[发明专利]一种基于改进YOLOv5的红树林单木目标检测方法

说明书

一种基于改进YOLOv5的红树林单木目标检测方法，深度学习中的目标检测、图像处理技术以及改进YOLOv5算法的幼小红树林单木识别技术，属于林业科学研究中红树林单木目标检测领域。利用开源软件Labe l Img在选取的无人机影像上依次标注目标树，构建红树林单木数据集，选择YOLOv5为基础目标检测模型，依据目标木分布密集且尺寸较小的特点对其进行优化和改进，使用有效通道注意力机制Eff i c i ent Channe l Attent i on对CSPDarknet53骨干网络进行改进，避免降维和具有跨通道交互作用的同时，增强特征表达能力，并在SPP模块引入SoftPoo l池化操作，保留更多细节特征信息，提高自动化目标检测精度。

技术领域

本发明涉及一种基于改进YOLOv5的红树林单木目标检测方法，深度学习中的目标检测、图像处理技术以及改进YOLOv5算法的幼小红树林单木识别技术，属于林业科学研究中红树林单木目标检测领域。

背景技术

红树林是热带和亚热带海岸带上特有的森林群落，在改善生态状况、维护生物多样性和沿海地区生态安全等方面发挥着重要作用。红树林资源调查和动态监测是红树林科学保护与管理的基础和前提，但是由于人为改造等原因，我国红树林面积正在日益减少。为了更好地保护红树林生态系统，扩大红树林面积，近年来多个红树林自然保护区根据规划开展了红树林人工造林工作，在原有红树林中补植和人工造林成为恢复红树林资源的主要措施。红树林分布地理位置特殊，多在潮间带浅滩，涨潮时易被海水淹没，红树林幼苗若未成活则因根系无附着力被水流冲走，因此存在的红树林单木幼苗即为成活的林木。在此特殊的环境中，低空无人机遥感系统因具有数据采集灵活、成本低且可快速获取小范围超高分辨率影像的特点，非常适用于红树林区域的影像采集。基于此，将无人机应用于红树林幼苗的获取，是有效提高红树林幼苗监测精度的途径之一。

因此如何结合无人机影像快速、精确地检测红树林单木成为在新造红树林成活率核查工作中亟待解决的问题。随着目标检测和物体识别技术的发展，深度学习开始广泛应用于目标检测，人脸识别和语音识别等是最常见的应用。针对特征提取能力不足，预测框处理降低检测速度等问题，提出一种多尺度特征融合的Anchor-Free轻量化检测算法。对于现有目标检测算法在复杂巡检场景下巡检缺陷检测精度较低的问题，提出一种基于尺度不变特征金字塔的缺陷检测方法。但以上方法均只是对相应的特定场景进行算法改进。近年来，深度学习的发明也逐渐应用于林业行业，逐步实现对林业更加精准、快速、智能地监测。周焱在《基于深度学习的小目标受灾树木检测方法》一文中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。但是SSD算法(Si ng l e Shot Mu l t i Box Detector，是We i Li u在ECCV 2016上提出的一种目标检测算法)舍弃了含有丰富信息的底层特征，对小目标检测的鲁棒性较低。

目前主流的深度学习目标检测算法有双阶段和单阶段之分。区别于R-CNN系列为代表的双阶段检测算法，YOLO直接将特征提取、候选框回归和分类在同一个无分支的卷积网络中完成，使得网络结构变得简单，能够满足实时检测任务的需求。YOLO目标检测模型经历了数次更新迭代，先后解决了多目标检测、小目标检测、漏检修复、多尺度预测等多个维度的问题。

基于目标检测可自动学习特征、速度快效率高等优势，将该系列算法最新的YOLOv5更好地应用于红树林单木检测中以实现对红树林幼苗状况的智能监测是本发明的主要目的。

发明内容

本发明旨在基于深度学习方法提出一种基于改进YOLOv5的红树林单木目标检测方法，弥补目前人机影像中红树林单木目标较小且分布密集，对其检测时自动化程度不高、效率低等问题，为成活红树林幼苗的自动化检测提供技术支持，以此进一步提高新造红树林成活率检查精度和效率，使得红树林幼苗状况的智能监测得以实现。