基于改进Faster-RCNN模型的无人机影像白喉乌头物种的检测

伊犁地区的白喉乌头(Aconitum leucostomum)是危害草原生态和畜牧业安全最为严重的毒害草物种,为了实现精准快速检测白喉乌头,本研究用无人机航拍获取白喉乌头影像数据集,采用深度学习技术,在Faster-RCNN算法基础上,以VGG16为主干网络,根据领域知识和数据集特点优化锚框大小等超参数改善算法性能。通过优化Faster-RCNN的锚框大小和微调学习率后,模型在测试集上取得的平均准确率为67.24%,相对于基准模型提高了21.57%。     

基于ResNet深度残差网络的白喉乌头检测

在人类活动和气候变化的影响下，毒害草的蔓延威胁着生态安全和畜牧业的健康发展，白喉乌头(Aconitum leucostomum)是新疆伊犁地区危害最为严重的毒害草之一。为了实现天然草原异质背景下快速、精准、自动检测毒害草的目标，以白喉乌头为研究对象，利用无人机航拍正射影像构建白喉乌头数据集。基于Faster-RCNN和SSD算法，采用ResNet50和ResNet101两种深度的主干网络提取特征，对比不同方法的检测精度。结果表明：通过对比测试集的检测精度Faster-RCNN＿ResNet50的mAP (平均精确度)值最高，达到64.74%，而SSD＿ResNet50的mAP最低，仅为48.70%,Faster-RCNN＿ResNet101的mAP值为63.37%，而SSD＿ResNet101的为52.55%。本研究对从航拍正射影像中检测白喉乌头有借鉴意义和参考价值。