基于多色彩空间的YOLOv5松枯死树检测方法

【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。