文献类型：期刊文章

作　　者：黄丽明[1,2,3] 王懿祥[1,2,3] 徐琪[1,2,3] 刘青华[4]

Huang Liming;Wang Yixiang;Xu Qi;Liu Qinghua(College of Environment and Resource,Zhejiang A&F University,Hangzhou 311300,China;State Key Laboratory of Subtropical Silviculture,Zhejiang A&F University,Hangzhou 311300,China;Zhejiang Provincial Key Laboratory of Carbon Cycling in Forest Ecosystems and Carbon Sequestration,Zhejiang A&F University,Hangzhou 311300,China;Research Institute of Subtropical Forestry,Chinese Academy of Forestry,Hangzhou 311300,China)

机构地区：[1]浙江农林大学环境与资源学院,杭州311300 [2]浙江农林大学,省部共建亚热带森林培育国家重点实验室,杭州311300 [3]浙江农林大学,浙江省森林生态系统碳循环与固碳减排重点实验室,杭州311300 [4]中国林科院亚热带林业研究所,杭州311300

出　　处：《农业工程学报》

基　　金：浙江省公益技术应用研究项目(LGF21C160001);浙江省重点研发计划项目(2020C02007)。

年　　份：2021

卷　　号：37

期　　号：14

起止页码：197-203

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CAB、CAS、CSCD、CSCD2021_2022、EAPJ、EI、IC、JST、PROQUEST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：松材线虫病是一种传播速度快的毁灭性森林病害,利用无人机遥感及时对松材线虫病病害木进行监测,是控制松材线虫病蔓延的有效方式。该研究利用YOLO算法自动识别无人机遥感影像上的松材线虫病异常变色木,利用深度可分离卷积和倒残差结构改进YOLOv4算法,提高了识别的精度和效率。比较Faster R-CNN、EfficientDet、YOLOv4和YOLOv5与改进的YOLO算法的速度和精度,并分析了改进的YOLO算法在参与训练区域和未参与训练区域的异常变色木的识别效果。试验结果表明,改进后的YOLO算法的平均精度为80.85%,每个迭代周期的训练时间为164 s,参数大小为44.2 MB,单张影像的测试时间为17 ms,表现优于Faster R-CNN和YOLOv4,但与EfficientDet和YOLOv5相比有优有劣,综合比较这4个指标,改进算法在检测速度和检测精度上的表现更为平衡。未参与训练区域异常变色木的F1分数(84.18%)略低于参与训练区域(87.92%),但基本满足异常变色木的监测要求。相似地物、林分郁闭度、坡向和分辨率会对识别精度产生影响,但影响较小。因此,改进的YOLO算法精度高、效率高,可用于松材线虫病异常变色木的快速识别,并且对未参与训练区域异常变色木的识别具有较高的适用性。

关 键 词：无人机 深度学习  YOLO  松材线虫病 异常变色木  

分 类 号：TP391]