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DeeplabV3+的无人机遥感影像识别

针对无人机植被覆盖航拍影像分类精度不高、工程量大的问题,开发适用于无人机植被覆盖影像识别、具有较高准确性的语义分割模型,以提高植被分类精度.通过无人机航拍获取研究区影像,对获取到的图像进行标注,建立图像数据集,构建随机森林、SegNet、U-Net及DeeplabV3+模型,对DeeplabV3+模型进行改进,将主干网...     

基于无人机的海上搜救识别系统设计

传统的海上搜救系统识别时间较长,识别效果随之下降。设计基于无人机的海上搜救识别系统。硬件方面设计图像传感器与飞行控制器;软件方面识别海上搜救环境,基于无人机进行距离测算,进而实现海上搜救的精准识别。采用系统测试的方式进行验证,结果发现：新系统的图像识别效果更佳,识别时间更短,极具推广价值。     

无人机搭载普通相机林火识别技术研究

提出了一种无人机搭载普通相机的林火识别技术,其是一种低成本无人机林火监测方法。本研究以旋翼无人机为载体,通过在南京森林警察学院院内的两块实验场地（林地、无林土丘）进行点火试验,以机载摄像机拍摄的森林视频图像建立了基于混合高斯背景模型和颜色模型的多级火灾隐患特征验证算法。在同一区域,结合地面调查数据,对无人机搭载普通相机林火识别技术精度进行检验。数据表明,在混合高斯模型得到候选火焰像素的基础上,通过试验设置最优阈值,采用归一化互相关方法设定相似度阈值为0.08,可实现对火焰特征的检测与识别。通过低成本的机载普通相机能较快地识别火灾隐患,降低误检率,可为相关研究和实际应用提供参考。     

基于无人机可见光图像的云杉计数方法

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167...     

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...     

变色立木的无人机遥感监测技术

笔者简要阐述了国内外应用高空间分辨率遥感数据监测单木级森林病虫灾害的研究现状,提出可服务于松材线虫病死树普查的变色立木低空遥感监测技术要求,给出主要工作流程,建议规范松材线虫病的无人机遥感监测服务市场。     

基于无人机遥感的松材线虫病识别定位与视频会商系统开发研究

为实现松材线虫病Bursaphelenchus xylophilus的有效识别和定位,开发了基于Java、C++和HTML编程语言,结合OpenCV开源库、CloudRoom SDK、GeoTools工具和MySql数据库的具有松材线虫病识别定位和视频会商两个模块的系统.该系统利用OpenCV算法对感病松树Pinus ...     

基于机器视觉的轮胎红点识别技术研究

针对轮胎红点识别效率较低的问题,研究了轮胎红点的识别方法。基于机器视觉理论,提供了轮胎识别点识别方案,并对识别点图像进行滤波、边缘锐化、边缘提取等分析处理,最后对轮胎红点进行识别检测。提高了识别效率,具有一定的可行性和现实意义。     

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;...     

基于无人机遥感影像的DSM及遥感数据林分平均高提取

以河北省丰宁县西南部山区为研究区域,利用无人机遥感立体像对提取数字表面模型(DSM)。通过目视判读,在影像中无植被的区域设置校正点,利用校正点处DSM与DEM的值拟合校正因子对DSM进行高程校正,然后结合数字高程模型(DEM)提取树高并利用林地"一张图"数据求得各林地图斑的树高平均值。结果表明:经过高程校正并结合利用林地"一张图"数据的林分平均树高提取方法求得的结果可以直接作为林地变更调查的补充,能实现对林分平均树高、树高等级等因子进行实时更新。     

基于机器视觉的木材特征提取与树种识别研究综述

我国是木材及木制品加工大国,近年来家具、装修等市场需求的快速增长推动了木材加工行业的发展。由不同树种制作而成的木材材料性质与价值大相径庭,因此准确识别木材树种具有重要意义。相较于传统人工识别,基于机器视觉的木材树种识别大幅度提高了准确率。文中通过分析近5年来木材识别领域的相关文献,总结了木材特征提取的相关技术与树种识别的各种方法,提出要深度融合木材的多个特征并加强各种算法间的配合使用;此外,针对机器视觉在木材树种识别中的应用普遍停留在学术研究阶段的问题,提出木材树种识别应向装备数字化方向发展,以期提高木材树种识别的工作效率。     

基于高斯混合模型的青梅表面缺陷检测识别技术

目前青梅的缺陷识别检测仍然依靠人工挑选方式来完成,但人工挑选方式受工作经验、劳动强度等因素制约,已经难以适应产业的发展。为有效提高青梅表面缺陷检测的自动化程度和检测精度,本试验应用机器视觉技术针对青梅表面的缺陷检测展开研究。通过搭建青梅表面图像静态采集系统,采用图像处理软件HALCON对青梅表面进行了单通道灰度图像提取、图像滤波、灰度二值化及特征提取等预处理操作,实现了对青梅表面图像的去背景化,并利用去边缘法在青梅H通道分量图像中成功提取到青梅表面缺陷。最后采用高斯混合模型构建青梅表面缺陷检测分类器,并创建了一套基于机器视觉的青梅表面缺陷检测系统。具体选取了348张青梅缺陷图像作为训练测试样本,其中78%的图像作为训练集,22%的图像作为测试集,结果表明:该分类器对青梅溃烂、伤疤、雨斑缺陷的检测准确率分别为100%,97.22%,92.31%,对完好青梅检测准确率为94.44%,验证了将高斯混合模型应用在青梅缺陷检测方面的有效性。     

基于无人机多光谱影像的松材线虫病疫区枯死树识别

为探寻最优波段组合,提高多光谱无人机（Unnamed Aerial Vehicle,UAV）对松材线虫（Bursaphelenchus xylophilus）病疫区枯死树的自动识别准确率,进而提高松材线虫病疫情监测水平,以柳州市三江侗族自治县、河池市宜州区和大化瑶族自治县、南宁市横州市及桂林市平乐县的42个疫点小班及其周边2 km内的所有松树林图斑为研究区,采用无人机采集多光谱影像,获取可见光、红光波段、绿光波段、近红外波段和红边波段影像;完成辐射校正后进行正射拼接和植被指数计算,得到3组可见光和多光谱正射影像波段组合;将各组影像分别输入卷积神经网络（Convolutional Neural Network,CNN）,进行相同参数的学习和预测。将模型预测结果与人工标注结果进行对比,以识别准确率为指标,进行精度评价。结果表明,利用多光谱影像自动识别疑似松材线虫病枯死树的最高识别准确率为86.33%,比单一可见光自动识别准确率（81.25%）提高了5.08个百分点。在相同参数条件下,多光谱影像比单一可见光影像具有更准确的自动识别能力。该方法的多光谱最优波段组合为可见光影像+红光波段影像+绿...     

基于深度学习的无人机造林成活率自动检测方法

【目的】造林是实现林业资源可持续利用的重要手段。造林地块分散、分布偏远、交通条件差,人工造林成活率检查耗费大量人力、物力和时间成本,且效率低、无法及时全面精准掌握造林成活率、采用的抽样检查方法受主观因素和偶然因素影响较大。为解决以上问题,本研究探索了一种基于目标检测模型和多目标追踪的无人机造林成活率自动检测方法。【方法】利用大疆Mavic2多旋翼无人机采集不同时期云杉人工造林地的影像,利用YOLOv5深度学习网络模型训练了苗木对象检测模型,并与DeepSort多目标追踪算法相结合,在安装Mavic2无人机地面站的安卓平板电脑上进行二次开发。通过整合无人机4G图传,将无人机拍摄的视频实时回传至无人机地面站安卓平板电脑上。利用YOLOv5s+DeepSort实现了实时苗木检测与动态多目标追踪,通过对跟踪到的苗木进行类别判定和计数汇总,最终自动计算目标小班的造林成活率。【结果】在内蒙古大兴安岭大杨树林业局乌鲁布铁林场2022年春季造林地块中随机抽取了7个造林小班进行试验,结果表明本研究与人工检查相比成活率检测平均相对精度能达到99.62%,可平均节省50.94%人力工时。【结论】文章采用基于...     

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。