林业科学

作者：周焱1,刘文萍1,*,骆有庆2,宗世祥2

单位：1. 北京林业大学信息学院 北京 1000832. 北京林业大学林学院 北京 100083

关键词：无人机图像,森林病虫害,深度学习,目标检测

基金：十三五国家科技重大专项和国家研发计划项目"人工林重大灾害防控关键技术研究"(2018YFD0600200);北京市科技计划项目"北京生态公益林重大有害生物防空关键技术"(Z191100008519004)

目的: 针对无人机森林图像中树木尺度小、生长密集以及分布不规律等问题，提出一种基于深度学习的小目标受灾树木检测方法，以准确识别和定位高分辨率无人机森林图像中的小尺度受灾树木。方法: 以辽宁省凌源县受红脂大小蠹侵害的油松林无人机图像为数据源，利用LabelImg开源软件标注拍摄高度为180~240 m的图像，构建无人机森林图像数据集。设计小目标受灾树木检测框架，该框架在轻量级目标检测框架（SSD）基础上，首先从conv3_3开始构建预测模块，并根据图像中目标树木的尺寸删减预测模块，同时优化特征图上默认框生成方式；然后，通过特征增强模块将基础特征图转化为增强特征图，生成基础和增强预测模块；最后，利用基于默认框的双层损失函数训练检测模型以促进特征学习。结果: 基于深度学习的小目标受灾树木检测方法可实现无人机森林虫害远程监测，较准确检测无人机图像中细小密集的受灾树木。采用5组不同结构的SITD模型以及SSD、FSSD和RFBNet目标检测框架对无人机森林图像数据集进行训练和测试，以平均查准率（AP）和Precision-Recall曲线作为评价指标，试验选出最优SITD模型在测试集上的AP为92.62%，相比原始SSD300框架提升69.71%，且优于其他3种目标检测框架。结论: 基于深度学习的小目标受灾树木检测方法可实现对森林中受灾树木的自动化检测，能够简化林业有害生物监测流程，提升对森林虫害的预警能力。

来源：2021年第3期

《林业科学》期刊编辑部

查看林业科学杂志2021年第3期