文献类型：期刊文章

作　　者：李凤迪[1] 申卫星[2] 吴杰芳[3] 孙丰刚[1] 徐力[2] 刘振宇[4] 兰鹏[1]

LI Feng-di;SHEN Wei-xing;WU Jie-fang;SUN Feng-gang;XU Li;LIU Zhen-yu;LAN Peng(College of Information Science and Engineering,Shandong Agricultural University,Tai'an 271018,China;Taishan Forest Pest Management and Quarantine Station,Tai'an 271000,China;School of Mathematics and Statistics/Taishan University,Tai’an 271000,China;College of Plant Protection/Shandong Agricultural University,Tai'an 271018,China)

机构地区：[1]山东农业大学信息科学与工程学院,山东泰安271018 [2]泰山森林病虫害防治检疫站,山东泰安271000 [3]泰山学院数学与统计学院,山东泰安271000 [4]山东农业大学植物保护学院,山东泰安271018

出　　处：《山东农业大学学报（自然科学版）》

基　　金：山东省农业科技资金(林业科技创新)项目(2019LY003);山东省重点研发计划项目(2019GNC106106);山东省重大科技创新工程项目(2019JZZY010706);山东省自然科学基金(ZR2019MF026)。

年　　份：2021

卷　　号：52

期　　号：2

起止页码：224-233

语　　种：中文

收录情况：BDHX、BDHX2020、CAB、JST、ZGKJHX、核心刊

摘　　要：松材线虫病被称为松树的癌症,及时发现并处置松材线虫病树是防止疫情扩散的重要手段。人工踏查、遥感影像等手段难以有效满足复杂林区疫情监测的需求。为快速、准确发现松材线虫病树,提高处置效率,本文提出了一种基于改进YOLOv3算法的松材线虫树检测方法。首先,使用小型无人机机载高分辨率数码相机在不同空间位置采集松材线虫病树图像并构建Pascal VOC数据集;随后针对YOLOv3算法存在训练过程IoU置空、平均损失下降缓慢等问题,提出了改进的YOLOv3-CIoU方法,使算法训练快,在小数据量时即实现高精度检测;最后通过高性能计算平台对改进的YOLOv3-CIoU模型进行训练测试,并与其他方法进行对比分析。结果表明:改进后的YOLOv3-CIoU模型在测试集上准确率达98.88%,较YOLOv3算法提升5%以上;在移动终端上平均单张图像检测速度为0.32 s,较改进前提升13%。与Faster R-CNN、SSD等方法相比,改进算法在模型检测准确率、缩短模型训练时间、目标边缘框定精度等方面也有较大提升。因此,改进后的YOLOv3-CIoU模型在多个评估指标中具有良好的性能,可有效提高松材线虫病树检测效率,对降低松材线虫病树监测投入,保障林区防疫监测精准高效具有重要的实际意义。

关 键 词：松材线虫病树  YOLOv3-CIOU  目标检测

分 类 号：S431]