基于無(wú)人機(jī)航拍與改進(jìn)YOLOv3模型的云杉計(jì)數(shù)

陳鋒軍，朱學(xué)巖，周文靜，顧夢(mèng)夢(mèng)，趙燕東

（1.北京林業(yè)大學(xué)工學(xué)院，北京 100083；2.城鄉(xiāng)生態(tài)環(huán)境北京實(shí)驗(yàn)室，北京 100083；3.德州農(nóng)工大學(xué)園藝系，大學(xué)城 77843；4.林業(yè)裝備與自動(dòng)化國(guó)家林業(yè)局重點(diǎn)實(shí)驗(yàn)室，北京 100083）

0 引 言

苗木庫(kù)存是苗木相關(guān)企業(yè)優(yōu)化管理、預(yù)測(cè)收益、防控病蟲害和核算經(jīng)營(yíng)成本等方面的重要參考數(shù)據(jù)[1]。傳統(tǒng)苗木庫(kù)存統(tǒng)計(jì)的方法是由人工計(jì)數(shù)，勞動(dòng)力成本高、重復(fù)性強(qiáng)、效率低并且不能保證結(jié)果的準(zhǔn)確率。自動(dòng)、快速并且準(zhǔn)確的統(tǒng)計(jì)苗木庫(kù)存數(shù)量已經(jīng)成為迫切需要解決的問(wèn)題，利用無(wú)人機(jī)航拍苗木圖像準(zhǔn)確計(jì)數(shù)是一種理想的解決方法。目前苗木數(shù)量統(tǒng)計(jì)的方法除了人工計(jì)數(shù)方法之外，還包括傳統(tǒng)機(jī)器視覺方法以及深度學(xué)習(xí)相關(guān)的方法。

傳統(tǒng)機(jī)器視覺方法一般是提取顏色[2-5]、形狀[6-7]以及紋理[8-10]等淺層特征，通過(guò)閾值分割[11]、人工神經(jīng)網(wǎng)絡(luò)[12]和支持向量機(jī)[13]等方法識(shí)別目標(biāo)后計(jì)數(shù)。目前，基于傳統(tǒng)機(jī)器視覺的計(jì)數(shù)方法已被應(yīng)用到小麥麥穗[14-15]、玉米[16]、柑橘樹[17]、棉花行數(shù)[18]以及棕櫚樹[19]的計(jì)數(shù)中。She等[20]將無(wú)人機(jī)航拍多年生花生圖像按 2G-R-B特征分割后通過(guò)計(jì)算花生冠層投影面積實(shí)現(xiàn)計(jì)數(shù)，精度為 95%。Dilel等[21]采用閾值分割、邊緣檢測(cè)和Hough圓檢測(cè)的方法統(tǒng)計(jì)柑橘樹數(shù)量，計(jì)數(shù)結(jié)果準(zhǔn)確率 80%以上。傳統(tǒng)機(jī)器視覺方法一般都利用無(wú)人機(jī)獲取圖像，但是苗木特征選擇顏色、形狀和紋理時(shí)易受光照條件變化影響苗木識(shí)別結(jié)果，閾值分割、人工神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)等模式識(shí)別方法也沒有很好的解決苗木陰影和粘連分割的干擾，無(wú)法勝任自然條件下推廣應(yīng)用的實(shí)際需求。

深度學(xué)習(xí)相關(guān)方法通過(guò)設(shè)計(jì)深層卷積神經(jīng)網(wǎng)絡(luò)自動(dòng)提取圖像的淺層和深層特征，克服了傳統(tǒng)機(jī)器視覺方法表征能力不足的問(wèn)題。目前深度學(xué)習(xí)的方法已被應(yīng)用到小麥麥穗[22]、蘋果[23]、受蟲害的油松[24]等的計(jì)數(shù)中。Michael等[25]利用R-CNN模型實(shí)現(xiàn)阿爾伯塔北部森林針葉樹幼苗的計(jì)數(shù)，準(zhǔn)確率達(dá)到 81%；李越帥等[26]提出一種基于 U-Net模型的胡楊樹冠計(jì)數(shù)方法，準(zhǔn)確率達(dá)到94.1%；Li等[27]提出一種基于CNN的遙感圖像棕櫚樹計(jì)數(shù)方法，準(zhǔn)確率達(dá)到 96%。卷積神經(jīng)網(wǎng)絡(luò)在苗木識(shí)別和計(jì)數(shù)研究中優(yōu)勢(shì)顯著，其中YOLOv3模型能對(duì)尺寸差異較大的目標(biāo)快速準(zhǔn)確識(shí)別和計(jì)數(shù)，被應(yīng)用于蘋果[28]、柑橘[29-30]、荔枝串[31]、草莓[32]、芒果[33]和番茄[34]等農(nóng)林業(yè)作物的識(shí)別。孫壯壯等[35]采用YOLOv3模型實(shí)現(xiàn)了小麥、大麥、水稻以及玉米葉片不同大小氣泡的快速識(shí)別和計(jì)數(shù)，準(zhǔn)確率達(dá)到89%；熊俊濤等[36]提出Des-YOLOv3模型實(shí)現(xiàn)夜間復(fù)雜光照下的粘連成熟柑橘識(shí)別，準(zhǔn)確率達(dá)到90.75%；Liu等[37]提出了YOLO-Tomato模型實(shí)現(xiàn)復(fù)雜環(huán)境下不同大小和不同粘連情況的番茄識(shí)別，準(zhǔn)確率達(dá)到94.75%；趙德安等[38]使用YOLOv3模型檢測(cè)圖像中不同大小的蘋果準(zhǔn)確率高達(dá)97%。

快速準(zhǔn)確檢測(cè)尺寸差異大的云杉目標(biāo)，YOLOv3模型優(yōu)勢(shì)非常顯著，主要是因?yàn)槔昧颂卣鲌D像金字塔模塊和多尺度預(yù)測(cè)模塊。實(shí)際使用中發(fā)現(xiàn)YOLOv3模型存在無(wú)法避免的問(wèn)題：1）小樣本云杉數(shù)據(jù)在訓(xùn)練中容易產(chǎn)生過(guò)擬合；2）特征提取中降采樣環(huán)節(jié)只能利用少量維度特征，導(dǎo)致云杉特征信息的丟失。如果直接使用YOLOv3模型計(jì)數(shù)無(wú)人機(jī)航拍圖像中的云杉，容易出現(xiàn)過(guò)擬合和遺漏計(jì)數(shù)問(wèn)題，導(dǎo)致計(jì)數(shù)結(jié)果與實(shí)際數(shù)量差距較大。為此，本文在YOLOv3模型的特征提取網(wǎng)絡(luò)中添加密集連接模塊和過(guò)渡模塊形成Darknet-61-Dense特征提取網(wǎng)絡(luò)，構(gòu)建改進(jìn)YOLOv3模型，以期為實(shí)現(xiàn)苗木數(shù)量統(tǒng)計(jì)解決關(guān)鍵算法問(wèn)題。

1 材料與方法

1.1 圖像獲取和擴(kuò)充

試驗(yàn)研究區(qū)域選取位于內(nèi)蒙古和林格爾縣蒙樹苗木基地（111°49′47′E，40°31′47′N，海拔 1 134 m）。云杉人工種植區(qū)域面積大，主要依山地的地形和起伏種植，因?yàn)榉N植時(shí)間差異，不同地塊云杉個(gè)體大小不一。本文試驗(yàn)選取種植地勢(shì)相對(duì)平坦地塊相對(duì)規(guī)整的區(qū)域進(jìn)行拍攝，行間距為1.5 m，株距為1 m。2017年7月、2018年10月和2019年9月通過(guò)大疆精靈4無(wú)人機(jī)獲取云杉圖像。無(wú)人機(jī)相機(jī)鏡頭焦距20 mm，像元尺寸2.4um，有效像素 2 000萬(wàn)，設(shè)置相機(jī)分辨率 4 000×3 000（像素），選取成像角度-90°，相機(jī)鏡頭與地面平行；飛行高度在12～36 m之間，S型飛行路線定點(diǎn)懸停，飛行速度2 m/s，6塊電池，每塊電池最大飛行時(shí)間約為25 min。

3 a共采集3 147幅云杉圖像，以24位真彩色JPEG格式存儲(chǔ)。利用Pix4Dnaper軟件對(duì)云杉圖像進(jìn)行拼接，通過(guò)裁剪消除圖像邊緣異常值，獲得20幅完整地塊云杉圖像，其中拼接剪裁后完整地塊云杉圖像實(shí)際覆蓋面積約為675 m2（45 m×15 m）。按照株齡、光照條件和飛行高度盡量多樣的原則挑選558幅云杉圖像，另外增加20幅拼接后完整地塊云杉圖像，共計(jì)578幅構(gòu)成試驗(yàn)數(shù)據(jù)。采用旋轉(zhuǎn)、變換圖像大小和對(duì)比度的方法進(jìn)一步擴(kuò)充云杉圖像數(shù)據(jù)，以期增強(qiáng)模型對(duì)云杉個(gè)體尺寸差異和光照變化的魯棒性。旋轉(zhuǎn)角度、縮放比例系數(shù)和對(duì)比度系數(shù)分別在(0°, 90°]、[0.5, 1.5]和[0.2, 1.8]區(qū)間隨機(jī)生成，模擬云杉個(gè)體尺寸差異和不同光照條件下的成像。采用旋轉(zhuǎn)、變換圖像大小和對(duì)比度的方法擴(kuò)充后，云杉圖像增至2 312幅，其中2 232幅為無(wú)人機(jī)航拍圖像，80幅為拼接剪裁后完整地塊云杉圖像。

1.2 數(shù)據(jù)集搭建

按照7∶3的比例將擴(kuò)充后的云杉圖像2 232幅劃分為訓(xùn)練集和測(cè)試集1，將80幅拼接剪裁后完整地塊的云杉圖像仍然按照7∶3的比例劃分為訓(xùn)練集和測(cè)試集2。即云杉訓(xùn)練集圖像共 1 618幅，包含擴(kuò)充后的云杉圖像1 562幅加上拼接裁剪后完整地塊的56幅；測(cè)試集1包含擴(kuò)充后的云杉圖像670幅；測(cè)試集2為拼接剪裁后完整地塊的24幅云杉圖像。

2 改進(jìn)YOLOv3模型

2.1 改進(jìn)YOLOv3模型建立

無(wú)人機(jī)獲取的云杉圖像為小樣本數(shù)據(jù)，圖像中云杉個(gè)體尺寸的差異很大，還有自然光照條件變化多樣，地面雜草等背景復(fù)雜以及云杉之間粘連的問(wèn)題，導(dǎo)致準(zhǔn)確統(tǒng)計(jì)云杉數(shù)量非常困難。為了有效解決過(guò)擬合問(wèn)題以及云杉特征信息丟失的問(wèn)題，在原有YOLOv3模型[39]特征提取網(wǎng)絡(luò) Darknet-53中加入密集連接模塊和過(guò)渡模塊構(gòu)成改進(jìn)后的 Darknet-61-Dense特征提取網(wǎng)絡(luò)，建立改進(jìn)YOLOv3模型統(tǒng)計(jì)云杉數(shù)量。

2.1.1 密集連接模塊

云杉訓(xùn)練集一共有 1 618幅圖像，屬于小樣本訓(xùn)練集，直接訓(xùn)練YOLOv3模型容易出現(xiàn)過(guò)擬合問(wèn)題。為解決該問(wèn)題，參考 DenseNet網(wǎng)絡(luò)[40]，在特征提取網(wǎng)絡(luò)Darknet-53中加入密集連接模塊，強(qiáng)化云杉特征的傳遞以及特征的復(fù)用，抑制過(guò)擬合問(wèn)題的產(chǎn)生。密集連接模塊將云杉特征提取網(wǎng)絡(luò)中所有層兩兩相連，保證網(wǎng)絡(luò)每一層都包含前面所有層的云杉特征信息，具體如式（1）所示，網(wǎng)絡(luò)第l層的輸入是第1層到第(l-1)層所有特征圖的拼接。

式中Hl代表卷積、批量歸一化和Leaky-ReLU激活函數(shù)組成的復(fù)合函數(shù)，x1,x2,......,xl-1代表第1層到第l-1層的云杉特征圖。密集連接模塊的基本結(jié)構(gòu)如圖1所示。

圖1 密集連接模塊Fig.1 Dense connection module

在密集連接模塊中，云杉特征的重復(fù)使用有效避免了特征提取模型對(duì)冗余云杉特征圖的重新學(xué)習(xí)，提高正則化水平，有效抑制因云杉數(shù)據(jù)集較小導(dǎo)致的過(guò)擬合問(wèn)題。

2.1.2 過(guò)渡模塊

YOLOv3模型特征提取網(wǎng)絡(luò) Darknet-53降采樣過(guò)程僅使用少量維度的信息，存在云杉特征信息丟失的問(wèn)題，影響云杉檢測(cè)和計(jì)數(shù)的精度。參考Inception網(wǎng)絡(luò)[41]，在云杉特征提取網(wǎng)絡(luò) Darknet-53中加入過(guò)渡模塊。改進(jìn)后的云杉特征提取網(wǎng)絡(luò)采用不同大小的濾波器和池化操作提取和融合云杉特征信息，得到尺寸減半的云杉特征圖，如圖2中輸入尺寸為104×104的云杉特征圖，經(jīng)過(guò)渡模塊處理后尺寸減半為52×52。過(guò)渡模塊主要包含1×1卷積核、3×3的卷積核和最大池化，3×3的卷積核和最大池化的作用是降低云杉特征圖的維數(shù)，1×1的卷積核的作用是降低模型參數(shù)的復(fù)雜程度從而減少計(jì)算量。

圖2 過(guò)渡模塊Fig.2 Transition module

2.1.3 建立改進(jìn)YOLOv3模型

在YOLOv3模型的特征提取網(wǎng)絡(luò)Darknet-53中加入密集連接模塊和過(guò)渡模塊，構(gòu)成改進(jìn)后的 Darknet-61-Dense特征提取網(wǎng)絡(luò)，有效抑制YOLOv3模型存在的過(guò)擬合和云杉特征信息丟失的問(wèn)題，改進(jìn)YOLOv3模型的結(jié)構(gòu)如圖3所示。

圖3中FS表示特征拼接，功能塊Fun由殘差塊改進(jìn)而來(lái)，具體操作是將殘差單元替換為密集連接單元并引入過(guò)渡模塊，其結(jié)構(gòu)如圖4a。在功能塊Fun中，密集連接單元數(shù)量用n表示。密集連接單元結(jié)構(gòu)如圖4b。

圖3 改進(jìn)YOLOv3模型Fig.3 Improved YOLOv3 model

圖4 改進(jìn)YOLOv3模型各功能模塊Fig.4 Function block of improved YOLOv3 model

改進(jìn) YOLOv3模型中特征提取網(wǎng)絡(luò) Darknet-61-Dense的網(wǎng)絡(luò)參數(shù)如表1所示。

2.2 訓(xùn)練改進(jìn)YOLOv3模型

利用LabelImg軟件人工標(biāo)注云杉訓(xùn)練集圖像，標(biāo)注規(guī)則為：1）不標(biāo)注圖像邊界不完整的云杉；2）分別標(biāo)注相互粘連的云杉。對(duì)每一幅人工標(biāo)注的云杉圖像，LabelImg軟件自動(dòng)生成對(duì)應(yīng)的xml文件，包含云杉標(biāo)注矩形框的左上角坐標(biāo)和右下角坐標(biāo)，標(biāo)注矩形框的長(zhǎng)和寬以及標(biāo)注的類別名稱信息。為加快模型處理速度，提高對(duì)不同尺寸云杉的預(yù)測(cè)能力，歸一化處理云杉標(biāo)注矩形框，具體如式（2）所示。

表1 Darknet-61-Dense網(wǎng)絡(luò)參數(shù)Table 1 Darknet-61-Dense network parameters

式中x、y、w和h分別為歸一化后云杉標(biāo)注矩形框中心點(diǎn)坐標(biāo)以及歸一化后云杉標(biāo)注矩形框的寬度和高度。xmin、ymin、xmax和ymax分別為人工標(biāo)注的云杉標(biāo)注矩形框左上角和右下角的坐標(biāo)。Rw和Rh分別為云杉圖像的寬度和高度，pixel。

訓(xùn)練和測(cè)試的硬件平臺(tái)配置為：Intel(R) Core i7-8700K CPU @ 3.70 GHz處理器，16 GB內(nèi)存，11 GB GeForce GTX 1080 Ti顯卡，500 G固態(tài)硬盤和 4TB機(jī)械硬盤。在Ubuntu16.04系統(tǒng)和Tensorflow框架下使用Python編程實(shí)現(xiàn)，程序運(yùn)行中調(diào)用CUDA、Cudnn和OpenCV第三方庫(kù)。根據(jù)經(jīng)驗(yàn)設(shè)置訓(xùn)練權(quán)值衰減和初始學(xué)習(xí)率分別為0.000 5和0.001；為縮短模型訓(xùn)練時(shí)間，采用批處理量為64的批處理訓(xùn)練方式；權(quán)值更新過(guò)程，采用正則化處理并根據(jù)經(jīng)驗(yàn)在每一層中加入丟棄比為0.5的丟棄層（Dropout），動(dòng)量設(shè)置為0.9；繪制錨點(diǎn)框數(shù)量和平均交并比之間的關(guān)系曲線，根據(jù)試驗(yàn)測(cè)試結(jié)果選定錨點(diǎn)框數(shù)量為9，平均交并比為84.55%。

2.3 評(píng)價(jià)改進(jìn)YOLOv3模型

本研究改進(jìn)YOLOv3模型云杉計(jì)數(shù)過(guò)程需同時(shí)考慮檢測(cè)精度、計(jì)數(shù)精度以及速度，故選用精確率P、召回率R、平均精度AP、平均計(jì)數(shù)準(zhǔn)確率MCA和平均檢測(cè)時(shí)間ADT作為評(píng)價(jià)指標(biāo)[42-44]。計(jì)算公式為

式中TP表示模型預(yù)測(cè)為正樣本且實(shí)際也是正樣本的情況，F(xiàn)P表示模型預(yù)測(cè)為正樣本但實(shí)際是負(fù)樣本的情況，F(xiàn)N表示模型預(yù)測(cè)為負(fù)樣本但實(shí)際為正樣本的情況。N為云杉圖像的數(shù)量，i表示第i幅云杉圖像，Gi為第i幅圖像中云杉的真實(shí)數(shù)量，由人工計(jì)數(shù)得到。Ei為改進(jìn)YOLOv3模型對(duì)第i幅圖像中云杉的計(jì)數(shù)結(jié)果，tN為改進(jìn)YOLOv3模型檢測(cè)N幅圖像的總耗時(shí)，s。

3 結(jié)果與分析

3.1 試驗(yàn)結(jié)果

為驗(yàn)證改進(jìn)YOLOv3模型的性能，首先對(duì)測(cè)試集1中的670幅云杉圖像進(jìn)行測(cè)試。改進(jìn)YOLOv3模型利用最優(yōu)云杉預(yù)測(cè)邊界框標(biāo)識(shí)檢測(cè)到的云杉，統(tǒng)計(jì)最優(yōu)云杉預(yù)測(cè)邊界框的數(shù)量即為云杉計(jì)數(shù)結(jié)果。具體示例如圖5所示。

圖5 人工計(jì)數(shù)和改進(jìn)YOLOv3模型計(jì)數(shù)結(jié)果Fig.5 Manual counting and improved YOLOv3 model counting results

接來(lái)下對(duì)測(cè)試集2中的 24幅拼接裁剪后完整地塊的圖像進(jìn)行測(cè)試。直接將大小為5 000×1 000（像素）包含千余株云杉目標(biāo)的圖像壓縮為 416×416（像素）的圖像輸入改進(jìn)YOLOv3模型不能準(zhǔn)確計(jì)數(shù)。對(duì)測(cè)試集2拼接剪裁后完整地塊的 24幅云杉圖像進(jìn)行測(cè)試，首先將拼接裁剪后的云杉地塊圖像按照均等原則裁剪成為1 250×1 000（像素）的4幅子圖像；然后將這4幅子圖像分別輸入改進(jìn)YOLOv3模型進(jìn)行計(jì)數(shù)；最后將4幅子圖像計(jì)數(shù)結(jié)果求和即視為整個(gè)地塊內(nèi)云杉的數(shù)量，具體示例如圖6所示。

圖6 完整地塊云杉圖像計(jì)數(shù)Fig.6 Image count in complete plot spruce

3.2 對(duì)比分析

為進(jìn)一步測(cè)試改進(jìn)YOLOv3模型的性能，以精確率P、召回率R、平均精度AP、平均計(jì)數(shù)準(zhǔn)確率MCA和平均檢測(cè)時(shí)間ADT為評(píng)價(jià)指標(biāo)，給定閾值為0.3，將改進(jìn)YOLOv3模型與YOLOv3模型、SSD模型和Faster R-CNN模型在測(cè)試集1和測(cè)試集2上分別進(jìn)行比較。測(cè)試集1的對(duì)比試驗(yàn)結(jié)果如表2所示。

表2 測(cè)試集1試驗(yàn)結(jié)果對(duì)比Table 2 Comparison for experimental results of test set 1

改進(jìn)YOLOv3模型在測(cè)試集1中的精確率P、召回率R、平均精度 AP和平均計(jì)數(shù)準(zhǔn)確率 MCA分別為96.81%、93.53%、94.26%和98.49%，遠(yuǎn)超YOLOv3模型、SSD模型和Faster R-CNN模型，平均檢測(cè)時(shí)間ADT僅為0.351 s。相比原有YOLOv3模型，精確率P、召回率R、平均精度 AP和平均計(jì)數(shù)準(zhǔn)確率 MCA分別提升 2.44、1.68、3.53和 8.25個(gè)百分點(diǎn)，平均檢測(cè)時(shí)間 ADT增加0.043 s；相比SSD模型，精確率P、召回率R、平均精度AP和平均計(jì)數(shù)準(zhǔn)確率MCA分別高出4.13、2.92、6.77和9.74個(gè)百分點(diǎn)，平均檢測(cè)時(shí)間ADT低0.544 s；相比Faster R-CNN模型，精確率P、召回率R、平均精度AP和平均計(jì)數(shù)準(zhǔn)確率MCA分別高出0.84、1.04、1.41和1.23個(gè)百分點(diǎn)，平均檢測(cè)時(shí)間ADT低2.176 s。改進(jìn)YOLOv3模型通過(guò)加入密集連接模塊和過(guò)渡模塊，有效解決了云杉特征提取時(shí)信息丟失問(wèn)題和小樣本訓(xùn)練導(dǎo)致過(guò)擬合的問(wèn)題，準(zhǔn)確統(tǒng)計(jì)云杉數(shù)量。

改進(jìn) YOLOv3模型與 YOLOv3模型、SSD模型和Faster R-CNN模型在測(cè)試集2的對(duì)比試驗(yàn)結(jié)果具體如表3所示。

表3 測(cè)試集2試驗(yàn)結(jié)果對(duì)比Table 3 Comparison for experimental results of test set 2

在測(cè)試集 2中，改進(jìn) YOLOv3模型對(duì)整個(gè)地塊內(nèi)云杉計(jì)數(shù)的精確率P、召回率R、平均精度AP和平均計(jì)數(shù)準(zhǔn)確率 MCA分別為 91.48%、89.46%、89.27%和93.38%，平均檢測(cè)時(shí)間 ADT為 1.847 s。相比原有YOLOv3模型，精確率P、召回率R、平均精度AP和平均計(jì)數(shù)準(zhǔn)確率MCA分別提升2.54、2.07、2.98和5.95個(gè)百分點(diǎn)，平均檢測(cè)時(shí)間ADT增加0.122 s；相比SSD模型，精確率P、召回率R、平均精度AP和平均計(jì)數(shù)準(zhǔn)確率 MCA分別高出9.33、4.54、7.73和10.64個(gè)百分點(diǎn)，平均檢測(cè)時(shí)間ADT低3.181 s；相比Faster R-CNN模型，精確率P、召回率R、平均精度AP和平均計(jì)數(shù)準(zhǔn)確率MCA分別高出0.74、1.09、1.98和3.02個(gè)百分點(diǎn)，平均檢測(cè)時(shí)間ADT低12.892 s。改進(jìn)后的YOLOv3模型同樣大幅度優(yōu)化云杉計(jì)數(shù)結(jié)果，很大程度上解決云杉信息丟失和過(guò)擬合的問(wèn)題。

同時(shí)不難發(fā)現(xiàn)改進(jìn)YOLOv3模型在測(cè)試集1和測(cè)試集2上的計(jì)數(shù)結(jié)果差異較大。在精確率P、召回率R、平均精度AP和平均計(jì)數(shù)準(zhǔn)確率MCA這4個(gè)評(píng)價(jià)指標(biāo)上，在測(cè)試集2的表現(xiàn)分別比測(cè)試集1的表現(xiàn)降低5.33、4.07、4.99和5.11個(gè)百分點(diǎn)；在平均檢測(cè)時(shí)間ADT這一指標(biāo)上，測(cè)試集2比測(cè)試集1高1.496 s。原因主要是完整地塊的云杉拼接圖像尺寸大，云杉目標(biāo)稠密，不能壓縮后直接輸入模型，采用裁剪成 4幅子圖像分別輸入模型計(jì)數(shù)，過(guò)程中 3條裁剪線必然會(huì)對(duì)部分云杉進(jìn)行切割，根據(jù)文中標(biāo)注的規(guī)則：圖像邊界不完整的云杉不標(biāo)注，最終導(dǎo)致模型沒有統(tǒng)計(jì)這部分被切割的云杉。解決包含稠密云杉目標(biāo)的大尺寸圖像計(jì)數(shù)是下一步工作需要進(jìn)一步解決的問(wèn)題。

經(jīng)過(guò)對(duì)比發(fā)現(xiàn)改進(jìn)YOLOv3模型通過(guò)加入密集連接模塊和過(guò)渡模塊，有效避免了冗余特征圖重復(fù)學(xué)習(xí)導(dǎo)致的過(guò)擬合問(wèn)題以及采樣過(guò)程信息丟失問(wèn)題，很好的解決了光照條件變化、云杉之間陰影遮擋、稠密云杉目標(biāo)檢測(cè)和云杉粘連分割的困難，快速準(zhǔn)確的統(tǒng)計(jì)無(wú)人機(jī)拍攝圖像中的云杉數(shù)量。對(duì)于拼接后完整地塊云杉圖像，由于尺寸較大，云杉目標(biāo)稠密，對(duì)于這樣的問(wèn)題需要進(jìn)一步深入的研究，尋找有效解決方案。

4 結(jié) 論

本文以無(wú)人機(jī)航拍的云杉圖像為研究對(duì)象，針對(duì)YOLOv3模型存在的小樣本數(shù)據(jù)集訓(xùn)練過(guò)擬合問(wèn)題和特征提取網(wǎng)絡(luò)降采樣過(guò)程信息丟失問(wèn)題，在特征提取網(wǎng)絡(luò) Darknet-53中加入密集連接模塊和過(guò)渡模塊設(shè)計(jì)新的特征提取網(wǎng)絡(luò) Darknet-61-Dense，提出一種改進(jìn)YOLOv3模型的云杉計(jì)數(shù)方法。測(cè)試改進(jìn)YOLOv3模型并且與原有 YOLOv3模型進(jìn)行對(duì)比分析，得到以下主要結(jié)論：

1）改進(jìn)YOLOv3模型能夠?qū)o(wú)人機(jī)航拍云杉圖像進(jìn)行快速準(zhǔn)確的計(jì)數(shù)，有效解決原有YOLOv3模型的過(guò)擬合和云杉特征信息丟失的問(wèn)題。改進(jìn)YOLOv3模型精確率P、召回率R和平均精度AP和平均計(jì)數(shù)準(zhǔn)確率MCA分別為96.81%、93.53%、94.26%和98.49%，平均檢測(cè)時(shí)間ADT為0.351 s。在前4個(gè)指標(biāo)上，相對(duì)原有YOLOv3模型性能提升2.44、1.68、3.53和8.25個(gè)百分點(diǎn)，平均檢測(cè)時(shí)間ADT增加0.043 s。很好的解決了光照變化、云杉之間陰影遮擋、稠密云杉檢測(cè)和云杉粘連的問(wèn)題，準(zhǔn)確快速的統(tǒng)計(jì)無(wú)人機(jī)航拍圖像中的云杉數(shù)量。

2）改進(jìn)YOLOv3模型相比原有YOLOv3模型大幅提升完整地塊云杉圖像的計(jì)數(shù)精度。在精確率P、召回率R、平均精度AP和平均計(jì)數(shù)準(zhǔn)確率MCA這4個(gè)評(píng)價(jià)指標(biāo)上，改進(jìn)YOLOv3模型相比原有YOLOv3模型性能提升2.54、2.07、2.98和5.95個(gè)百分點(diǎn)，平均檢測(cè)時(shí)間ADT增加0.122 s，為真正解決生產(chǎn)單位苗木數(shù)量統(tǒng)計(jì)的實(shí)際問(wèn)題做出了有益的探索。

3）拼接剪裁后完整地塊云杉圖像計(jì)數(shù)方法的改進(jìn)和完善是下一步工作的重點(diǎn)研究方向。由于拼接剪裁后完整地塊圖像尺寸大，云杉目標(biāo)稠密，不能直接輸入改進(jìn)YOLOv3模型。采用裁剪成 4幅子圖像分別統(tǒng)計(jì)云杉數(shù)量再匯總的方法，導(dǎo)致最后的計(jì)數(shù)結(jié)果因?yàn)闆]有統(tǒng)計(jì)剪切線被剪切的云杉而出現(xiàn)漏數(shù)問(wèn)題，影響計(jì)數(shù)精度。后續(xù)研究中解決包含稠密云杉目標(biāo)的大尺寸圖像計(jì)數(shù)成為亟待解決的問(wèn)題。