| 基于多色彩空间的YOLOv5松枯死树检测方法 |
| |
| 引用本文： | 游子绎,王文瑾,邵历江,郭丹,吴松青,黄世国,张飞萍.基于多色彩空间的YOLOv5松枯死树检测方法[J].生物安全学报,2023,32(3):282-289. |
| |
| 作者姓名： | 游子绎 王文瑾 邵历江 郭丹 吴松青 黄世国 张飞萍 |
| |
| 作者单位： | 福建农林大学林学院, 福建 福州 350002;福州农林大学生态公益重大有害生物防控福建省高校重点实验室, 福建 福州 350002;福建农林大学计算机与信息学院, 福建 福州 350002 |
| |
| 基金项目： | 国家林业和草原局重大应急科技项目(ZD202001);福建省林业科技项目(闽林文[2021]35号);福建农林大学科技创新专项基金项目(KFb22097XA) |
| |
| 摘 要： | 【目的】针对在松枯死树监测实践中,从无人机航拍RGB影像中自动识别松枯死树漏检率高的问题,提出了一种生产应用场景下基于多色彩空间的YOLOv5松枯死树高精度自动识别新方法。【方法】利用无人机采集大面积松材线虫病发生林分的RGB图像,用Pix4Dmapper软件拼接,用LabelImg开源软件建立VOC格式的松枯死树数据集,分别用Faster R-CNN、YOLOv3、YOLOv4、YOLOv5、SSD和EfficientDet等6种基于深度学习的目标检测算法对数据集进行训练和测试,以精确率、召回率、平均准确率以及F1分数作为评价指标筛选出最优目标检测算法;然后将采集的RGB图像转换成LAB和HSV色彩空间图像,再将这3个色彩空间的图像分别用最优目标检测算法进行训练,得到目标在每个色彩空间的边界框,使用非极大值抑制算法对这些边界框进行处理,得到最优边界框实现松枯死树自动识别。【结果】6种算法均取得良好效果,其中YOLOv5模型为最优算法,其精准率、平均查准率和F1分数在6种算法中均最高,分别达到97.58%、82.40%和0.85。通过3个色彩空间融合后,反映漏检情况的召回率由74.54%提高到98.99%,平均准确率提升至98.39%。【结论】基于多色彩空间的YOLOv5模型能够显著提高从无人机航拍RGB影像中检测松枯死树的精度,为松枯死树监测提供了有力工具,也有助于松材线虫病的防治。
|
| 关 键 词： | 无人机影像 松枯死树 深度学习 多色彩空间 松材线虫病 |
| 收稿时间： | 2022/10/12 0:00:00 |
| 修稿时间： | 2022/11/28 0:00:00 |
Dead pine detection by multi-color space based YOLOv5 |
| |
| YOU Ziyi,WANG Wenjin,SHAO Lijiang,GUO Dan,WU Songqing,HUANG Shiguo,ZHANG Feiping.Dead pine detection by multi-color space based YOLOv5[J].Journal of Biosafety,2023,32(3):282-289. |
| |
| Authors: | YOU Ziyi WANG Wenjin SHAO Lijiang GUO Dan WU Songqing HUANG Shiguo ZHANG Feiping |
| |
| Affiliation: | College of Forestry, Fujian Agriculture and Forestry University, Fuzhou, Fujian 350002, China;Key Laboratory of Integrated Pest Management in Ecological Forests, Fujian Province University, Fujian Agriculture and Forestry University, Fuzhou, Fujian 350002, China;College of Computer and Information Sciences, Fujian Agriculture and Forestry University, Fuzhou, Fujian 350002, China |
| |
| Abstract: | |
| |
| Keywords: | UAV image dead pine trees deep learning multi-color space pine wood nematode disease |
|
| 点击此处可从《生物安全学报》浏览原始摘要信息 |
|
点击此处可从《生物安全学报》下载全文 |
|
