文章最后更新时间：2023-10-01 13:15:55，由管理员负责审核发布，若内容或图片失效，请留言反馈！
杉木（Cunninghamia lanceolata （Lamb.）Hook）是我国南方地区重要的造林用材树种之一，其栽培面积占全国人工林面积的20%，蓄积量占全国人工林蓄积量的25%，在我国森林碳汇中发挥着重要作用。准确快速地获取密植杉木苗株数信息是杉木苗精准培育的重要基础。杉木苗生长早期由于个体侧枝细小，互不干涉，在无⼈机影像中能够被准确识别；到培育后期，由于侧枝生长和高生长均比较旺盛，个体间侧枝重叠严重，在无人机影像中便需采用顶芽识别的方法来识别植株，但因顶芽体积小、分布密集，采用现有算法会有较大误差，因此需要一种准确、快速的新方法对杉木苗进行识别与计数。
这项研究提出了一种融合注意力机制的改进型YOLOv5杉木苗顶芽识别方法，其对标准YOLOv5网络架构有如下4个改进：
1）为了提高YOLOv5对微小杉木苗顶芽的检测性能，在YOLOv5的头部部分增加了一个新的微尺度预测头（Micro-scale Predictive Head，MSPH），该预测头通过4倍下采样操作生成了一个更大的特征图（大小为304×304），该微尺度检测头能够利用浅层中更高分辨率的特征图，以捕获微小顶芽更细微的特征信息。改进后的头部部分拥有4个不同尺度的预测头，可分别用于检测微小、小型、中型、大型目标，从而有效提高模型对不同尺寸顶芽的检测能力。
2）基于残差网络思想，添加了新的网络连接方式。通过将主干网络的特征信息引入颈部网络的特征融合层中，能够加强梯度的反向传播能力，避免出现梯度衰减的现象，并减少小物体特征信息的损失。
3）为了突出杉木苗顶芽的关键信息，将注意力模块添加到了颈部特征融合层中。新的注意力模块是由CBAM和ECA组合实现的，其中通道注意力通过ECA模块实现，空间注意力则来自原始CBAM模块。通过在颈部的网络结构中集成CBAM-ECA双重注意力机制注意力模块，能够使模型从杉木苗影像所包含的复杂背景信息中获取更多顶芽关键区域的重要特征信息，保证模型的识别能力不易受背景的影响，在提高模型识别能力的同时也增加一定的稳健性（Robustness）。
4）在图像推理预测阶段引入了TTA多尺度测试方法，即对测试数据集的图像进行数据增强。通过将测试图像进行缩放（3个不同倍数）及水平翻转以获得6张不同尺度的图像。通过测试这6张图像并使用WBF算法融合预测结果，能够使模型获得更好的预测性能并减少泛化误差。
该研究中改进型YOLOv5的工作流程如下：在数据预处理阶段，主要进行MixUp、Mosaic、光度失真和几何失真的数据增强处理，增强后的图像数据集将被输入改进的YOLOv5网络中进行训练；在预测阶段，首先对模型进行TTA多尺度测试，分别将测试图像缩放1.30倍、0.83倍和0.67倍，其次将图像水平翻转，最后将经过增强的测试图像输入到改进的YOLOv5网络中，并使用WBF算法融合TTA预测结果以得到最终结果。
结果表明：改进型YOLOv5的识别精度比标准版YOLOv5有较大幅度的提升，其精确率为95.55%，查全率为95.84%，F1-Score为96.54%，mAP为94.63%；在相同实验条件下，较之目前其它主流目标检测模型（YOLOv3、Faster R-CNN与PP-YOLO），改进型YOLOv5的平均精确率均值及F1-Score也分别提升了9.51~28.19个百分点与15.92~32.94个百分点。融合注意力网络的改进型YOLOv5算法能够实现无人机影像中密集杉木苗顶芽的精准识别，为规模化、自动化的杉木苗计数和精准培育提供技术支撑。
图1 影像数据采集流程
图2 注意力模块的结构
图3 改进型YOLOv5网络结构图
表1 消融实验结果
表2 不同目标检测算法对比
图4 不同算法的杉木苗顶芽识别效果对比
来 源
Ye Z, Guo Q, Wei J, Zhang J, Zhang H, Bian L, Guo S, Zheng X & Cao S (2022). Recognition of terminal buds
of densely-planted Chinese fir seedlings using improved YOLOv5 by integrating attention mechanism. Frontier in Plant Science. 13:991929. doi: 10.3389/fpls.2022.991929.
扩展阅读
刷新 
