林业生态环境监测建设是林业生态健康可持续发展的迫切需求,是森林资源保护、生态文明建设和林业有害生物防控体系提升的关键。快速、准确、有效地检测林业有害生物能够遏制病虫害蔓延,促进森林病虫害综合治理,减轻对林业生产和生态环...林业生态环境监测建设是林业生态健康可持续发展的迫切需求,是森林资源保护、生态文明建设和林业有害生物防控体系提升的关键。快速、准确、有效地检测林业有害生物能够遏制病虫害蔓延,促进森林病虫害综合治理,减轻对林业生产和生态环境建设的危害。为此提出一种深度学习方法,利用当前强大的目标检测算法YOLOv5来实现林业有害生物的检测与识别,针对害虫图像中经常出现重叠和遮挡物体问题,采用DIoU_NMS算法对目标框进行选择,增强被遮挡害虫的检测识别准确率。试验结果表明,YOLOv5算法模型能够有效识别数据集中包含的9种林业有害生物,精确度达到了0.973,召回率达到了0.929,均值平均精度(mean Average Precision, mAP)达到了0.942。与YOLOv3和Faster-RCNN相比,mAP比YOLOv3高0.04,比Faster-RCNN高0.087,充分显现出该模型的识别精度高,且实时性好,鲁棒性强。展开更多
文摘林业生态环境监测建设是林业生态健康可持续发展的迫切需求,是森林资源保护、生态文明建设和林业有害生物防控体系提升的关键。快速、准确、有效地检测林业有害生物能够遏制病虫害蔓延,促进森林病虫害综合治理,减轻对林业生产和生态环境建设的危害。为此提出一种深度学习方法,利用当前强大的目标检测算法YOLOv5来实现林业有害生物的检测与识别,针对害虫图像中经常出现重叠和遮挡物体问题,采用DIoU_NMS算法对目标框进行选择,增强被遮挡害虫的检测识别准确率。试验结果表明,YOLOv5算法模型能够有效识别数据集中包含的9种林业有害生物,精确度达到了0.973,召回率达到了0.929,均值平均精度(mean Average Precision, mAP)达到了0.942。与YOLOv3和Faster-RCNN相比,mAP比YOLOv3高0.04,比Faster-RCNN高0.087,充分显现出该模型的识别精度高,且实时性好,鲁棒性强。