自然环境下单木检测方法研究——基于改进Faster-RCNN网络

作者：张宇棠; 谢晓春^*

来源：中国农学通报, 2021, 37(13): 135-146.

• K-means
• Des Faster-RCNN
• 迁移学习
• 单木检测
• 锚点

为研究在果林智能产业化过程中的单木检测技术,实现果林的精准管理,采集江西省赣南地区脐橙果园的高空间分辨率遥感数据,通过K-means聚类分析anchor(锚点)改进网络参数;提出一种改进的网络结构Des Faster-RCNN网络,保证在网络卷积提取特征的过程中,对浅层特征的复用以及融合;在训练过程中加入了迁移学习进行微调,加强对小目标以及密集粘连目标的检测鲁棒性。实验结果显示,加入K-means改进的Des Faster-RCNN网络在测试集上的检测精度为97.68%,召回率为97.99%,F1值为0.9783,分别较Faster-RCNN网络提高了8.01个百分点、8.14个百分点以及0.081,相较于其他检测框架及传统果林检测研究方法,检测精度提高10%左右。单张影像的平均检测时间在0.138 s左右。研究表明,笔者提出的加入K-means改进的Des Faster-RCNN网络,能够适应复杂环境下的小型密集目标的检测任务,并获得较高的检测精度及鲁棒性。

• 单位
  赣南师范大学