基于改进YOLOv5的整车原木数量检测方法

针对整车原木检测中存在密集小目标难检测、原木被遮挡易被漏检、目标检测模型复杂度太大难以部署等问题,提出一种基于YOLOv5的整车原木数量检测方法TWD-YOLOv5,来探究目标检测在整车原木场景下进行快速精准检测的可行性,从而实现智能检尺,提高检尺效率。本研究在原始YOLOv5模型的基础上通过修改模块数量、加入注意力机制和Transformer模块的操作来优化主干网络,结合新的检测尺度与基于Ghost卷积设计特征融合网络,提升网络检测小目标的能力,降低模型复杂度,选用CIoU作为边界框回归的损失函数和DIoU-nms作为边界框筛选算法,提高边框的回归精度和解决物体被遮挡的问题。本研究算法TWD-YOLOv5进行4组试验,从平均精度均值(mAP)、每秒传输帧数、原木真检率多种尺度指标进行评估,同时通过预测框完成对原木根数的计数。试验结果表明,本研究方法的mAP达到0.731,每秒传输帧数为7.33,模型参数降低了40.5%,且测试集原木真检率达到了99.551%,误检率为0.22%。该方法不仅大幅减少了模型复杂度,还保持了较高的检测精度。本研究的模型能对整车原木场景下的原木有良好的检测效...     

基于深度学习的野生动物视频目标检测

以红外相机为代表的生态感知终端为野生动物监测研究提供海量的图像和视频数据。为改善人工识别海量数据时效性低、处理能力有限等问题,解决目标检测模型在受到复杂背景、多目标、昼夜明暗等多重因素影响的实际场景中应用的不确定性,以金钱豹、成年雄性岩羊、非成年雄性岩羊为例,建立野生动物目标检测数据集,对比分析Faster R-CNN、SSD、YOLOv5和YOLOv8等4种经典目标检测模型在实际场景中检测精度、检测速度和检测效果。结果表明：1)YOLOv5与YOLOv8的检测效果和检测速度整体优于Faster R-CNN与SSD,YOLOv8在多重因素干扰下检测精度更高、鲁棒性更强,更适合追求检测效果的场景;2)4种模型均能满足生态感知终端实时视频检测需要,但YOLOv5模型更轻量、检测速度更快,更适合算力有限时追求检测速度的场景。YOLOv5和YOLOv8性能优越,适合在实际场景中开展野生动物视频目标检测。     

基于改进YOLOv5的特征抑制多尺度林火检测算法

森林火灾检测是保护森林生态系统的关键所在,可以为森林早期火灾判断与预防提供重要依据。如果能够尽可能地对森林火灾识别和检测,可以在很大程度上减少灾害发生频率及其造成的损失。基于无人机遥感图像的发展,林火的快速检测得到进一步提升,可以准确识别火灾,解决林火出现的复杂性问题。本研究针对航拍森林火灾识别遇到的背景环境复杂、林火检测识别精度偏低、局部检测效果不佳等问题,提出了一种加强视觉注意力的林火识别方法,此方法是基于YOLOv5模型改进的。该算法使用NAM attention对像素进行归一化,降低不太显著的特征权重,使目标不重要的信息得到抑制。另外本研究采用了ObjectBox,这是一种新颖的单阶Anchor-free,不仅可以平等地对待不同级别尺寸的目标,还能提升模型识别正确样本的能力,具有高度的泛化性能。采用Mosaic数据增强方式增强模型的泛化能力,提高模型识别小目标的准确率。同时引入新的定位损失函数CIOU,它可以有效地改善模型在面对复杂背景时的定位精度,提升网络识别的准确性。实验结果表明,在无人机遥感图像数据上,检测性能均优于YOLOv5算法,该算法使得林火的数据集平均精度提升了3...     

基于改进YOLOv5的日本落叶松虫害检测技术

在森林病虫害防治领域,基于图像的机器学习代替人工识别森林病虫害正成为未来的技术方向。针对图像识别技术在复杂自然条件下检测日本落叶松虫害存在目标小、精度低、易漏检和误检的问题,提出一种改进YOLOv5模型：首先在数据增强中通过Mosaic将数据集中的大目标转换为小目标,提高模型对识别小目标的能力;其次使用迁移学习方法弥补日本落叶松虫害数据集少样本的问题并提高模型训练速度;然后在YOLOv5s的网络模型基础上,通过轻量级通用上采样CARAFE算子扩大感受野,更好地利用周边的信息,提高目标检测能力减少漏检并保持轻量化;最后利用解耦预测头分离分类和回归任务,减少分类和回归任务之间的干扰,提高检测精度。对自建的日本落叶松的6类虫害样本图像数据集进行实验,结果表明：改进F1分数达到90.1%,平均精度均值mAP达到92.5%,在林下光照不匀、周围背景杂乱的野外拍摄环境中与YOLOv5s算法相比,改进后的算法的检测性能更好,可以为日本落叶松害虫检测和防治提供技术参考。     

基于无人机图像和改进YOLOv3-SPP算法的森林火灾烟雾识别方法

森林火灾的频繁发生对人类生命、经济和周围环境构成重大威胁。烟雾是森林火灾初期最显著特征之一,因此烟雾识别对预防森林火灾意义重大,是建立早期火灾探测机制的关键。由于烟雾具有颜色不一、形状多变等特性,导致传统方法对于烟雾识别存在泛化能力弱、响应时间长、误报率高等问题,无法实现对森林火灾的有效监测。基于此,本研究提出了基于改进的YOLOv3-SPP森林火灾烟雾识别方法。改进的YOLOv3-SPP算法通过在主干特征提取网络中加入Focus模块和使用动态标签分配策略降低了计算成本,以及在预测网络中使用解耦头,能够避免在预测过程中分类与回归任务的冲突,并用无锚框检测器替代锚框检测器计算预测框的位置,显著帮助模型更好地定位烟雾,简化解码过程。本研究使用自建的无人机森林火灾遥感影像数据集对模型进行评估,改进后的YOLOv3-SPP算法模型识别精确率达到91.07%,识别速率达到51帧/s,较YOLOv3-SPP模型分别提升了1.14%和17帧/s。实验表明该模型能有效地识别森林火灾烟雾,且通过轻量化的设计能在短时间内对烟雾进行准确识别。     

基于改进YOLOv5s的木材表面缺陷检测模型

针对木材表面缺陷的复杂多样性和特征提取困难,提出一种基于改进YOLOv5s的木材表面缺陷（活节、死节、有裂缝节子和裂缝）检测模型。首先,在Backbone网络引入坐标注意力机制（coordinate attention,CA）增强每个通道之间的信息交互,然后采用混合空间金字塔池化（hybrid spatial pyramid pooling-fast,HSPPF）结构减少信息损失,再使用GSConv卷积减少参数量,用改进的曲线高效交叉联合（curve efficient intersection over union,CEIoU）作为训练时模型的损失函数,提升木材缺陷检测的准确性。试验结果表明,改进模型能够有效检测出木材表面缺陷,模型的平均精度均值（mean average precision,mAP）为84.4%,比未改进之前提高了2%,检测速度达到73.9 FPS,在模型参数量方面明显减少,同时优于其他主流模型,能够满足木材表面缺陷检测的要求。     

基于YOLOv5的多传感器可迁移林火检测模型

快速准确地检测森林火灾中的火点对于减轻火灾损失和开展有效的灭火救援工作至关重要。深度学习技术可以自动学习并提取不同传感器获取的林火特征。无人机搭载不同类型的传感器可以快速获取森林实时图像,但不同传感器获取的图像特征不同,导致深度学习模型在不同图像中的迁移性较差。本研究基于YOLOv5预训练模型,使用286张可见光和红外图像进行迁移学习,以增强模型对不同图像类型的适用性。迁移学习后,模型对可见光图像测试集的检测精度提升了6%,对红外图像测试集的检测精度达到0.952,证明模型对两种传感器图像数据均具有较强的检测能力。相比可见光模型,多模态模型在包含可见光和红外图像的测试集上的mAP50达到0.914,表明模型成功地提高了对红外图像的检测能力,并保留了对可见光图像的良好检测性能。综上,本研究采用少量图像进行迁移学习,取得了较好结果。迁移学习可以使YOLOv5火灾检测模型适配红外图像,在保留可见光图像检测能力的同时,增强其对火情的检测准确性与环境适应性。这为实现基于多源数据的森林火灾检测奠定了基础,为提高森林火灾检测系统的智能化与自适应提供了思路。     

一种改进YOLOv5的多尺度像素林火识别算法

林火破坏程度大、蔓延速度快的特点给森林生态环境和人类带来极大的危害。深度学习技术可以学习和自适应提取林火特征,捕获的林火图像中火焰的像素尺寸不同,林火提取的特征也不同。为了能够识别复杂背景下不同像素尺度的火灾,笔者提出了一种改进的YOLOv5林火识别方法,通过在YOLOv5的检测网络加入解耦头,解决林火图像输出变量时分类和回归的冲突问题,加快网络收敛速度提高识别精度;在网络中引进CBAM注意力机制,更关注林火信息同时提升识别精度;在Neck网络引入加权双向特征金字塔网络(BiFPN),替换原有的路径聚合网络(PANet),对不同维度的林火特征进行融合,进行特征筛选,增强特征表示能力。实验结果表明,该林火识别算法在自制的林火数据集上进行训练和验证模型,检测性能上均优于YOLOv5算法,在准确率、召回率、平均精度分别提升了5.2%,3.0%,3.4%,mAP@.5:.95提升了4.6%,并且在不同尺寸林火目标的识别精度上均有提升。研究结果对林火识别性能提升有着积极意义。     

基于YOLOv5的人造板板材种类识别

废弃人造板板材回收再利用之前进行横截面统一类型,对于提高板材的综合利用率具有重要作用。综合利用机器视觉和深度学习方法,选取刨花板、纤维板和胶合板3种人造板板材作为研究对象,通过扫描仪采集板材横截面纹理,并对大量的纹理数据进行训练,学习图像深层次特征,在图像识别和分类上取得良好的效果。采集刨花板、纤维板、胶合板、塑料板、金属板和泡沫板6种人造板板材横截面图像共900张,其中刨花板234张,纤维板232张,胶合板234张,塑料板、金属板和泡沫板共200张作为负样本;搭建基于YOLOv5的深度学习人造板板材种类识别框架。试验结果表明,基于YOLOv5的人造板板材种类识别框架可以有效识别人造板板材的类型,刨花板和胶合板的识别准确率为100%,纤维板的识别准确率为99.2%;该方法检测速度快、精度高,针对人造板板材数据集具有良好的鲁棒性和泛化能力,解决了传统方法检测效率低和人工干预的成本问题,达到资源循环利用的高度智能化水平,充分满足回收再生产的应用需求。     

基于YOLOv3神经网络的苗圃树苗检测与计数

长期以来,苗圃树苗的检测与计数一直依赖于人工抽样估计,该方法效率较低且误差较大。为解决上述问题,基于图像处理和深度学习技术,针对云杉、花楸与景观榆树3种树苗提取三类标签图像,构建了树苗检测与计数的输入数据集,并利用数据增强方法将数据集扩充了15倍。基于扩充后的数据集,提出了基于YOLOv3深度神经网络的树苗检测与计数方法,并使用迁移学习的方法对网络模型进行训练与验证,从而提高了检测与计数准确率。试验结果表明：该网络模型能够有效地克服大田环境下的噪声,实现树苗的快速、准确识别,云杉树苗图像检测时间平均每幅0.681 s,花楸树苗图像检测时间平均每幅0.698 s,景观榆树树苗图像检测时间平均每幅0.697 s, MAP值达到0.825。对100幅云杉树苗图像、50幅花楸树苗图像和50幅景观榆树树苗图像进行树苗计数测试,采用人工计数结果与系统计数结果对比进行正确率评价。研究结果表明,树苗总体识别正确率达到95.2%(其中云杉树苗计数准确率为97.5%、花楸树苗计数准确率为91.9%、景观榆树树苗计数准确率为96.2%),能够满足树苗检测计数的实际要求。     

基于改进YOLOv3深度卷积网络的竹垫智能装配方法

针对我国竹垫人工组装劳动强度大、效率低的问题,提出一种基于改进YOLOv3深度卷积网络的竹垫智能装配方法,通过智能识别、定位、摆放和组装实现卡扣式竹垫的装配生产模式.YOLOv3深度卷积网络的改进包括:首先通过在原YOLOv3的特征提取网络Darknet-53中加入DenseNet密集型连接网络结构,提高特征提取能力;...     

自然环境下黄绿柑橘检测通用模型的构建

柑橘存在黄色和绿色两种颜色特征,自然环境下柑橘目标检测困难。深度学习在目标检测领域已经实现了实时检测,基于深度学习进行柑橘检测,探索了两种颜色特征的柑橘检测通用模型。建立了自然环境下柑橘的图像数据集,采用3种深度学习检测模型：基于VGG16的Faster R-CNN、基于Resnet的Faster R-CNN以及YOLOv5s,分别对自然环境下的黄色和绿色柑橘进行对比试验。试验表明：对于黄色柑橘,YOLOv5s模型检测方法在柑橘测试集上的精确率、召回率、F1以及平均精度(AP)分别为91.90%、99.00%、0.94和97.40%,平均检测速度为27帧/s;对于绿色柑橘,YOLOv5s模型检测方法在柑橘测试集上的精确率、召回率、F1以及AP分别为96.50%、98.00%、0.96和97.20%,平均检测速度为32帧/s。YOLOv5s与基于VGG16的Faster R-CNN模型及基于Resnet的Faster R-CNN模型相比：对于黄色柑橘,平均精度分别提高了45.51%和41.18%,平均检测速度分别提高了22和23帧/s;对于绿色柑橘,平均精度分别提高了4.38%和4.13...     

面向对象的SPOT5图像森林分类

为改善SPOTS图像森林分类精度,采用面向对象的图像分析方法,对图像分割、对象特征提取与筛选、多分类器分类与结合进行探索,采用大尺度分割-基于规则的分类-基于分类的分割-分区控制-底层分类-逐层向上合并的技术路线,试验了最小距离、马氏距离、Bayes、模糊分类和支持向量机5个分类器.结果表明:在森林分布破碎、类型和种类多样、结构复杂的南方人工林区,总体分类精度最高的Bayes分类器,对以龄组为基础包含22个类型的第3级分类的总体精度达到了79.38%,以树种为基础包含15个类型的第2级分类的总体精度达到了81.82%,以森林类型为基础包含9个类型的第1级分类的总体精度达到了86.33%.在景观复杂地区的森林分层分类中,由底层分类开始、逐层向上合并的方法,效果比由顶层分类开始、逐层往下分类的方法更好.ETM+作为辅助数据,较大程度地提高了SPOT5图像的分类精度,但ETM+图像不能实质性参与分割过程,只能用于提取对象特征,否则会导致对象同质性差、特征变异,降低分类精度.     

基于机载激光雷达点云和随机森林算法的森林蓄积量估测

【目的】基于机载激光雷达点云数据提取的森林高度参数和郁闭度,结合分层地面样地调查数据,采用随机森林算法构建森林蓄积量估测模型,分析机载激光雷达点云数据在森林蓄积量反演方面的潜力,为森林蓄积量高效准确估测提供方法依据。【方法】以直径30 m的地面样圆离散点云数据为数据源,经数据校准等预处理后,利用Li DAR360软件提取森林高度参数(最大高、平均高等)和郁闭度,并将数据随机分成训练数据(70%)和验证数据(30%)。采用随机森林算法构建森林蓄积量估测模型,对仅用高度参数建模以及联合高度参数和郁闭度建模结果进行比较;同时运用R软件VSURF工具包筛选建模变量,对筛选后变量的建模结果进行分析。【结果】仅用高度参数建模的估测精度为R~2=0.75、RMSE=40.07 m~3·hm~(-2)、MAE=29.21 m~3·hm~(-2)、MRE=49.40%,联合高度参数和郁闭度建模的估测精度为R~2=0.79、RMSE=36.23 m~3·hm~(-2)、MAE=26.16 m~3·hm~(-2)、MRE=38.35%。通过变量筛选,建模参数从24个减少至7个,可极大提高运算效率,同时R~2未变化,RMSE从36.23 m~3·hm~(-2)升至36.50 m~3·hm~(-2),rRMSE从31.92%升至32.97%,MAE从26.16 m~3·hm~(-2)降至26.08 m~3·hm~(-2),MRE从38.35%降至38.05%。【结论】机载激光雷达点云数据可以提取森林的垂直结构信息(高度参数)和水平结构信息(郁闭度),具备三维结构参数提取能力。采用随机森林算法,增加林分郁闭度信息可显著提高森林蓄积量估测精度。通过变量筛选,虽然能够降低参数数量,但对模型精度具有一定影响,在建模精度要求较高的情况下,建议使用全变量进行蓄积量估测;而在数据量较大的情况下,建议使用筛选变量进行蓄积量估测。基于机载激光雷达点云数据估测森林蓄积量显著优于光学遥感数据,可为森林蓄积量高效准确估测提供方法依据,能够满足大范围森林蓄积量快速反演需求。     

结合注意力机制与YOLOv5的松材线虫病受害木检测

松材线虫病是我国近几十年来最严重的一种森林病害,加强疫情的监测迫在眉睫。本研究在自建数据集的基础上采用3种不同的注意力模块(CBAM、SE和CA)改进YOLOv5算法并结合数字正射影像图自动识别松材线虫病受害木,分别对比了改进模型CBAM-YOLOv5、SE-YOLOv5、CA-YOLOv5与YOLOv5模型的识别效果,实现了对变色松树和枯死疫木检测效果的提升。结果表明：3种注意力改进策略的变色松树查全率、平均精度和F1分数显著提高,查准率不逊色于YOLOv5模型;综合考量查全率和F1分数指标,SE-YOLOv5模型的变色松树和枯死疫木检测效果最好,其F1分数分别达到89.7%和76.9%,比原模型分别提高了5.5%和5.4%,其检测精度分别为91.7%和80.3%,较YOLOv5模型分别提升了4.7%和5.1%;在理想置信度阈值情况下3种注意力改进策略的变色松树和枯死疫木查全率均值分别为85.4%和76.6%,基本满足实际检测需求。对各注意力改进模型检测层的特征图和热力图进行剖析可以看出,嵌入注意力机制有利于提取高贡献度的特征成分,可以提升变色松树特征提取的准确性。因此,改进的YOL...     

基于SPOT5图像分割的森林小班边界自动提取

以SPOT5图像为研究对象,试验了4种图像分割方案,采用基于最终测量精度准则的多指标评价和基于欧氏距离的相似度综合评价两种方法,对分割效果进行评价,其中多指标包括圆度(RO)、紧致度(CO)、形状指数(SI)、最小包络椭圆短半径(RE)、椭圆度(EF)、形状因子(P2A)、面积相对误差(RA)、周长相对误差(RP)、中心位置绝对位移(DC)9个指标,相似度采用面积(A)、周长(P)、RO、CO、SI、RE、EF、P2A等8个因子计算。结果表明,原始图像直接用于分割的效果远好于经直方图均衡化后的图像。在图像分割过程中,输入图层的权重很大程度上影响分割效果,根据各输入图层标准差设置权重的分割效果,略好于根据图层信息量设置权重的分割效果。采用图像分割的方法自动提取小班边界,经适当后处理后编制工作手图用于森林资源规划设计调查,不但大量节省野外小班勾绘工作时间、降低劳动强度、提高工作效率,而且大幅度地提高了小班勾绘的准确性,确保面积调查精度。     

基于TanDEM-X数据和改进三阶段算法反演森林冠层高度

【目的】提出一种基于TanDEM-X SAR数据的RVoG模型三阶段算法反演森林冠层高度,以解决RVoG模型实际应用中模型成立条件难以严格满足、受地形影响导致森林冠层高度估测精度不高的问题。【方法】以云南省普洱市思茅区思茅松纯林和混交林为研究对象,开展经典三阶段算法、地面相位优化的三阶段算法、纯体散射复相干优化的三阶段算法和低估补偿改进的三阶段算法反演森林冠层高度试验。【结果】RVoG模型经典三阶段算法反演森林冠层高度存在低估现象(r=0.11, bias=-26.20 m, RMSE=7.16 m),地面相位优化的三阶段算法、纯体散射复相干优化的三阶段算法、低估补偿改进的三阶段算法反演森林冠层高度的估测精度较经典三阶段算法提高,其中低估补偿改进的三阶段算法反演森林冠层高度的改善效果最佳(r=0.79, bias=-1.69 m, RMSE=2.56 m);思茅松纯林的估测效果(r=0.81, bias=1.40 m, RMSE=2.27 m)优于思茅松混交林(r=0.72, bias=-3.09 m, RMSE=2.87 m)。【结论】相比经典三阶段反演算法,基于TanDEM-X S...     

基于无人机影像的山核桃单木检测及冠幅与树高的提取

针对经济林中树木的生长状况进行调查,有助于农户制定针对性的经营策略,提高经营效率。然而,由于山核桃树通常生长在山地环境下,使用传统的林业调查方法获取树木参数需要的人力资源和时间成本较高,而且在陡峭的山地环境中容易受到地形、植被和气象等因素的干扰。为了解决这一问题,提出了一种新的自动化方法——检测框投影法。该方法基于深度学习的目标检测算法对遥感图像中的树冠进行检测并生成检测框,再依据所得到的检测框获取树木位置和数量,并进一步提取单木的冠幅与树高等参数。在不同环境的山核桃种植林场进行的树冠检测实验结果表明,该方法使用的目标检测算法对山核桃树冠检测的总体平均精度和F1-score分别达到了85.5%与0.84;参数提取方面,在两处不同的山核桃种植林场选取了3处研究样地,并在每处样地选取并实地测量了50棵样本树木的冠幅和树高以验证参数提取精度,结果表明,使用检测框投影法预测冠幅与实测值的均方根误差、平均绝对误差和平均相对误差分别为0.469 m、0.313 m和5.7%,预测树高与实测值的均方根误差、平均绝对误差和平均相对误差分别为0.427 m、0.331 m和6.0%。提出的检测框投影法在...     

基于形态学梯度算法的木材缺陷图像边缘检测

根据形态学梯度算法的思想,选取平坦的菱形为结构元素,通过腐蚀、膨胀、开与闭运算的加权组合,构造出一种形态学优化算法,并将它应用于木材缺陷图像的边缘检测中,使提取的图像边缘更加准确、完整和连续.通过与经典边缘检测算法对比,该方法有更好的抗噪能力和边缘检测能力,实验结果也验证了该方法的可行性与有效性.     

基于深度学习的小目标受灾树木检测方法

【目的】针对无人机森林图像中树木尺度小、生长密集以及分布不规律等问题,提出一种基于深度学习的小目标受灾树木检测方法,以准确识别和定位高分辨率无人机森林图像中的小尺度受灾树木。【方法】以辽宁省凌源县受红脂大小蠹侵害的油松林无人机图像为数据源,利用Label Img开源软件标注拍摄高度为180～240 m的图像,构建无人机森林图像数据集。设计小目标受灾树木检测框架,该框架在轻量级目标检测框架(SSD)基础上,首先从conv3_3开始构建预测模块,并根据图像中目标树木的尺寸删减预测模块,同时优化特征图上默认框生成方式;然后,通过特征增强模块将基础特征图转化为增强特征图,生成基础和增强预测模块;最后,利用基于默认框的双层损失函数训练检测模型以促进特征学习。【结果】基于深度学习的小目标受灾树木检测方法可实现无人机森林虫害远程监测,较准确检测无人机图像中细小密集的受灾树木。采用5组不同结构的SITD模型以及SSD、FSSD和RFBNet目标检测框架对无人机森林图像数据集进行训练和测试,以平均查准率(AP)和Precision-Recall曲线作为评价指标,试验选出最优SITD模型在测试集上的AP为92.62%,相比原始SSD300框架提升69.71%,且优于其他3种目标检测框架。【结论】基于深度学习的小目标受灾树木检测方法可实现对森林中受灾树木的自动化检测,能够简化林业有害生物监测流程,提升对森林虫害的预警能力。