基于无人机可见光图像的云杉计数方法

作者：朱学岩; 张新伟; 顾梦梦; 赵燕东; 陈锋军^*

来源：林业工程学报, 2021, 6(04): 140-146.

DOI：10.13360/j.issn.2096-1359.202008020

• 苗木计数
• 云杉计数
• 深度学习
• 无人机
• 稠密目标
• YOLOv3

目前苗木计数一般通过传统人工计数的方法完成,工作重复枯燥,主观性强,亟需快速准确的苗木计数替代方法。以无人机航拍的云杉可见光图像为对象,通过深度学习技术研究快速准确的云杉计数方法。利用大疆精灵4无人机拍摄云杉图像,按多样性原则选出558幅;通过调整对比度系数和缩放比例系数,模拟不同光照条件和不同长势的云杉,扩充至1 674幅,按照7∶3的比例划分为训练集1 169幅和测试集505幅。在此基础上,根据YOLO v3(You Only Look Once v3)快速准确检测尺寸差异较大目标的优势,构建了YOLOv3云杉计数模型。根据经验设置训练权值衰减、初始学习率和批处理量分别为0.000 5,0.001和64。其中Darknet-53特征提取模块和多尺度预测模块分别提取云杉特征信息和检测云杉目标,检测到的云杉数量即为云杉计数结果。YOLOv3模型的平均计数准确率为90.24%,均方根误差45.82,欠估计、过估计和总误差分别为15.47%,19.25%和34.72%,处理速度0.415 s/幅。对比全卷积神经网络(fully convolutional networks, FCN)分割加Hough圆检测方法,YOLOv3模型平均计数准确率高出2.49%,均方根误差、欠估计、过估计和总误差分别减少29.32,6.7%,5.7%和12.4%。研究结果表明,YOLOv3模型是对计算机视觉角度云杉计数问题的有效探索。

• 单位
  北京林业大学