基于ResNet深度残差网络的白喉乌头检测_梁俊欢.pdf

DOI:10.11829/j.issn.1001-0629.2022-0157梁俊欢，董峦，阿斯娅曼力克，孙宗玖，魏鹏，马海燕，艾尼玩艾买尔，阿仁，郑逢令.基于 ResNet 深度残差网络的白喉乌头检测.草业科学,2023,40(1):144-151.LIANGJH,DONGL,AsiyaManlike,SUNZJ,WEIP,MAHY,AiniwanAimaier,Aren,ZHENGFL.DetectionofAconitumleucostomumbasedonaResNetdeepresidualnetwork.PrataculturalScience,2023,40(1):144-151.基于 ResNet 深度残差网络的白喉乌头检测梁俊欢1，董峦2，阿斯娅曼力克3,4，孙宗玖1，魏鹏3,4，马海燕3,4，艾尼玩艾买尔3,4，阿仁3,4，郑逢令3,4（1.新疆农业大学草业学院,新疆乌鲁木齐830052；2.新疆农业大学计算机与信息工程学院,新疆乌鲁木齐830052；3.新疆畜牧科学院草业研究所,新疆乌鲁木齐830057；4.新疆畜牧科学院天山北坡草地生态环境野外定位观测研究站,新疆乌鲁木齐830057）摘要：在人类活动和气候变化的影响下，毒害草的蔓延威胁着生态安全和畜牧业的健康发展，白喉乌头(Aconitumleucostomum)是新疆伊犁地区危害最为严重的毒害草之一。为了实现天然草原异质背景下快速、精准、自动检测毒害草的目标，以白喉乌头为研究对象，利用无人机航拍正射影像构建白喉乌头数据集。基于 Faster-RCNN 和 SSD 算法，采用 ResNet50 和 ResNet101 两种深度的主干网络提取特征，对比不同方法的检测精度。结果表明：通过对比测试集的检测精度 Faster-RCNN_ResNet50 的 mAP(平均精确度)值最高，达到 64.74%，而 SSD_ResNet50 的 mAP 最低，仅为 48.70%，Faster-RCNN_ResNet101 的 mAP 值为 63.37%，而 SSD_ResNet101 的为 52.55%。本研究对从航拍正射影像中检测白喉乌头有借鉴意义和参考价值。关键词：毒害草；深度学习；卷积神经网络；无人机遥感；目标识别；Faster-RCNN；SSD文献标志码：A文章编号：1001-0629(2023)01-0144-08Detection of Aconitum leucostomum based on a ResNet deep residual networkLIANGJunhuan1,DONGLuan2,AsiyaManlike3,4,SUNZongjiu1,WEIPeng3,4,MAHaiyan3,4,AiniwanAimaier3,4,Aren3,4,ZHENGFengling3,4(1.CollegeofGrasslandScience,XinjiangAgriculturalUniversity,Urumqi830052,Xinjiang,China;2.CollegeofComputerandInformationEngineering,XinjiangAgriculturalUniversity,Urumqi830052,Xinjiang,China;3.GrasslandResearchInstituteofXinjiangAcademyofAnimalScience,Urumqi830057,Xinjiang,China;4.XinjiangAcademyofAnimalScienceFieldOrientationObservationandResearchStationofGrasslandEcologicalEnvironmentontheNorthernSlopeofTianshanMountains,Urumqi830057,Xinjiang,China)Abstract:Thespreadofpoisonousgrassesundertheinfluenceofhumanactivitiesandclimatechangethreatensthesecurityofecosystemsandhealthydevelopmentofanimalhusbandry.Aconitum leucostomumisoneofthemostseriouspoisonousgrassesintheYiliregionofXinjiang.Toachievethegoalofrapid,accurate,andautomaticdetectionofpoisonousgrassesinnaturalgrasslandunderaheterogeneousbackground,A.leucostomumwasusedastheresearchobject,andadatasetofthisgrasswasconstructedbyaerialorthographicimagerybyUAV.BasedontheFaster-RCNNandSSDalgorithms,ResNet50收稿日期：2022-03-10接受日期：2022-05-12基金项目：国家自然科学基金(31860679)第一作者：梁俊欢(1997-)，男，河南鹤壁人，在读硕士生，研究方向为草地遥感与计算机视觉。E-mail:通信作者：郑逢令(1974-)，男，新疆阿勒泰人，副研究员，博士，研究方向为植被遥感和空间信息技术。E-mail:144-151草业科学第40卷第1期1/2023PRATACULTURALSCIENCEVol.40,No.1http:/andResNet101trunknetworkfeatureswereusedtoextractfeaturesandthedetectionaccuracyofthedifferentmethodswascompared.AcomparisonofthedetectionaccuracyshowedthatthetestsetFaster-RCNN_ResNet50hadthehighestmAP(meanaverageprecision)valueof64.74%whileSSD_ResNet50hadthelowestmAPof48.70%.ThemAPvaluesofFaster-RCNN_ResNet101andSSD_ResNet101were63.37%and52.55%,respectively.ThisstudyhasreferencesignificanceforthedetectionofA.leucostomumfromaerialorthophotoimages.Keywords:poisonousgrass;deeplearning;convolutionalneuralnetwork;droneremotesensing;targetidentification;Faster-RCNN;SSDCorresponding author:ZHENGFenglingE-mail:草地是生态环境的重要屏障，也是畜牧业发展的基础，同时也影响着人类生存环境、生态环境和食品安全。然而在人类无序开发和气候变化的双重影响下，天然草地退化严重，危害着畜牧业可持续发展1。草地退化标志着毒害草大量繁殖2。白喉乌头(Aconitum leucostomum)为伊犁地区主要的毒害草。毒害草的不断扩张，使优质牧草不断减少，家畜误食毒害草的可能性大大增加，导致家畜中毒，甚至死亡，直接造成严重的经济损失。目前毒害草监测主要以人工实地调查为主，这种低效的调查工作方式，难以实现对白喉乌头的分布范围和危害程度准确评估3。因此迫切需要能够快速、精准检测出单株白喉乌头，并获取其分布的准确位置，为真正实现精准、自动、快速监测提供技术支撑。目前目标识别主要有两种方式，一种是传统的图像识别，另一种是深度学习。传统的图像识别是根据图像的形状、颜色、条纹等特征进行建模4-6。这种方法的结果好坏依赖于人工获取图像的方式、特征处理的优劣和预处理的效果，需要人为设计特征提取方式，鲁棒性和准确率较低，难以满足识别精度的要求。相对于传统的机器学习方法，深度学习网络可以自动学习到图像特征，在分类和目标识别7等应用中表现优异。在杂草识别8、天然草地分类9和作物表型分类10等植被相关应用领域，使用深度学习技术取得了良好效果。同时无人机在识别监测毒害草中也发挥着重要作用，可为深度学习技术的应用提供高精度的数据支持11。范宏等12利用无人机获取白喉乌头分布区 1cm 空间分辨率的正射影像，在 5 个尺度下使用 3 种模型(VGG16、VGG19 和 ResNet50)对图像的特征进行学习，目的是实现白喉乌头的分类，而本研究是对个体白喉乌头进行目标检测，以期实现白喉乌头单株水平的精确识别，获得单株白喉乌头准确的位置信息和数量信息。分辨率较低的无人机图像，绝大多数的检测目标直径不超过 32 个像素，属于小目标13，更为贴近实际应用场景，应用的范围更广。本研究通过低空无人机拍摄得到白喉乌头的正射影像，对数据进行合成、裁剪和标注等一系列处理，分别采用 ResNet50 和 ResNet101 主干网络，对比研究 Faster-RCNN 和 SSD 算法的优缺点，筛选识别精度高的模型，评估深度学习对无人机图像中的白喉乌头目标识别效果，以期为监测白喉乌头的生长状况和扩张趋势，及时防控毒害草提供数据支持。1 材料与方法 1.1 研究区概况研究区托乎拉苏草原位于新疆伊宁县城北约40km，属于山地草原类型。海拔 9001700m，平均气温 10 左右，属温带大陆性气候，比较温和，同时也是新疆雨水最充足的地方。1.2 数据获取本研究以白喉乌头作为研究对象(图 1)，2021年 6 月 25 日采集于于伊宁县托乎拉苏生长白喉乌头的区域。选择晴朗、无风的天气，用极侠无人机(XMISSION，广州极飞科技股份有限公司)搭配正摄相机获取图像数据，飞行高度 150m，空间分辨率为 2cm 的正射影像。无人机数据覆盖区域设定为2km2km(中心研究区域)。为方便后续的模型训练和验证，将正射影像裁剪为 512像素512 像素，去除一些生长边缘位置和过于密集的白喉乌头图像，保留 200 张样本图像。采用 LabelImg 软件对白第1期梁俊欢等：基于 ResNet 深度残差网络的白喉乌头检测145http:/喉乌头数据集标注，得到 XML 文件。标注好的数据集按 91 划分训练集与测试集。1.3 试验环境选用 Windows10 环境下的 TensorFlow 深度学习框架，软件运行环境采用 Anaconda3，源代码编辑器为 VisualStudioCode，编程语言为 Python3.8，初始训练时加载 Imagenet 上的目标检测预训练模型。1.4 试验方法1.4.1 Faster-RCNNFaster-RCNN14是在 R-CNN15和 Fast-RCNN16之后衍生出来的，其优点在检测网络能够共享全图的卷积特征，在速度上有了很大提升(图 2)。RPN(regionproposalnetwork)区域生成网络是一个全卷积网络17，通过分类 Softmax 激活函数判断建议区域属于前景还是背景，然后通过边框回归函数修正提取区域，得到更加准确的区域建议，同时预测每个位置的候选框和目标得分，并与 Fast-RCNN 网络共享，可以端到端的网络训练。首先图像输入到卷积神经网络中得到特征图，得到的特征图进入 RPN 网络卷积中，用预训练好的模型进行分类，然后在原有的参数进行调参，卷积核 33 的滑动窗口在输入特征图上得到不同尺寸和不同长宽比的锚框，得到锚框之后利用 Softmax判断锚框属于前景或者是背景，最后特征图输入到全连接层完成分类和回归。图 1 白喉乌头以及生长的环境Figure 1