融合超分辨率重建的YOLOv5松枯死木识别模型

• Published in: 农业工程学报 Vol. 39; no. 5; pp. 137 - 145
• Main Authors: 王文瑾, 游子绎, 邵历江, 李小林, 吴松青, 张珠河, 黄世国, 张飞萍
• Format: Journal Article
• Language: Chinese
• Published: 生态公益重大有害生物防控福建省高校重点实验室,福州 350002%福州市森林病虫害防治检疫站,福州 350002%福建农林大学计算机与信息学院,福州 350002 01.03.2023; 福建农林大学计算机与信息学院,福州 350002%福建农林大学林学院,福州 350002%福建农林大学林学院,福州 350002; 生态公益重大有害生物防控福建省高校重点实验室,福州 350002
• Subjects: 松枯死木; 无人机; 小目标检测; 特征融合; 超分辨率重建; 图像识别
• ISSN: 1002-6819
• DOI: 10.11975/j.issn.1002-6819.202211141

TP391.4; 为解决山地地形起伏大、无人机飞行高度高导致图像中尺度小且纹理模糊的松枯死木识别困难问题,该研究提出了一种在特征层级进行超分辨率重建的YOLOv5 松枯死木识别算法.在YOLOv5 网络中添加选择性核特征纹理迁移模块生成有细节纹理的高清检测特征图,自适应改变感受野的机制分配权重,将更多注意力集中在纹理细节,提升了小目标和模糊目标的识别精度.同时,使用前景背景平衡损失函数抑制背景噪声干扰,增加正样本的梯度贡献,改善正负样本分布不平衡问题.试验结果表明,改进后算法在交并比(intersection over union,IoU)阈值取0.5 时的平均精度均值(mean average precision,mAP50)为 92.7％,mAP50～95(以步长 0.05 从0.5到 0.95 间取IoU阈值下的平均mAP)为 62.1％,APsmall(小目标平均精度值)为53.2％,相比于原算法mAP50 提高了3.2 个百分点,mAP50～95 提升了8.3 个百分点,APsmall提升了 15.8 个百分点.不同算法对比分析表明,该方法优于Faster R-CNN、YOLOv4、YOLOX、MT-YOLOv6、QueryDet、DDYOLOv5 等深度学习算法,mAP50 分别提高了 16.7、15.3、2.5、2.8、12.3和 1.2 个百分点.改进后松枯死木识别算法具有较高精度,有效缓解了小目标与纹理模糊目标识别困难问题,为后续疫木清零提供技术支持.