基于改进SSD的无人机影像松材线虫病变色木检测

doi:10.13466/j.cnki.lyzygl.2022.03.021

林业资源管理 ›› 2022›› Issue (3): 135-141.doi: 10.13466/j.cnki.lyzygl.2022.03.021

基于改进SSD的无人机影像松材线虫病变色木检测

刘顺利¹(), 刘昌华¹(), 张雷¹, 彭词清², 薛冬冬²

1.河南理工大学测绘与国土信息工程学院,河南焦作 454150
2.广东省岭南综合勘察设计院,广州 510700

收稿日期:2022-04-19 修回日期:2022-05-02 出版日期:2022-06-28 发布日期:2022-08-04
通讯作者: 刘昌华
作者简介:刘顺利(1994-),男,河南太康人,在读硕士,主要研究方向:摄影测量与遥感技术应用。Email: 2320926733@qq.com
基金资助:
国家自然科学基金资助项目(41541014);河南省高等学校重点科研项目(18A420001)

Detection of Pine Trees Infected by Pine Wood Nematode with UAV Images Based on Improved SSD

LIU Shunli¹(), LIU Changhua¹(), ZHANG Lei¹, PENG Ciqing², XUE Dongdong²

1. School of Surveying and Land Information Engineering,Henan Polytechnic University,Jiaozuo,Henan 454150,China
2.Guangdong Lingnan Comprehensive Survey and Design Institute,Guangzhou 510700,China

Received:2022-04-19 Revised:2022-05-02 Online:2022-06-28 Published:2022-08-04
Contact: LIU Changhua

摘要/Abstract

摘要：

快速精确获取松材线虫病变色木的株数和位置信息,结合相应的治理措施是防止松材线虫病进一步蔓延的有效手段。通过无人机获取松材线虫病变色木林区的厘米级影像,采用SSD,YOLO v4和Faster R-CNN三种深度学习算法实现对变色木的自动检测。结果表明:相比YOLO v4和Faster R-CNN,SSD对于变色木的总体精度更高为75.0%;提出一种结合特征融合模块和通道注意力机制模块的方法改进SSD,改进SSD的总体检测精度为79.0%,相比SSD总体检测精度提升4.0%,表明改进SSD比SSD更适合变色木检测。验证区的变色木株数为87株,改进SSD正确检测株数为81株,检测的正确率高达93.1%,实现对林区无人机影像中松材线虫病变色木的精准检测,可为松材线虫病变色木的防治工作提供技术支持。

关键词: 松材线虫病, 特征融合, 通道注意力模块, 改进SSD

Abstract:

It is an effective means to prevent the further spread of pine wilt disease by quickly and accurately obtaining the number and location information of pine wilt discoloration wood and combining with the corresponding control measures.The centimeter-level image of pine wilted wood forest area was obtained by UAV,and the automatic detection of discoloration wood was realized by SSD,YOLO v4 and Faster R-CNN.The experimental results showed that compared with YOLO v4 and Faster R-CNN,the overall accuracy of SSD for discoloration wood was 75.0%.A method combining feature fusion module and channel attention mechanism module was proposed to improve SSD.The overall detection accuracy of improved SSD was 79.0%,which was 4.0% higher than that of SSD,indicating that the improved SSD was more suitable for discoloration wood detection than SSD.In addition,the number of discoloration trees in the verification area was 87,and the number of correct detection trees in the improved SSD was 81.The accuracy of detection was as high as 93.1%.The accurate detection of pine wilt discoloration trees in UAV images of forest areas was realized,which can provide technical support for the prevention and control of pine wilt discoloration trees.

Key words: Bursaphelenchus xylophilus, feature fusion, squeeze and excitation block, improved SSD

中图分类号:

S763
S771.8

刘顺利, 刘昌华, 张雷, 彭词清, 薛冬冬. 基于改进SSD的无人机影像松材线虫病变色木检测[J]. 林业资源管理, 2022,(3): 135-141.

LIU Shunli, LIU Changhua, ZHANG Lei, PENG Ciqing, XUE Dongdong. Detection of Pine Trees Infected by Pine Wood Nematode with UAV Images Based on Improved SSD[J]. FOREST RESOURCES WANAGEMENT, 2022,(3): 135-141.

图/表 4

参考文献 21

[1]	杨宝君, 潘宏阳, 汤坚, 等. 松材线虫病[M]. 北京: 中国林业出版社, 2003.
[2]	国家林业和草原局公告[EB/OL].(2022-03-14)[2022-04-01]. http://www.forestry.gov.cn/main/3457/20220318/111403492220586.html.
[3]	蒋丽雅, 江顺利, 包锦芳. 松材线虫病疫情人工地面调查方法[J]. 安徽农业科学, 2006(13):3053-3054.
[4]	Kim S R, Lee W K, Lim C H, et al. Hyperspectral analysis of pine wilt disease to determine an optimal detection Index[J]. Forests, 2018, 9(3):115. doi: 10.3390/f9030115
[5]	宋以宁, 刘文萍, 骆有庆, 等. 基于线性谱聚类的林地图像中枯死树监测[J]. 林业科学, 2019, 55(4):187-195.
[6]	胡根生, 张学敏, 梁栋, 等. 基于加权支持向量数据描述的遥感图像病害松树识别[J]. 农业机械学报, 2013, 44(5):258-263.
[7]	李卫正, 申世广, 何鹏, 等. 低成本小型无人机遥感定位病死木方法[J]. 林业科技开发, 2014, 28(6):102-106.
[8]	陶欢, 李存军, 谢春春, 等. 基于HSV阈值法的无人机影像变色松树识别[J]. 南京林业大学学报:自然科学版, 2019, 43(3):99-106.
[9]	刘遐龄, 程多祥, 李涛, 等. 无人机遥感影像的松材线虫病危害木自动监测技术初探[J]. 中国森林病虫, 2018, 37(5):16-21.
[10]	张瑞瑞, 夏浪, 陈立平, 等. 基于U-Net网络和无人机影像的松材线虫病变色木识别[J]. 农业工程学报, 2020, 36(12):61-68.
[11]	徐信罗, 陶欢, 李存军, 等. 基于Faster R-CNN的松材线虫病受害木识别与定位[J]. 农业机械学报, 2020, 51(7):228-236.
[12]	李凤迪, 申卫星, 吴杰芳, 等. 基于YOLOv3-CIoU的松材线虫病树检测方法研究[J]. 山东农业大学学报:自然科学版, 2021, 52(2):224-233.
[13]	黄丽明, 王懿祥, 徐琪, 等. 采用YOLO算法和无人机影像的松材线虫病异常变色木识别[J]. 农业工程学报, 2021, 37(14):197-203.
[14]	成喆, 吕京国, 白颖奇, 等. 结合RPN网络与SSD算法的遥感影像目标检测算法[J]. 测绘科学, 2021, 46(4):75-82.
[15]	张泽宁, 郑树彬, 李立明. 基于SSD的轨道扣件快速弹条状态检测[J]. 计算机与数字工程, 2021, 49(8):1560-1565.
[16]	王震, 张晓丽, 安树杰. 松材线虫病危害的马尾松林木光谱特征分析[J]. 遥感技术与应用, 2007(3):367-370.
[17]	徐华潮, 骆有庆, 张廷廷, 等. 松材线虫自然侵染后松树不同感病阶段针叶光谱特征变化[J]. 光谱学与光谱分析, 2011, 31(5):1352-1356.
[18]	Liu W, Anguelov D, Erhan D, et al. SSD:Single shot multibox detector[C]. European conference on computer vision.Springer,Cham, 2016:21-37.
[19]	Andrea V, And Rew Z. VGG Convolutional Neural Networks Practical[EB/OL].[2022-04-01]. https://www.robots.ox.ac.uk/-vgg/practicals/cnn/index.html.
[20]	Bochkovskiy A, Wang C Y, Liao H Y M. Yolov4:Optimal speed and accuracy of object detection[J/OL]. https://doi.org/10.48550/arXiv.2004.10934.
[21]	Ren S, He K, Girshick R, et al. Faster R-CNN:towards real-time object detection with region proposal networks[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2017, 39(6):1137-1149. doi: 10.1109/TPAMI.2016.2577031

算法	IOU阈值	精确率/%	召回率/%	平均精度/%	总体精度/%	每秒检测图片数量/s
YOLO v4	0.50	90.53	60.78	77.44	73.11	39.68
Faster R-CNN	0.50	60.11	76.68	73.98	67.23	6.37
SSD	0.50	78.86	71.85	79.43	75.00	57.89
改进SSD	0.50	86.09	73.33	80.40	79.00	40.81

基于改进SSD的无人机影像松材线虫病变色木检测

Detection of Pine Trees Infected by Pine Wood Nematode with UAV Images Based on Improved SSD

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 4

参考文献 21

相关文章 6

编辑推荐

Metrics

本文评价

算法	真实株数/株	检测株数/株	误检株数/株	正确检测株数/株	准确率/%
YOLO v4	87	61	2	59	67.8
Faster R-CNN	87	85	15	70	80.5
SSD	87	81	10	71	81.6
改进SSD	87	87	6	81	93.1

[1]	焦全军, 郑焰锋, 黄文江, 张兵, 张鹤译, 史宜梦, 吴发云, 付安民. 陆地生态系统碳监测卫星松材线虫病变色木识别指数研究[J]. 林业资源管理, 2023, 0(4): 123-131.
[2]	王补, 谭伟, 王贵林, 蒲秀青. 基于无人机多光谱影像的松材线虫病单木尺度监测[J]. 林业资源管理, 2022, 0(5): 107-117.
[3]	秦琳, 孟先进, 张水花, 薛亚东, 刘新科, 邢鹏. 北京三号卫星数据在松材线虫病遥感监测中的应用评价[J]. 林业资源管理, 2022, 0(4): 126-133.
[4]	武红敢, 王成波, 常原飞. 松材线虫病死松树云服务管理的探究[J]. 林业资源管理, 2019, 0(5): 68-75.
[5]	武红敢, 牟晓伟, 杨清钰, 王成波. 无人机遥感技术在重庆市沙坪坝区松材线虫病监测中的应用[J]. 林业资源管理, 2019, 0(2): 109-115.
[6]	习妍, 牛树奎. 气候要素对松材线虫病疫情的影响研究[J]. 林业资源管理, 2008, 0(4): 74-76.