基于无人机图像检测的林业虫害监控预防

doi:10.14088/j.cnki.issn0439-8114.2024.08.044

湖北农业科学 ›› 2024, Vol. 63 ›› Issue (8): 262-266.doi: 10.14088/j.cnki.issn0439-8114.2024.08.044

基于无人机图像检测的林业虫害监控预防

邱雅林^1a, 刘向龙², 何小军³, 赵庆龙^1b, 贾存芳^1c

1.庆阳市林业和草原科学技术推广站,甘肃庆阳 745000;
2.庆阳市林业科学研究所,甘肃庆阳 745099;
3.子午岭林管局合水分局北川林场,甘肃庆阳 745400

收稿日期:2024-06-05 出版日期:2024-08-25 发布日期:2024-09-05
作者简介:邱雅林（1969-）,女,甘肃宁县人,高级工程师,主要从事林业和草原有害生物防控的研究工作,（电话）13919600088（电子信箱）13919600088@163.com。
基金资助:
中央财政林业科技推广示范项目（甘[2023]ZYTG 007号）; 庆阳市科技计划项目（QY-STK-2022A-042）

Forest pest monitoring and prevention based on UAV image detection

QIU Ya-lin^1a, LIU Xiang-long², HE Xiao-jun³, ZHAO Qing-long^1b, JIA Cun-fang^1c

1. Qingyang Foresty and Grassland Science and Technology Promotion Station, Qingyang 745000, Gansu, China;
2. Qingyang Forestry Research Institute, Qingyang 745099, Gansu, China;
3. Beichuan Forest Farm of Ziwuling Forestry Bureau Hexui Branch, Qingyang 745400, Gansu, China

Received:2024-06-05 Published:2024-08-25 Online:2024-09-05

摘要/Abstract

摘要： 为解决现有基于无人机图像的虫害监控方法效率低效果差,且需要耗费大量人力物力的问题,研究基于深度学习构建了基于无人机的林业虫害检测框架,将浅层网络提取的特征信息传递到深层网络,并通过剪枝和批量归一化折叠对模型进行了轻量化改进。结果表明,训练过程中各模型趋于稳定时,改进后的YOLOv4模型平均准确率达97.38%,计算成本和存储需求较原始的YOLOv4已分别降低17.81个百分点和23.38%;平均检测正确率比改进前高12.75个百分点。

关键词: 无人机, 虫害监控, 图像检测, YOLOv4模型

Abstract: In order to solve the problem of low efficiency and poor effect of existing pest control methods, which required a lot of manpower and material resources, the research built a forest pest detection framework based on deep learning, which transferred the feature information extracted from the shallow network to the deep network, and made lightweight improvements to the model through pruning and batch normalization folding. The results showed that, when each model tended to be stable during training, the average accuracy of the improved YOLOv4 model reached 97.38%, and compared with the original YOLOv4 model, the computing cost and storage requirements were reduced by 17.81 percent points and 23.38%, respectively. The average detection accuracy was 12.75 percent points higher than before.

Key words: unmanned aerial vehicle（UAV）, pest control, image detection, YOLOv4 model

中图分类号:

S763
TP751

邱雅林, 刘向龙, 何小军, 赵庆龙, 贾存芳. 基于无人机图像检测的林业虫害监控预防[J]. 湖北农业科学, 2024, 63(8): 262-266.

QIU Ya-lin, LIU Xiang-long, HE Xiao-jun, ZHAO Qing-long, JIA Cun-fang. Forest pest monitoring and prevention based on UAV image detection[J]. HUBEI AGRICULTURAL SCIENCES, 2024, 63(8): 262-266.

参考文献

[1] 慕君林, 马博, 王云飞, 等. 基于深度学习的农作物病虫害检测算法综述[J]. 农业机械学报, 2023, 54(2):301-313.
[2] 张家盛, 梁进兴. 基于深度学习的无人机巡检架空输电线路金具锈蚀缺陷检测方法[J]. 湖南电力, 2022, 42(5):75-78.
[3] JABER N, DAHER N A, ASMAR D C.Deep-Pest-Detector: Automated detection and localization of processionary moth nests on pine trees via aerial drones and deep neural networks[J]. Applied engineering in agriculture, 2022, 28(2):253-272.
[4] 俞天宇, 倪文俭, 刘见礼, 等. 大兴安岭林区无人机可见光影像散发枯立木识别算法[J]. 遥感学报, 2021, 25(3):725-736.
[5] ALBATTAH W, MASOOD M, JAVED A, et al.Custom cornernet: A drone-based improved deep learning technique for large-scale multiclass pest localization and classification[J]. Complex & intelligent systems, 2023, 9(2):1299-1316.
[6] 白雪松, 吴建平, 景文超, 等. 基于改进残差网络的农作物病虫害检测研究[J]. 计算机技术与发展, 2023, 33(5):145-151.
[7] DEMIR K, TÜMEN V. Drone-assisted automated plant diseases identification using spiking deep conventional neural learning[J]. Ai communications, 2021, 34(2):147-162.
[8] 秦彩杰, 李勇. 作物病虫害自动识别技术研究——基于视频监控和无人机平台[J]. 农机化研究, 2021, 43(10):42-45.
[9] ODEMER R, ODEMER F, LIEBIG G, et al.Temporal increase of varroa mites in trap frames used for drone brood removal during the honey bee season[J]. Journal of applied entomology,2022,146(9):1207-1211.
[10] 刘文, 陆小锋, 毛建华, 等. 基于机载计算机的无人机智能巡检方案[J]. 计算机测量与控制, 2022, 30(7):181-186.
[11] NATHAN M G, BREWER M J.A special collection: Drones to improve insect pest management[J]. Journal of economic entomology, 2021, 114(5):1853-1856.
[12] 周焱, 刘文萍, 骆有庆, 等. 基于深度学习的小目标受灾树木检测方法[J]. 林业科学, 2021, 57(3):98-107.
[13] GUMAEI A, AL-RAKHAMI M, HASSAN M, et al.Deep learning and blockchain with edge computing for 5G-Enabled drone identification and flight mode detection[J]. IEEE network, 2021, 35(1):94-100.
[14] ISHAKH P, DZURISIN J, FOLLETT P.Evaluation of macadamia felted coccid (Hemiptera: Eriococcidae) damage and cultivar susceptibility using imagery from a small unmanned aerial vehicle (sUAV), combined with ground truthing[J]. Pest management science, 2022, 78(11):4533-4543.
[15] 李浩, 方伟泉, 李浪浪, 等. 基于深度学习的松材线虫病害松木识别[J]. 林业工程学报, 2021, 6(6):142-147.

基于无人机图像检测的林业虫害监控预防

Forest pest monitoring and prevention based on UAV image detection

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 13

编辑推荐

Metrics

本文评价

[1]	刘明, 李永可, 靳晟, 李悦, 余恩. 基于无人机摄影技术的农田场景可视化系统设计与实现[J]. 湖北农业科学, 2024, 63(8): 158-163.
[2]	王宦臣, 张吴平, 李富忠. 复合种植方式下大豆和玉米株高的动态反演[J]. 湖北农业科学, 2024, 63(8): 231-235.
[3]	李敏, 覃泽林, 兰宗宝, 方辉, 余圣新, 莫小香, 谢国雪, 曾志康. 基于无人机低空高光谱遥感影像的柑橘黄龙病植株监测模型[J]. 湖北农业科学, 2023, 62(8): 207-212.
[4]	黎瑞君, 陈智虎, 舒田, 刘春艳, 许元红, 孙长青. 基于无人机多光谱影像的佛手瓜叶片SPAD值估算模型[J]. 湖北农业科学, 2023, 62(4): 180-184.
[5]	陈智虎, 刘春艳, 童倩倩, 赵泽英, 许元红. 基于无人机遥感的火龙果种植面积监测方法研究[J]. 湖北农业科学, 2022, 61(3): 152-155.
[6]	蒙鹏宇. 基于无人机激光雷达的刺槐人工林森林健康指标的构建[J]. 湖北农业科学, 2022, 61(3): 156-160.
[7]	杨晓龙, 汪本福, 李阳, 张枝盛, 张作林, 潘高峰, 王彪, 杨蓝天, 程建平. 不同直播方式对水稻品种虾稻1号产量的影响[J]. 湖北农业科学, 2022, 61(24): 15-18.
[8]	陈智虎, 舒田, 刘春艳, 许元红. 基于无人机高光谱影像的火龙果波段筛选研究[J]. 湖北农业科学, 2022, 61(22): 158-162.
[9]	陈成, 杨栋淏, 李亚强, 辛京达, 王建雄. 基于无人机遥感技术的玉米长势监测研究[J]. 湖北农业科学, 2022, 61(20): 179-181.
[10]	朱伯华, 李洪瑜, 董明桃, 段和生, 李智倩, 程建辉. 不同种植方式对优质中籼稻黄华占产量和种植效益的影响[J]. 湖北农业科学, 2021, 60(24): 20-22.
[11]	郑明雪, 罗治情, 陈娉婷, 官波, 马海荣. 基于改进Mean Shift的无人机农业应用遥感影像地块边界提取[J]. 湖北农业科学, 2021, 60(23): 153-156.
[12]	林火煅, 张志林. 基于无人机系统的应急救援正射影像快速生成方法初探[J]. 湖北农业科学, 2020, 59(7): 204-206.
[13]	余为仆, 周忠雄, 徐国华, 吴芸紫, 柳冕, 许晖, 杨洪勇, 谢磊. 再生稻植保无人机病虫害防治适宜飞行参数研究[J]. 湖北农业科学, 2020, 59(22): 125-127.