无人机在林业中的应用及前景展望

利用无人机对林业进行信息监测是提升林业信息化和精准化的重要方向,同时也是实现精准林业目标的有力途径。相较于传统林业监测方式,无人机可以实时准确地获取多尺度、多时相、高分辨率的影像数据,提升林区作业的智能化水平,满足智慧林业建设的需求。利用无人机平台搭载多种光学信息采集设备,结合无人机遥感技术并辅以GPS精确定位技术可以高效地实现特征目标信息的收集工作。为了更好地促进无人机技术在林业领域的普及与应用,笔者对无人机技术在林业行业的应用现状及发展前景进行了梳理总结。首先介绍了林用无人机的有关概念、分类及平台优势,重点对当前无人机在林业行业主流应用的实践进行了总结,主要涉及林业病虫害遥感监测、林业火灾监测、野生动植物监测与识别、林业资源调查、林业精准植保以及林业执法等,进而分析了当前无人机在林业领域应用中面临的挑战,同时对林用无人机在续航能力及通讯范围有限、受环境影响大、监管机制不完善等主要问题进行了探讨,为促进无人机技术在林业领域深层次应用提供了参考。

基于ROI-CNN的赛罕乌拉国家级自然保护区陆生野生动物自动识别

【目的】利用红外自动感应相机对野生动物进行图像监测是对野生动物保护管理的有效手段,为了解决野外复杂背景环境导致的野生动物监测图像自动识别准确率低的问题,提出一种基于感兴趣区域(ROI)与卷积神经网络(CNN)的野生动物物种自动识别方法。【方法】以红外自动感应相机在内蒙古赛罕乌拉国家自然保护区内拍摄的马鹿、斑羚、猞猁、狍和野猪这5种国家级陆生保护动物的图像为实验样本,采用基于回归算法的目标检测方法,对监测图像中野生动物区域进行检测并分割,生成ROI图像,减少复杂背景信息对物种识别的干扰;利用裁剪、仿射变换等方式对样本数据进行扩充;构建基于全局-局部的VGG16双通道网络模型对样本图像进行训练,最后接入分类器输出物种识别结果。同时,构建了基于VGG19的双通道网络模型对样本图像进行训练,并与本研究训练结果进行比较;另外,将样本图像分别输入本研究算法与VGG16、R-CNN、Fast R-CNN算法进行训练,对比不同算法下的识别效果。【结果】利用本研究模型对样本图像进行训练时,测试集的平均识别精度均值MAP达到0.912,相对于VGG19结构下的训练模型和VGG16、R-CNN、Fast R-CNN,得到了更高的MAP值。【结论】相比于其他算法,本研究提出的物种识别模型更适合于复杂背景下的野生动物监测图像的物种识别,可以得到更高的MAP值与更优的识别效果。

草原植被盖度与物候智能监测系统研制

针对目前草原植被盖度和物候期监测中存在的连续工作能力差、自动监测能力弱和精确度较低问题,将固定监测、移动监测和云平台结合,研制了一种草原植被盖度与物候智能监测系统。该系统主要由固定监测子系统、移动监测子系统以及草原物候智能监测云平台组成。固定监测子系统主要由物候相机、供电模块、通信模块、边缘计算控制器和支撑立杆等组成,移动监测子系统主要包括手持机和应用程序。草原物候智能监测云平台基于浏览器/服务器模式架构设计,具有信息查询、数据分析、数据显示和数据共享等功能。固定监测子系统和移动监测子系统可实现草原植被图像数据的采集和上传,然后通过云服务器部署的图像处理程序自动提取草原植被指数和植被盖度并存入数据库。在此基础上,通过拟合植被指数的时间序列获得植被生长曲线,并利用TIMESAT软件提取物候参数。经测试,提出的利用过绿指数(excess green index,EXG)结合最大类间方差法分割草原植被图像进而实现草原植被盖度识别的方法获得了90%的精确度,满足草原植被盖度自动化和批量化提取需求。并且,该研究在提取相对绿度指数(green chromatic coordinate,GCC)、EXG与归一化红绿差分指数(normalized green red difference index,NGRDI)植被指数的基础上,采用Double Logistic函数拟合的植被生长曲线可以准确反映植被生长周期。该系统为草原植被数智化监测和管理提供了可靠的技术和数据支撑。

基于微根管图像的作物根系分割和表型信息提取

微根管法采集的作物根系图像具有复杂的土壤背景和较小的根系占比,当深度学习的感受野较小或多尺度特征融合不充分时,会导致根系边缘处的像素被错分为土壤。同时,微根管法的图像采集周期长且在初期很难采集到大量有效样本,限制了根系提取模型的快速部署。为提升根系表型测算精度和优化提取模型部署策略,该研究设计了一种原位自动根系成像系统以实时获取作物的微根管图像,构建全尺度跳跃特征融合机制,使用感受野丰富的U^(2)-Net模型对微根管图像中的根系像素进行有效分类。结合数据增强以及迁移学习微调训练,实现对目标种类根系提取模型的快速部署。试验结果表明,使用加入全尺度跳跃特征融合机制的改进U^(2)-Net模型对蒜苗根系分割的F1得分和交并比IoU分别为86.54%和76.28%,相比改进前、U-Net、SegNet和DeeplabV3+_Resnet50模型,F1得分分别提高0.66、5.51、8.67和2.84个百分点;交并比分别提高1.02、8.18、12.52和4.31个百分点。迁移学习微调训练相比混合训练,模型的F1得分和交并比分别提高了2.89和4.45个百分点。改进U^(2)-Net模型分割图像的根系长度、面积和平均直径与手动标注结果的决定系数R^(2)分别为0.965、0.966、0.830。研究结果可为提升基于微根管图像的根系表型测算精度和根系提取模型的快速部署提供参考。

基于语义分割和融合算法的草坪杂草定位

【目的】探究基于多算法融合的草坪杂草精准定位算法,为草坪杂草的自动识别和清除机器人的除草作业提供技术支撑与理论依据。【方法】提出了一种基于语义分割的多算法融合的草坪定位算法。首先,通过PSPNet网络分割草坪和非草坪轮廓。其次,针对分割出来的非草坪轮廓提取感兴趣的区域,去除非杂草轮廓,保留杂草轮廓。然后,利用Zhang-Suen细化算法提取杂草轮廓骨架线,并获取骨架交叉点数量和坐标位置。最后,利用融合算法依据交叉点数量选择不同的定位策略,实现杂草根部的精准定位。【结果】融合算法定位的杂草坐标与真实杂草根部中心坐标的均方根误差为83.17像素,相比平均质心法减少了14%,相比最小外接圆减少了22%。换算到实际场景之下,融合算法定位的杂草坐标与真实杂草根部中心坐标的均方根误差为12.48 mm,误差在可接受的误差范围内。融合算法提高了杂草根部中心的定位精度,降低了杂草定位的误差。【结论】基于语义分割和融合算法的草坪杂草定位方法提高了杂草根部中心的定位精度,降低了单一方法的定位误差,可以为草坪杂草自动识别和除草作业提供技术支持。

根区土壤氧气检测技术与方法研究进展

根区氧胁迫问题在滞涝区域、城市地面硬化区域尤为常见,根区土壤氧气含量高低是判断植物是否承受低氧胁迫的重要依据,其检测技术与分析方法的研究对农林生产和生态保护具有指导意义。为明确根区土壤氧气检测现状及发展方向,该研究概括了国内外土壤氧气分布检测方法和分析策略,将现有获取根区土壤氧含量时空分布的技术手段归纳为氧传感器点位检测法、土壤氧扩散模型分析法和荧光成像法,并剖析比较了各方法的优缺点和适用场景。基于氧传感器等领域最新进展,结合各类氧气运输模型,总结了根区土壤氧气分布检测技术和建模方法的研究重点与发展方向如下:1)氧传感器呈现小型化和集成化趋势,引入新型材料,提高氧传感器的灵敏度和耐久性能;2)模型的精度将不断提高,更多地考虑多尺度和多因素交互作用,以全面分析根区土壤氧环境的复杂性;3)开发可持续的荧光染料,提高荧光成像技术的分辨率和深度,以实现对更小、更深层次结构的清晰成像;4)分析植物蒸腾作用中的水氧关系,通过茎干氧浓度反映植物对根区氧环境变化的生理适应能力。研究可为植物根区土壤氧气分布检测提供思路与借鉴。

高填充油茶果壳基木塑复合材料的制备及力学性能

以油茶果壳和不同塑料即聚丙烯、高密度聚乙烯(PE-HD)、低密度聚乙烯、线性低密度聚乙烯为原料,采用模压成型的方法制备了高填充油茶果壳基木塑复合材料,利用电子万能试验机和悬臂梁冲击试验机测试其力学性能。通过单因素试验分析塑料种类对复合材料力学性能的影响,确定较优塑料种类后进一步优化制备参数。以壳粉含量、增容剂马来酸酐接枝聚乙烯(MAPE)含量、热压温度、热压时间为设计因素,以弯曲强度、弯曲弹性模量、拉伸强度、冲击强度为力学性能优化目标,设计L_(9)(3^(4))正交试验,研究了高填充油茶果壳基木塑复合材料的制备工艺,利用极差分析和方差分析得到了较优配方和工艺参数组合。研究表明:当添加塑料为PE-HD时,复合材料的弯曲强度最大为34.40 MPa,拉伸强度最大为18.20 MPa,力学性能较优;壳粉含量为65%时,添加7%MAPE的复合材料强度较好,弯曲强度最大为33.66 MPa;优化制备参数组合为壳粉含量55%,MAPE含量5%,热压温度160℃,热压时间10 min。

基于抚育整枝目标的毛白杨枝条冲击切割性能适应性分析

【目的】为了提高毛白杨枝条冲击切割效率并改善切割效果,通过研究枝条内部因素对切割性能的影响,对毛白杨枝条的冲击切割性能进行适应性分析。【方法】以我国华北地区林场广泛种植的速生林品种毛白杨的枝条为研究对象,使用自制的枝条切割平台进行枝条切割试验。在单因素试验的基础上采用Box-Benhnken中心组合试验方法,通过试验和理论研究枝条直径、含水率和分枝角度3个内部因素对峰值切割力和断裂效果的影响规律。【结果】(1)建立了毛白杨枝条冲击切割性能的切割机理模型;(2)通过对模型进行优化分析,得到最优参数组合为枝条直径14.7 mm、含水率14.0%、分枝角度90°,该组合下的峰值切割力为370.48 N,断裂效果评分为4.6分,峰值切割力和断裂效果分数的预测值与实测值的相对偏差均小于5%;(3)峰值切割力与枝条直径呈线性增长关系,随枝条含水率的增大呈先增大后减小的趋势,随着分枝角度的增大而小幅增大。【结论】选择树龄为7年时进行修枝作业,作业的季节选择秋冬季,可以获得较优的修枝质量,该研究可为速生林修枝装备的研发与林木抚育方式的优化结合提供数据支撑。

基于Wasserstein距离和相关对齐迁移学习的野生动物图像识别方法

【目的】为解决光照、背景和拍摄尺度等复杂因素对野生动物图像识别准确性的影响。【方法】以野外红外触发相机采集的野生动物图像为对象:1)利用ENA24和NACTI两个公开的野生动物数据集构建包含不相交领域数据集S1和S2,共11个动物类别,包含25591幅图像;2)针对领域偏移问题,采用ResNet50网络作为特征提取模块构建领域对抗网络,有效减轻了领域偏移;3)引入Wasserstein距离和相关对齐的表征学习网络,建立了基于Wasserstein距离和相关对齐的迁移学习网络,用于特征提取和识别,挖掘迁移性的特征。【结果】采用平均准确率作为评价指标,ResNet50、DDC、DCORAL、DAN、DANN、CDAN、HAN和JTN这8个模型在11种野生动物上的识别表现分别为48.4%、51.6%、49.6%、52.6%、45.2%、50.9%、54.6%和53.5%;在改进残差模块的ResNet50基础上,并引入Wasserstein距离和相关对齐的表征学习网络后,与现有最佳方法相比,11种(类)野生动物的平均准确率提高了2.7%。【结论】基于Wasserstein距离和相关对齐的迁移学习方法在野生动物识别方面的平均准确率达到57.3%;引入Wasserstein距离和相关对齐的表征学习可有效提高野生动物识别模型的准确性。

果园高位自动调平作业平台设计及仿真

【目的】我国果园机械化程度低,尤其缺少丘陵山地果园的机械,目前果园疏花疏果、套袋、采摘等繁重工作主要依靠人工架梯完成。设计一款适用于丘陵山区苹果园的高位自动调平平台,可以提高果园采收机械的采收效率、安全性和稳定性。【方法】根据果园地形特点和果树高度确定平台设计要求和调平方式,确定俯仰、侧倾不同部分尺寸关系,液压缸所需推力、平台角度和液压缸位移量的关系;建立平台控制系统数学模型,使用增量式PID控制器,以不同干扰信号在Simulink中仿真控制调平性能;在Adams中设计极限倾翻坡度实验,平台在不同姿态、不同升降高度和不同载质量情况下仿真验证其安全性。【结果】建立各部分的数学关系,确定各部分基本尺寸,从而建立了平台三维模型。在控制系统仿真中,俯仰、侧倾控制系统在阶跃干扰信号下能使工作台很快回到水平位置,调平时间分别为1.6、2.1 s,超调量均为0;俯仰、侧倾控制系统在正弦干扰信号下能使工作台始终保持在0°附近,波动范围分别在0.15°、0.19°内。平台极限倾翻坡度仿真实验表明平台的倾翻稳定性随着举升高度和载质量的增加而降低,相比无调平时,有调平时的最小极限倾翻坡度增加了24.77%,平台安全性明显提高。【结论】设计的果园高位自动调平平台能够在不同干扰下始终保持水平,具有较好的抗倾翻能力,安全可靠,能够满足丘陵山地果园的使用需求。

灌木建植装备设计与主要部件力学和功率分析

针对沙地机械化造林作业问题,设计了灌木建植装备,提出了起垄、栽植、覆土和送苗相结合的机械化造林作业方案。根据工况条件,确定了灌木建植装备的总体结构、工作原理和结构参数,并针对主要部件锥形鸭嘴植苗装置进行力学分析和灌木建植装备进行功率分析,进而为灌木建植装备的液压系统设计提供参考。结果表明,随着装置开启角度(0°~45°)和插土深度(0~100mm)变化,活动鸭嘴尖端和中间位置受到的土壤压力变化明显,尖端和中间位置在插土深度为55mm,开启角度为24°附近达到最大值80N和138N,随之分别稳定在72N和124N。分析土壤压力变化成因,前期的有限元仿真结果与试验结果变化趋势相近,数值相差15%。利用多项式方程拟合活动鸭嘴尖端和中间位置土壤压力曲线,决定系数>0.95。在ADAMS软件中分析灌木建植装备的功率情况,起垄覆土板阻力空载情况下,最大功率为50kW。

林果类地下自密封压力注灌装置研究

【目的】林果灌溉作业中,常用的节水灌溉方式(如滴管、喷灌等)由于其水肥都灌于地表而易产生蒸发损失和盐碱化,亟需可有效对果树地下根部进行直接灌溉,同时保证水肥不会向地表溢出的装置和技术。【方法】根据实际运用场景,得到装置的设计要求,设计了一款地下自密封压力注灌装置,该装置中通过压力自密封结构在工作中能够保证水肥不向地表溢流。应用此装置设计单因素和多因素试验,选取土壤类型、供水压力和注水深度为影响因素,以注入量为目标进行试验,运用Origin软件进行单因素试验分析,运用Design-Expert软件进行多因素试验分析并建立回归模型,探究装置实际工作下适宜参数及各参数对注入量的影响。通过实际试验与得到的回归模型公式对比,验证模型的可靠性。【结果】单因素试验中,注入量随着供水压力的增大而增大,随着注水深度的增大而减小。多因素试验中,对回归模型进行优化分析,得到常见土壤的适宜供水压力为287 kPa,适宜注水深度为30 cm,注入量的预测值和实际值偏差小于5%,模型结果可靠。【结论】该装置可以满足最初的设计需求,实现了有效对果树地下根部的直接灌溉,同时保证水肥不会向地表溢出。本研究的模型验证为后续该类装置实际运用和继续开发,以及地下压力注灌技术的发展提供了数据支撑。

基于少样本学习的森林火灾烟雾检测方法

【目的】为解决由于森林火灾烟雾数据集样本量小、样本特征分散、烟雾图像占比小等特点导致的林火烟雾检测模型识别效果差、准确率低等问题,实现快速、准确识别检测森林火灾烟雾。【方法】针对少样本森林火灾烟雾图像数据集的样本特征,本研究提出了一种基于多头注意力机制的森林火灾烟雾图像检测方法。该方法首先在训练阶段采用数据增强方法,扩充训练数据的数量同时降低过拟合风险;然后设计特征提取模块与特征聚合模块,在特征提取模块中引入多头注意力机制并探讨引入的合适位置,使模型更多地关注火灾局部特征,解决烟雾图像少造成的信息缺失问题;在特征聚合模块中使用FPN-PAN模块对图像的深层与浅层语义信息进行特征融合;最后,设置检测头模块输出实验结果。利用测试准确率、召回率、误报率、检测率和F1值等评价指标在少样本公共数据集和自建火灾烟雾少样本数据集上测试本方法的有效性。【结果】在数据增强阶段同时增加马赛克数据增强和多尺度变换,可以得到更好的检测效果。在特征提取模块的第4个卷积模块后面添加1处多头注意力机制的模型性能最好。相较于现有的元学习长短时记忆网络、匹配网络和轻量级目标检测网络等方法,本方法有更好的检测效果,具体表现为准确率达到了98.79%,召回率98.28%,检测率97.33%,误报率仅为6.36%。【结论】与现有的火灾烟雾检测模型相比,本方法具有更好的判别能力和泛化能力。

林业装备低功耗防丢器

穿戴设备越来越走近林业活动中,特别是一些随身携带的林业勘探小工具更加受到从业人员的青睐,使用频率越来越高,但同时也存在不同程度的丢失现象。利用低功耗蓝牙技术设计一个拥有防丢找回功能的应用程式。通过调用手机的蓝牙功能来获取绑定在物品上的蓝牙信号的强度来计算两个蓝牙设备之间的距离。当距离超过设定阈值时给出警告信息,从而达到提醒防丢目的。采用多次测量取均值的方法降低蓝牙信号浮动的负面影响,解决了RSSI值不够稳定且容易受到干扰的缺点,提高了测距的稳定性,可以为林业生产用具的管理提供帮助。

苹果枝条往复式切割剪枝参数分析与试验

为探究苹果枝条剪切力学特性,寻找最优切割参数组合,支撑后续剪枝装备的开发,该研究利用自制的往复式枝条切割试验台,通过单因素试验研究枝条直径、平均切割速度、切割间隙和刀具滑切角对枝条峰值切割力的影响。在单因素试验基础上选取平均切割速度、切割间隙和刀具滑切角为影响因素,以峰值切割力为目标进行多因素试验,并建立回归模型。试验结果表明,峰值切割力与枝条直径呈线性增长关系,随着平均切割速度和滑切角的增大而减小,随着切割间隙的增加先减小后增大。对回归模型进行优化分析,得到最优切割参数组合为平均切割速度0.4 m/s、切割间隙1.5 mm、刀具滑切角20°,该组合下的峰值切割力为560.97 N。峰值切割力的预测值与实测值的偏差小于4%,切割参数优化结果可靠。该研究可为后续苹果枝条修剪装备的研发提供数据支撑。

基于全卷积神经网络的林区航拍图像虫害区域识别方法

针对航拍林区虫害图像的虫害区域不规则和传统识别方法泛化能力差的问题,提出一种基于全卷积神经网络(Fully convolution networks,FCN)的虫害区域识别方法。采用八旋翼无人机航拍虫害林区、获取林区虫害图像,并对虫害区域进行像素级标注,用于模型训练;将VGG16模型的全连接层替换为卷积层,并通过上采样实现端到端的学习;使用预训练的卷积层参数,提升模型收敛速度;采用跳跃结构融合多种特征信息,有效提升识别精度,并通过该方法构造了5种全卷积神经网络。试验表明,针对林区航拍虫害图像,FCN-2s在5种全卷积神经网络中区域识别精度最高,其像素准确率为97. 86%,平均交并比为79. 49%,单幅分割时间为4. 31 s。该方法与K-means、脉冲耦合神经网络、复合梯度分水岭算法相比,像素准确率分别高出44. 93、20. 73、6. 04个百分点,平均交并比分别高出50. 19、35. 67、18. 86个百分点,单幅分割时间分别缩短47. 54、19. 70、11. 39 s,可以实现林区航拍图像的虫害区域快速准确识别,为林业虫害监测和防治提供参考。

基于太赫兹时域光谱技术的红木分类识别

提出了一种利用太赫兹时域光谱技术(THz-TDS)进行红木分类识别方法。红木价格昂贵,同时由于种类繁多难以识别,导致红木市场以次充好,以假乱真的现象层出不穷,严重扰乱了市场秩序,给生产者和消费者造成巨大的经济损失,传统的红木分类识别方法难以兼顾准确性和快速性,因此需要研究一种新的方法对现有木材分类识别方法进行补充和发展。相比于传统方法,太赫兹波对红木具有良好的穿透性及指纹特性,在红木的分类识别中有较大的应用潜力。选用5种红木(巴里黄檀、奥氏黄檀、大叶紫檀、小叶紫檀、交趾黄檀)作为试验样品木材。利用THz-TDS系统得到木材的太赫兹时域光谱,通过对五种木材的太赫兹时域光谱进行快速傅里叶变换,得到木材太赫兹频域光谱,并对太赫兹时域光谱提取光学参数,分别得到木材的太赫兹折射率谱和吸收系数谱,结果表明不同种类的木材在时域光谱上具有时间延迟线与振幅的差异,在频域光谱上显示衰减趋势及幅值各不相同,在吸收系数谱中各种类红木吸收峰出现的频段不同,能够直观地展示出各种类木材之间的区别,表明THz-TDS进行红木分类识别具有一定的可行性。利用连续投影算法(SPA)提取吸收系数谱和折射率谱的特征频率,对吸收系数谱260个频率点筛选出28个特征频率点,频段占比10.77%;对折射率谱260个频率点筛选出12个特征频率点,频段占比4.62%。分别建立基于吸收系数谱和折射率谱的随机森林分类模型和支持向量机(SVM)红木分类模型,并对各模型分类结果进行对比。实验结果表明,THz-TDS具有良好的木材识别效果,基于木材太赫兹吸收系数谱和折射率谱建立的随机森林分类模型对红木种类有着较好的分类性能,总体分类准确率分别达到了94%和96%,能够准确对红木种类进行分类识别。利用太赫兹时域光谱技术实现了红木的分类识别,为红木的分类识别提供了一个新的思路和技术方案,能够作为近红外光谱木材检测方法的补充,同时为太赫兹技术在木材分类识别领域的应用提供了理论基础。

移动机器人RGB-D视觉SLAM算法

针对移动机器人视觉同步定位以及地图构建(Simultaneous localization and mapping,SLAM)研究中存在精确度较低、实时性较差等问题,提出了一种用于移动机器人的RGB-D视觉SLAM算法。首先利用定向二进制简单描述符(Oriented fast and rotated brief,ORB)算法提取RGB图像的特征点,通过基于快速近似最邻近(Fast library for approximate nearest neighbors,FLANN)的双向邻近(K-nearest neighbor,KNN)特征匹配方法得到匹配点对集合,利用改进后的随机抽样一致性(Re-estimate random sample consensus,RE-RANSAC)算法剔除误匹配点,估计得到相邻图像间的6D运动变换模型,然后利用广义迭代最近点(Generalized iterative closest point,GICP)算法得到优化后的运动变换模型,进而求解得到相机位姿。为提高定位精度,引入随机闭环检测环节,减少了机器人定位过程中的累积误差,并采用全局图优化(General graph optimization,G2O)方法对相机位姿图进行优化,得到全局最优相机位姿和相机运动轨迹;最终通过点云拼接生成全局彩色稠密点云地图。针对所测试的FR1数据集,本文算法的最小定位误差为0.011 m,平均定位误差为0.024 5 m,每帧数据平均处理时间为0.032 s,满足移动机器人快速定位建图的需求。

多特征融合的鸟类物种识别方法

深度学习输入特征的选择直接影响其分类性能,为了进一步提高基于深度学习的鸟类物种识别模型的分类性能,该文提出一种多特征融合识别方法。该方法首先通过短时傅里叶变换、梅尔倒谱变换和线性调频小波变换分别计算得到鸣声信号的3种语图样本集,然后分别利用3种语图样本集训练3个基于VGG16迁移的单一特征模型,将3个模型的输出进行自适应加权求和实现融合,并修正了加权交叉熵函数以克服样本不平衡的问题,最后对语图进行分类实现鸟类物种的识别。以ICML4B鸣声库的35种鸟类为研究对象,对比了4种模型的平均识别准确率(MAP),结果表明特征融合模型较单一特征模型的MAP最大提高了0.307;选择输入语图的持续时间分别为100 ms、300 ms以及500 ms,对比不同持续时间下4种模型的测试MAP值,结果表明持续时间为300 ms时4种模型的MAP值均为最高;对比了不同信噪比下4种模型的识别效果,多特征融合模型的识别准确率随着信噪比的下降降低最少。说明在选择合适的语图持续时间后,该文提出的特征融合模型能得到更高的识别准确率,具有一定的抗噪能力,且训练参数少,更适合于少样本鸟类的识别。

基于无人机可见光图像的云杉计数方法

目前苗木计数一般通过传统人工计数的方法完成,工作重复枯燥,主观性强,亟需快速准确的苗木计数替代方法。以无人机航拍的云杉可见光图像为对象,通过深度学习技术研究快速准确的云杉计数方法。利用大疆精灵4无人机拍摄云杉图像,按多样性原则选出558幅;通过调整对比度系数和缩放比例系数,模拟不同光照条件和不同长势的云杉,扩充至1 674幅,按照7∶3的比例划分为训练集1 169幅和测试集505幅。在此基础上,根据YOLO v3(You Only Look Once v3)快速准确检测尺寸差异较大目标的优势,构建了YOLOv3云杉计数模型。根据经验设置训练权值衰减、初始学习率和批处理量分别为0.000 5,0.001和64。其中Darknet-53特征提取模块和多尺度预测模块分别提取云杉特征信息和检测云杉目标,检测到的云杉数量即为云杉计数结果。YOLOv3模型的平均计数准确率为90.24%,均方根误差45.82,欠估计、过估计和总误差分别为15.47%,19.25%和34.72%,处理速度0.415 s/幅。对比全卷积神经网络(fully convolutional networks, FCN)分割加Hough圆检测方法,YOLOv3模型平均计数准确率高出2.49%,均方根误差、欠估计、过估计和总误差分别减少29.32,6.7%,5.7%和12.4%。研究结果表明,YOLOv3模型是对计算机视觉角度云杉计数问题的有效探索。