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

作     者：彭小丹 陈锋军 朱学岩 才嘉伟 顾梦梦 

作者机构：北京林业大学工学院 城乡生态环境北京实验室 林木资源高效生产全国重点实验室 林业装备与自动化国家林业和草原局重点实验室 科罗拉多州立大学园艺与景观建筑系 

出 版 物：《智慧农业(中英文)》 (Smart Agriculture)

年 卷 期：2024年

核心收录：

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 082804[工学-农业电气化与自动化] 08[工学] 0828[工学-农业工程] 081104[工学-模式识别与智能系统] 080203[工学-机械设计及理论] 0835[工学-软件工程] 0802[工学-机械工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家重点研发计划(2019YFD1002401) 北京林业大学科技创新计划项目(2021ZY74) 北京市共建项目专项 

主　　题：无人机 密集种植 计数 多尺度 LSC-CNN 

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,帮助模型更好的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。