陈锋军教授团队:基于无人机图像和改进LSC-CNN模型的密集苗木检测和计数方法(《智慧农业(中英文)》2024年第5期)

学术   2024-11-28 20:32   北京  



引用格式

彭小丹, 陈锋军, 朱学岩, 才嘉伟, 顾梦梦. 基于无人机图像和改进LSC-CNN模型的密集苗木检测和计数方法[J]. 智慧农业(中英文), 2024, 6(5): 88-97.

Citation:PENG Xiaodan, CHEN Fengjun, ZHU Xueyan, CAI Jiawei, GU Mengmeng. Dense Nursery Stock Detecting and Counting Based on UAV Aerial Images and Improved LSC-CNN[J]. Smart Agriculture, 2024, 6(5): 88-97.

官网全文在线阅读

知网阅读


基于无人机图像和改进LSC-CNN模型的密集苗木检测和计数方法

彭小丹1,3, 陈锋军1,2,3,4*, 朱学岩1,4, 才嘉伟1,3, 顾梦梦5

(1.北京林业大学 工学院,北京 100083,中国;2.林木资源高效生产全国重点实验室,北京 100083,中国;3.城乡生态环境北京实验室,北京 100083,中国;4.林业装备与自动化国家林业和草原局重点实验室,北京100083,中国; 5.科罗拉多州立大学 园艺与景观建筑系,柯林斯堡 80523,美国)


摘要: 

[目的/意义]快速、准确地统计密集种植的苗木数量对苗木经营管理具有重要意义。为解决无人机航拍的密集种植苗木图像中苗木粘连、尺度差异大的问题,提出以点标签数据为监督信号的改进密集检测计数模型(Locate, Size and Count, LSC-CNN),同时实现苗木的检测和计数。

[方法]改进的LSC-CNN模型通过将LSC-CNN模型特征提取网络的最后一层卷积替换为扩张卷积(Dilated Convolutions, DConv),实现在保留苗木细节特征的同时扩大感受野,帮助模型更好地理解上下文信息以区分粘连苗木。此外,在多个尺度分支前引入注意力机制(Convolutional Block Attention Module, CBAM)使模型聚焦于有助于苗木检测和计数的关键特征,以更好地适应不同尺度的苗木。为解决类别不平衡问题,提高模型的泛化能力,将损失函数替换为标签平滑交叉熵损失函数。

[结果和讨论]经测试,改进LSC-CNN模型在456幅苗木图像的测试集上的平均绝对误差(Mean Absolute Error, MAE)、均方根误差(Root Mean Square Error, RMSE)和平均计数准确率(Mean Counting Accurate, MCA)分别为14.24株、22.22株和91.23%,三项指标均优于IntegrateNet、PSGCNet、CANet、CSRNet、CLTR和LSC-CNN模型。

[结论]改进LSC-CNN模型能够准确实现密集种植苗木的检测和计数,适用于多种树木的检测和计数工作。

关键词: 无人机;密集种植;计数;多尺度;LSC-CNN

文章图片

图1 苗木检测和计数数据集获取

Fig. 1  Acquisition of nursery stock detection and counting dataset

注:C代表大小为3×3的卷积;m和t_(s-1)为通道数;DConv表示膨胀率为2,大小为3×3的扩张卷积;P代表大小为2×2的最大池化;CBAM为卷积注意力机制;T表示大小为3×3的转置卷积;s表示分支数;2^s为步长。

图2 改进LSC-CNN模型网络结构

Fig. 2  Network structure of improved LSC-CNN model

图3 CBAM模块结构图

Fig. 3  CBAM module structure

图4 扩张卷积不同膨胀系数示例图

Fig. 4  Examples of dilated convolutions with varying dilation rates

图5 改进LSC-CNN模型损失函数迭代曲线

Fig. 5  Improve the LSC-CNN model's loss function iteration curve

注:红色点表示定位的每个苗木位置;绿色框表示框定的苗木位置和大小;数字表示每幅图像对应的计数结果。

图6  改进LSC-CNN苗木检测计数对比试验结果

Fig. 6 Comparative experimental results of nursery stock detection and counting based on the improved LSC-CNN study

注:每幅图像中绿色框为模型检测结果;数字表示每幅图像对应的计数结果。

图7 改进LSC-CNN模型苗木检测计数试验结果

Fig. 7  Improved LSC-CNN model test results of nursery stock detection and counting


作者简介

陈锋军   教授
陈锋军,北京林业大学教授,研究方向为人工智能在农林业中的应用。主持/参与省部级及以上等课题十余项,发表论文30余篇,专利6项,软著作40余项,专著2部等。

来源:《智慧农业(中英文)》2024年第5期

转载请联系编辑部授权

本期支持单位

潍柴雷沃智慧农业科技股份有限公司



推荐阅读


姬江涛教授团队:基于改进DeepLabCut模型的奶牛滑蹄检测方法(《智慧农业(中英文)》2024年第5期)


《智慧农业(中英文)》长期征稿启事


关于征集2025年农业信息化国家和行业标准项目制修订立项建议的通知


张方照博士团队:基于ECMWF长时间序列再分析数据的县域冬小麦适宜播种期研究(《智慧农业(中英文)》2024年第5期)





智慧农业微信交流服务群

为方便农业科学领域读者、作者和审稿专家学术交流,促进智慧农业发展,为更好地服务广大读者、作者和审稿人,编辑部建立了微信交流服务群,有关专业领域内的问题讨论、投稿相关的问题均可在群里咨询。入群方法:加小编微信331760296备注:姓名、单位、研究方向,小编拉您进群,机构营销广告人员勿扰。

发布征集







欢迎在我公众号发布科研团队介绍、创新科研成果及相关活动等信息。

智慧农业期刊
《智慧农业(中英文)》是国内外公开发行的农业科学类学术期刊。期刊聚焦农业信息技术发展前沿与热点,刊载和传播国内外最新研究成果,通过搭建高水平学术交流平台,引领学术研究方向,服务行业科学决策,培养高水平创新人才,促进学科发展。
 最新文章