出了一种生产应用场景下基于多色彩空间的YOLOv5 松枯死树高精度自动识别新方法.[方法]利用无人机采集大面积松材线虫病发生林分的RGB图像,用Pix4Dmapper软件拼接,用LabelImg开源软件建立VOC格式的松枯死树数据集,分别用Faster R-CNN、YOLOv3、YOLOv4、YOLOv5、SSD和EfficientDet等 6 种基于深度学习的目标检测算法对数据集进行训练和测试,以精确率、召回率、平均准确率以及F1分数作为评价指标筛选出最优目标检测算法;然后将采集的RGB图像转换成LAB和HSV色彩空间图像,再将这 3 个色彩空间的图像分别用最优目标检测算法进行训练,得到目标在每个色彩空间的边界框,使用非极大值抑制算法对这些边界框进行处理,得到最优边界框实现松枯死树自动识别.[结果]6 种算法均取得良好效果,其中YOLOv5模型为最优算法,其精准率、平均查准率和F1 分数在 6 种算法中均最高,分别达到 97.58%、82.40%和 0.85.通过 3 个色彩空间融合后,反映漏检情况的召回率由 74.54%提高到 98.99%,平均准确率提升至 98.39%.[结论]基于多色彩空间的YOLOv5 模型能够显著提高从无人机航拍RGB影像中检测松枯死树的精度,为松枯死树监测提供了有力工具,也有助于松材线虫病的防治.
无人机影像、松枯死树、深度学习、多色彩空间、松材线虫病
32
TP391.41;P231;S763
国家林业;草原局重大应急科技项目;福建省林业科技项目;福建农林大学科技创新专项基金项目
2023-10-08(万方平台首次上网日期,不代表论文的发表时间)
共8页
282-289