[发明专利]一种基于yolov5的松树林病害无人机遥感监测方法

说明书

本发明涉及一种基于yolov5的松树林病害无人机遥感监测方法，包括：利用无人机搭载的光学相机获取病害松树林的原始无人机图像；将原始无人机图像划分为训练集图像和测试集图像，将训练集图像裁剪为规定大小的图像块；利用cut‑paster方法来增加训练集图像中的背景目标，增加样本多样性；基于yolov5建立松树林病害监测网络模型；利用训练集图像训练松树林病害监测网络模型；利用通过训练后的松树林病害监测网络模型预测测试集图像中不同严重程度的病害松树；输出每棵病害松树的地理位置信息。本发明实施例解决无人机遥感图像中病害松树形态多变、不同严重度病害松树颜色纹理特征相似等因素对监测结果的影响，实现对松树林病害的精确监测。

技术领域

本发明涉及遥感监测技术领域，特别是涉及一种基于yolov5的松树林病害无人机遥感监测方法。

背景技术

林业是生态文明建设的重要基础，中国作为一个林业大国，森林资源丰富，其中松树是众多重要生态区、自然保护地的主要树种。但是松树容易被病害侵染，如松树腐烂病、白粉病、松材线虫病等，若防治不及时，可能会扩散给其它健康松树，从而引发大规模的松树林病害。因此准确监测松树林病害，尽早进行病树清理或救治，以防止松树林病害的大范围传播，能够大大减少病害对生态环境的破坏和经济损失。

随着无人机技术的发展，无人机遥感监测方法已被广泛应用于农业或者林业病害监测中。Dash等利用无人机平台获取森林的时间序列多光谱图像，采用随机森林算法对抽取的病害植被指数进行分类，实现森林病害的监测。Wang等使用HOG特征和SVM分类器从无人机图像中自动检测单个油棕树。Song等基于LSC超像素和SVM的算法，根据死树和健康树的不同颜色特征，以及死树和其他红色干扰物的不同纹理特征对死树进行检测。Zhang等将高光谱波段选择和偏最小二乘回归算法结合，以评估中国建平县油松受损害程度。Yu等从无人机获取的高光谱图像和LiDAR数据中抽取松树枯萎病的特征指数，用于训练随机森林分类器，实现对松树枯萎病的监测。上述利用无人机遥感监测农业或林业病害的经典机器学习方法需要手工提取特征，由于手工特征的主观性和探索性，上述方法很难实现鲁棒的作物或者森林病害监测效果。

与传统机器学习方法相比，深度学习方法无需手动进行特征设计，能够学习目标深层次的抽象特征。在利用无人机遥感监测松树病害方面，Faster R-CNN是应用最普遍的深度检测网络模型。Deng等以Faster R-CNN为基础检测网络，对其RPN的锚框以及网络的损失函数进行优化以改进对松枯病死树的检测性能，并在检测出病死松树后对其进行定位得到病死松树的地理位置信息。Yu et al.(2021)采用了两个深度学习网络模型，FasterR-CNN和yolov4，利用机载多光谱数据检测松材线虫病。Wu等使用无人机在感染的早期阶段从松树冠层收集大量图像，采用两种深度学习网络Faster RCNN和yolov3预测受感染松树的数量。Hu et al(2020,2021)利用轻量型的深度学习网络去除非松树背景信息，降低道路、裸土、阴影等背景信息对病害松树检测效果的影响，再采用AdaBoost分类器或者Faster R-CNN用于区分病害松树和健康松树，提高对病害松树监测的准确率。由于无人机图像的分辨率低，图像中病害松树的大小不同、形态各异，图像中的背景复杂，还包含大量噪声，弱化了病害松树的特征，上述方法在背景复杂的图像中容易导致漏检错检不同严重程度的病害松树。

发明内容

(1)要解决的技术问题