基于深度學(xué)習(xí)的無(wú)人機(jī)造林成活率自動(dòng)檢測(cè)方法

李亞?wèn)|，曹明蘭，金紅玉，姚樹軍，李亞昆，賈樹華

（1.北京工業(yè)職業(yè)技術(shù)學(xué)院 北京市城市空間信息工程重點(diǎn)實(shí)驗(yàn)室，北京 100042；2.國(guó)家林業(yè)和草原局森林資源管理司，北京 100013；3.內(nèi)蒙古烏蘭壩國(guó)家級(jí)自然保護(hù)區(qū)管理局，內(nèi)蒙古 赤峰 025450；4.內(nèi)蒙古大楊樹林業(yè)局，內(nèi)蒙古 呼倫貝爾 165456）

造林工程是林業(yè)資源可持續(xù)利用的重要保障，我國(guó)更新造林潛力巨大，可用來(lái)植樹造林的面積比歐洲大26倍，比美國(guó)大11倍，比前蘇聯(lián)大3倍[1]。造林成活率是指造林后3個(gè)月單位面積成活株數(shù)與造林總株數(shù)之比[2]，是衡量造林工程質(zhì)量的首要指標(biāo)，更是造林工程及時(shí)補(bǔ)植與重新造林的重要依據(jù)。為更好地落實(shí)和監(jiān)督造林工程質(zhì)量，國(guó)有林區(qū)和省級(jí)林業(yè)廳通常對(duì)造林成活率實(shí)行多級(jí)檢查驗(yàn)收制度。以內(nèi)蒙古大興安嶺國(guó)有林區(qū)為例，造林質(zhì)量檢查實(shí)行林場(chǎng)普查、林業(yè)局復(fù)查、林業(yè)管理局抽查的三級(jí)檢查驗(yàn)收制度。目前采用的造林成活率人工檢查方法存在以下幾點(diǎn)問(wèn)題：1）勞動(dòng)成本高。造林地塊分布偏遠(yuǎn)分散、交通條件差，而且造林窗口期短、造林成活率檢查的季節(jié)性強(qiáng)，需要很多人同時(shí)參與，勞動(dòng)成本較高；2）效率低，受主觀因素和偶然因素影響較大。由于造林面積大，往往采用抽樣檢查方法，檢查人員需對(duì)樣地進(jìn)行逐行逐株計(jì)數(shù)統(tǒng)計(jì)，效率低。無(wú)論是抽樣檢查還是全面檢查，在不同檢查人員之間存在主觀差異；3）沒有可復(fù)查的過(guò)程資料。人工檢查的統(tǒng)計(jì)成果為結(jié)論性數(shù)值記錄，沒有可復(fù)查核實(shí)的過(guò)程資料。近年來(lái)，微小型民用多旋翼無(wú)人機(jī)以其價(jià)格低、操作簡(jiǎn)單、快速獲取林地影像和視頻信息等優(yōu)勢(shì)，已廣泛應(yīng)用于林業(yè)場(chǎng)地踏勘、火災(zāi)與病蟲害巡視等業(yè)務(wù)[3-4]。李玉榮等[5]概述了人工智能理論與算法在苗木質(zhì)量的形態(tài)、生理和活力指標(biāo)3個(gè)方面的無(wú)損檢測(cè)應(yīng)用現(xiàn)狀；針對(duì)傳統(tǒng)檢測(cè)指標(biāo)單一、效率低和主觀誤差大的問(wèn)題,指出綜合應(yīng)用圖像采集、數(shù)字圖像處理和機(jī)器學(xué)習(xí)技術(shù)的人工智能算法與理論在苗木質(zhì)量評(píng)價(jià)指標(biāo)檢測(cè)領(lǐng)域具有明顯優(yōu)勢(shì),并從檢測(cè)技術(shù)融合、提升檢測(cè)算法和多源數(shù)據(jù)融合等方面進(jìn)行展望,旨在為苗木質(zhì)量快速精準(zhǔn)評(píng)價(jià)提供參考。王成翰[6]構(gòu)建了以Res Net101-FPN為特征提取層的Mask RCNN云杉實(shí)例分割模型，為苗木的數(shù)量統(tǒng)計(jì)問(wèn)題提供了一種基于深度學(xué)習(xí)圖像分割的解決方案。朱學(xué)巖等[7]出了一種基于引入貝葉斯損失函數(shù)，以人工標(biāo)注的點(diǎn)標(biāo)簽數(shù)據(jù)作為監(jiān)督信號(hào)的，對(duì)粘連苗木具有良好穩(wěn)定性的，以CSRNet模型為基礎(chǔ)的云杉計(jì)數(shù)方法。實(shí)現(xiàn)了無(wú)人機(jī)航拍圖像內(nèi)苗木數(shù)量的自動(dòng)、準(zhǔn)確、快速統(tǒng)計(jì)。陳鋒軍等[8]以無(wú)人機(jī)航拍云杉圖像和拼接后完整地塊云杉圖像為數(shù)據(jù)源，基于改進(jìn)的YOLOv3模型，在云杉計(jì)數(shù)試驗(yàn)中，在精確率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這5個(gè)評(píng)價(jià)指標(biāo)上達(dá)到96.81%、93.53%、94.26%、98.49%和0.351s的效果。但以上研究都以靜態(tài)圖片為數(shù)據(jù)源進(jìn)行了苗木目標(biāo)檢測(cè)，隨著人工智能技術(shù)的日益成熟，極大提升了在復(fù)雜場(chǎng)景下對(duì)象檢測(cè)的精度和自動(dòng)化水平，尤其是YOLOV5s等高精度，高幀率，小體積的深度學(xué)習(xí)模型的出現(xiàn)，以及多目標(biāo)跟蹤技術(shù)的發(fā)展，使得基于無(wú)人機(jī)造林地實(shí)時(shí)視頻進(jìn)行造林成活率統(tǒng)計(jì)成為了可能。

本研究利用無(wú)人機(jī)獲取的視頻信息，探索一種基于深度學(xué)習(xí)的無(wú)人機(jī)造林成活率自動(dòng)檢測(cè)方法，實(shí)現(xiàn)自動(dòng)、高效、實(shí)時(shí)地統(tǒng)計(jì)造林成活率，以解決傳統(tǒng)人工檢查中存在的不足。

1 原理與方法

YOLO（You Only Look Once）模型是UltralyticsLLC公司的開源產(chǎn)品，是一種基于深度學(xué)習(xí)的目標(biāo)檢測(cè)方法[9]。它利用CNN將輸入圖像分割成S×S大小的正方形格網(wǎng)（Grid cells），然后用每個(gè)格子去檢測(cè)落入其中的目標(biāo)，一次性預(yù)測(cè)格子所包含的各類別目標(biāo)的邊界框、置信度及所有類別的概率[10]。YOLOv5版本在速度、精度和模型大小方面均有大幅優(yōu)化，使其更適合應(yīng)用于嵌入式設(shè)備的實(shí)時(shí)對(duì)象檢測(cè)任務(wù)[11]。YOLOv5目標(biāo)檢測(cè)算法的基本原理是將輸入圖像分成7×7的網(wǎng)格，每個(gè)網(wǎng)格負(fù)責(zé)預(yù)測(cè)以該網(wǎng)格單元為中心的目標(biāo)邊界框及其置信度值，生成預(yù)測(cè)框后按非極大值抑制（Non-maximum suppression，NMS）算法篩選得到檢測(cè)結(jié)果[12]。DeepSort算法是在Sort基礎(chǔ)上引入重識(shí)別模型，通過(guò)外觀信息與運(yùn)動(dòng)信息增強(qiáng)匈牙利算法的匹配效果，減少ID切換的數(shù)量[13]。通過(guò)卡爾曼濾波器和匈牙利算法，分別處理跟蹤問(wèn)題的運(yùn)動(dòng)預(yù)測(cè)和數(shù)據(jù)關(guān)聯(lián)部分。檢測(cè)到物體后，通過(guò)卡爾曼濾波器預(yù)測(cè)物體的軌跡，再使用匈牙利算法將預(yù)測(cè)幀的軌跡數(shù)據(jù)與當(dāng)前幀的軌跡組合匹配，最后更新卡爾曼濾波器[14]。

本研究采用無(wú)人機(jī)搭載的攝像機(jī)獲取造林地苗木視頻，采用YOLOv5作為目標(biāo)識(shí)別器識(shí)別苗木，DeepSORT算法將YOLO算法得到的目標(biāo)檢測(cè)框與之前預(yù)測(cè)得到的目標(biāo)跟蹤框的交互比作為組合傳入匈牙利算法，對(duì)每一株苗木進(jìn)行全局整體位置最優(yōu)優(yōu)化，通過(guò)線性分配關(guān)聯(lián)不同幀之間的ID，將不同ID苗木的外觀和相對(duì)位置信息加入幀間匹配的計(jì)算中，減少了目標(biāo)苗木ID的頻繁跳動(dòng)，完成持續(xù)跟蹤目的，最終實(shí)現(xiàn)了全局多苗木跟蹤計(jì)數(shù)（圖1）。

2 結(jié)果與分析

2.1 試驗(yàn)區(qū)概況

內(nèi)蒙古大興安嶺林區(qū)是中國(guó)五大重點(diǎn)國(guó)有林區(qū)之一，是全球寒溫帶天然針葉林生態(tài)系統(tǒng)的重要組成部分，在我國(guó)生態(tài)文明建設(shè)中具有重要的戰(zhàn)略地位。1998—2018年實(shí)施“天保工程”以來(lái)，20年間累計(jì)完成人工造林約17.78萬(wàn)hm2，補(bǔ)植補(bǔ)造約11.83萬(wàn)hm2。內(nèi)蒙古大楊樹林業(yè)局曾被評(píng)為全國(guó)造林綠化先進(jìn)單位，是內(nèi)蒙古大興安嶺南部林區(qū)的造林工程實(shí)施單位的典型代表。試驗(yàn)區(qū)位于內(nèi)蒙古大興安嶺大楊樹林業(yè)局烏魯布鐵林場(chǎng)（123°25′～124°30′E，49°50′～50°20′N），地處大興安嶺東坡南部，主營(yíng)森林管護(hù)造林基地?fù)嵊a(bǔ)植。

2.2 儀器設(shè)備及參數(shù)

試驗(yàn)數(shù)據(jù)采集設(shè)備采用大疆Mavic2四旋翼無(wú)人機(jī)，其鏡頭視場(chǎng)角77°、全高清（Full high definition，F(xiàn)HD）模式下視頻最大分辨率1 920×1 080像素、幀率120 p。軟件方面，針對(duì)大疆DB-M24G圖傳模塊，在華為平板電腦安卓11.0系統(tǒng)平臺(tái)上，基于YOLOv5和DeepSort開源算法對(duì)圖傳視頻進(jìn)行了造林苗木視頻動(dòng)態(tài)檢測(cè)與計(jì)數(shù)功能的二次開發(fā)。

2.3 樣本采集與模型訓(xùn)練

烏魯布鐵林場(chǎng)2022年春季造林樹種為云杉、整地方式為全面整地，使用同一架四旋翼無(wú)人機(jī)從5.0、6.4、8.0 m的不同飛行高度和10:00、12:00、14:00不同光照條件下，共獲取了8 873張照片。標(biāo)注樣本時(shí)按照航線ID和照片ID間隔抽取得到2 195張照片，并按3∶1∶1比例劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集。利用Labelimg工具[15]對(duì)訓(xùn)練集和驗(yàn)證集的照片進(jìn)行樣本標(biāo)注，損失函數(shù)采用了回歸效果更好的CIOU_Loss[16]。其計(jì)算公式如式（1）所示：

式中：IOU是交并比（Intersection-over-Union），Distance_2是預(yù)測(cè)框與真實(shí)框中心點(diǎn)的歐式距離，Distance_C是預(yù)測(cè)框與真實(shí)框并集的最小外接矩形對(duì)角線距離。

在開源Python機(jī)器學(xué)習(xí)庫(kù)訓(xùn)練時(shí)，為識(shí)別速度模型選用了YOLO v5s[17-18]，訓(xùn)練過(guò)程損失值變化及平均精度指標(biāo)（mAP）如圖2所示，其中x軸為訓(xùn)練次數(shù)，y軸為損失值；模型識(shí)別精度為98.7%，召回率為94.1%，mAP@0.5為92.6%，mAP@0.5∶0.95為89.3%。

圖2 模型訓(xùn)練結(jié)果Fig.2 Model training results

利用訓(xùn)練好的YOLOv5s和DeepSort開源代碼，在無(wú)人機(jī)安卓平板電腦地面站上進(jìn)行二次開發(fā)，通過(guò)整合無(wú)人機(jī)4G圖傳設(shè)備，將無(wú)人機(jī)拍攝的視頻實(shí)時(shí)回傳到地面站平板，利用YOLOv5s+ DeepSort實(shí)現(xiàn)了實(shí)時(shí)苗木檢測(cè)與動(dòng)態(tài)多目標(biāo)追蹤。

2.4 試驗(yàn)與結(jié)果

內(nèi)蒙古大興安嶺林區(qū)更新造林單個(gè)小班面積不超過(guò)20 hm2，整地方式以全面整地為主，云杉針葉容器苗的造林密度為2 700～3 000株/hm2，栽植株行距為2 m×2 m。試驗(yàn)飛行高度設(shè)置為6.4 m，單航線覆蓋寬度為16 m，旁向重疊3 m，單次有效檢測(cè)苗木7行飛行速度8～12 m/s，數(shù)據(jù)采集示意如圖3所示。

圖3 數(shù)據(jù)采集示意Fig.3 Schematic diagram of data acquisition

本次試驗(yàn)采用大疆Mavic2四旋翼無(wú)人機(jī)，相機(jī)鏡頭視場(chǎng)角a為75°，樹種為云杉、整地方式為全面整地，苗木株行距W1為2 m，單幅照片地面有效拍攝寬度W2為10 m，采集4、6、8 m三種高度和10:00、12:00和14:00這3個(gè)時(shí)段，含苗木數(shù)量多于3 500株，采集照片共900張作為數(shù)據(jù)集。將上述數(shù)據(jù)集按3∶1∶1劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集，利用Labelimg樣本標(biāo)注工具對(duì)訓(xùn)練集和測(cè)試集進(jìn)行成活苗和死亡苗兩類正樣本標(biāo)注。對(duì)全面整地的云杉這種造林樹種和整地方式的搭配組合，進(jìn)行深度學(xué)習(xí)的目標(biāo)檢測(cè)（Object detection）模型訓(xùn)練。模型選用了YOLOv5s，訓(xùn)練時(shí)將標(biāo)注好的訓(xùn)練集和驗(yàn)證集作為輸入進(jìn)行YOLOv5s模型訓(xùn)練。利用測(cè)試集進(jìn)行評(píng)價(jià)合格后，將其權(quán)重文件作為苗木對(duì)象檢測(cè)模型使用。

外業(yè)數(shù)據(jù)采集時(shí)，由無(wú)人機(jī)操作員通過(guò)遙控器控制多旋翼無(wú)人機(jī)，對(duì)造林地苗木進(jìn)行視頻拍攝，并將視頻實(shí)時(shí)回傳到圖傳接收器平板。操作人員按照預(yù)先設(shè)定的航線控制無(wú)人機(jī)飛行，同時(shí)根據(jù)現(xiàn)場(chǎng)軟件識(shí)別效果，可對(duì)飛行高度和飛行速度做微調(diào)。通過(guò)無(wú)線圖傳設(shè)備獲取的視圖如圖4所示，黃色和紅色標(biāo)識(shí)線是OSD（On screen display）技術(shù)[19]在圖傳顯示屏中疊加的識(shí)別區(qū)范圍標(biāo)識(shí)線，其中實(shí)線框表示苗木有效識(shí)別區(qū)域，虛線框是用于對(duì)準(zhǔn)的輔助框，有效識(shí)別區(qū)域之外的苗木不被統(tǒng)計(jì)識(shí)別。

圖4 圖傳屏幕中苗木識(shí)別區(qū)示意Fig.4 Schematic diagram of seedlings identification zone in the image transmission screen

根據(jù)待檢查小班的邊界形狀，利用大疆無(wú)人機(jī)地面站進(jìn)行航線規(guī)劃。由于苗木栽植株行距為2 m，攝像機(jī)視場(chǎng)角為75°，因此每條航線設(shè)計(jì)為有效掃描5行苗木，視頻單幅畫面中有效地面寬度為10 m。考慮到安卓平臺(tái)的性能，本試驗(yàn)將苗木實(shí)時(shí)檢測(cè)幀率設(shè)置成了較低水平的FPS=15。根據(jù)苗木株行距和FPS，可確定無(wú)人機(jī)視頻采集的水平前進(jìn)速度為30 m/s、視頻拍攝高度為6.4 m、軌跡旁向重疊寬度為3 m，如圖5所示。

圖5 無(wú)人機(jī)作業(yè)航線規(guī)劃示意Fig.5 Schematic of unmanned aerial vehicles operation route planning

本試驗(yàn)將YOLOv5s和DeepSort開源代碼在無(wú)人機(jī)地面站安卓平板電腦上進(jìn)行了二次開發(fā)，通過(guò)整合無(wú)人機(jī)4G圖傳，將無(wú)人機(jī)所拍攝的視頻實(shí)時(shí)回傳到無(wú)人機(jī)地面站安卓平板電腦。利用YOLOv5s對(duì)象檢測(cè)模型結(jié)合DeepSort目標(biāo)追蹤算法，實(shí)現(xiàn)了實(shí)時(shí)苗木檢測(cè)與動(dòng)態(tài)多目標(biāo)追蹤。實(shí)際作業(yè)時(shí)，工作人員只需根據(jù)整地方式與造林樹種，選擇預(yù)先訓(xùn)練好的YOLOv5s模型，根據(jù)相機(jī)鏡頭參數(shù)和造林株行距，合理規(guī)劃飛行線路和設(shè)置飛行速度，成活率統(tǒng)計(jì)任務(wù)由部署在無(wú)人機(jī)地面站安卓平板電腦上的應(yīng)用程序自動(dòng)完成。

實(shí)際作業(yè)時(shí)無(wú)人機(jī)按規(guī)劃好的飛行路線進(jìn)行視頻采集，程序?qū)崟r(shí)利用YOLOv5s+DeepSort對(duì)苗木動(dòng)態(tài)追蹤，實(shí)時(shí)識(shí)別出視頻中的每一株苗木對(duì)象，進(jìn)行唯一ID標(biāo)識(shí)，分類出成活苗木與死亡苗木的類別，并自動(dòng)匯總成活苗木株，再按式（2）計(jì)算出造林小班成活率c：

式中：n為小班成活苗木株數(shù)，N為小班總設(shè)計(jì)造林苗木株數(shù)，最終將成活率結(jié)果報(bào)告和標(biāo)識(shí)有苗木動(dòng)態(tài)追蹤信息的視頻一起保存輸出。

程序內(nèi)部根據(jù)苗木識(shí)別情況，給出飛行速度調(diào)整建議的提示。操作員可根據(jù)程序識(shí)別情況，微調(diào)并選擇合適的前進(jìn)速度，使得程序?qū)崟r(shí)識(shí)別效果達(dá)到最佳。苗木檢測(cè)與動(dòng)態(tài)多目標(biāo)追蹤前后對(duì)比效果如圖6所示，圖6a、b分別為追蹤前的原始視頻畫面和多目標(biāo)追蹤后的苗木檢測(cè)結(jié)果畫面。

圖6 多目標(biāo)追蹤前后效果對(duì)比Fig.6 Comparison diagram of effects before and after multi-target tracking

圖7a、b分別為云杉成活苗和死亡苗的標(biāo)識(shí)效果示例。圖中26、29為苗木在整個(gè)視頻中的唯一標(biāo)識(shí)ID；圖中A、B為苗木類別代碼，苗木26為成活苗、苗木29為死亡苗；圖中0.96和0.98分別為苗木26和苗木29的被識(shí)別為A類別和B類別的識(shí)別精度。造林成活率檢測(cè)的本文方法與傳統(tǒng)人工檢查法的對(duì)比分析，如表1所示。

表1 2種方法的云杉造林成活率檢測(cè)對(duì)比?Table 1 Detection comparison of survival rate of spruce forestation by two methods

圖7 不同健康類別苗木追蹤效果對(duì)比Fig.7 Comparison diagram of tracking effects of different health categories of seedling

3 討 論

從圖2的模型訓(xùn)練結(jié)果可知，YOLOv5S模型對(duì)大量的造林地苗木樣本照片的訓(xùn)練效果較好，所得模型的識(shí)別精度為98.7%，召回率為94.1%，mAP@0.5為92.6%，mAP@0.5∶0.95為89.3%，訓(xùn)練結(jié)果好于COCO數(shù)據(jù)集。這是因?yàn)榇笮蛧?guó)有林區(qū)的更新造林普遍采用容器苗法，同一造林小班栽植的苗木大小相近、形狀類似、整地方式統(tǒng)一、苗木栽植距離均勻，而且苗木正樣本與整地后的造林地背景負(fù)樣本的差異明顯，在視頻中苗木之間不會(huì)發(fā)生重疊等因素有關(guān)。因此，要提高苗木檢測(cè)模型的訓(xùn)練精度可從以下幾方面入手：1）根據(jù)整地方式與造林樹種的搭配類型不同單獨(dú)訓(xùn)練模型；2）減少前景與背景的復(fù)雜程度可提升訓(xùn)練速度和精度；3）對(duì)容器苗造林而言，在苗圃采集樣本可提升樣本采集效率，降低成本。

從本研究表1云杉造林地7個(gè)小班的方法與人工檢查法對(duì)比統(tǒng)計(jì)結(jié)果可知，7個(gè)小班總體平均相對(duì)誤差為0.38%，平均相對(duì)識(shí)別精度為99.62%，總體上本研究方法對(duì)成活苗木的判定數(shù)量略低于人工檢查法，這是由于將一些長(zhǎng)勢(shì)不好的苗木判定為死亡苗木導(dǎo)致。為了提升識(shí)別精度，可在造林小班增加采集死亡苗木的正樣本數(shù)量、增加采集雜草和萌條等負(fù)樣本的數(shù)量。除了本研究設(shè)計(jì)的不同飛行高度和不同時(shí)間段等因素外，還可考慮不同季節(jié)對(duì)不同造林樹種成活苗和死亡苗的顏色、形狀等方面的影響。本研究方法與傳統(tǒng)人工檢查法相比，工作效率平均提升了50.94%，效率提升率與小班面積存在正相關(guān)，但不是線性關(guān)系。這是因?yàn)椴捎脽o(wú)人機(jī)采集視頻時(shí)，航線規(guī)劃方式會(huì)影響視頻采集效率，因此在小班面積相同情況下，小班的邊界形狀也會(huì)影響航線規(guī)劃方式，進(jìn)而影響檢查效率。

本研究在無(wú)人機(jī)地面站安卓平板電腦上，基于YOLOv5s和DeepSort開源代碼實(shí)現(xiàn)了基于視頻的造林成活率自動(dòng)檢測(cè)程序，單幀視頻苗木檢測(cè)時(shí)間平均0.015 s，與陳鋒軍等[8]的結(jié)果相比，平均精度提高了2.81%，平均檢測(cè)時(shí)間方面提升了95.7%。

隨著YOLOv5s和DeepSort算法的升級(jí)和安卓平板電腦性能的提升，未來(lái)基于視頻的苗木成活率檢測(cè)效率還有很大的提升空間。另外，對(duì)大型國(guó)有林區(qū)而言，采用無(wú)人機(jī)平臺(tái)實(shí)現(xiàn)本研究提出的基于視頻的苗木成活率檢測(cè)方法無(wú)疑是非常適合的。但針對(duì)非國(guó)有林區(qū)的小面積的造林檢查，現(xiàn)有方法和系統(tǒng)在成本和體積方面還有改進(jìn)空間。例如，利用安卓手機(jī)平臺(tái)搭配帶云臺(tái)（穩(wěn)定器）的自拍桿等方式，實(shí)現(xiàn)本文提出的基于視頻的苗木成活率檢測(cè)方法，會(huì)使該方法的靈活性和可推廣性進(jìn)一步加以提升。

本研究基于深度學(xué)習(xí)目標(biāo)檢測(cè)模型和多目標(biāo)追蹤提出的無(wú)人機(jī)造林成活率自動(dòng)檢測(cè)方法，不僅能夠自動(dòng)、快速、準(zhǔn)確地統(tǒng)計(jì)成活率，還能將標(biāo)記有成活或死亡苗木分類標(biāo)簽的檢查過(guò)程視頻保存為過(guò)程性永久存檔數(shù)字資料。與傳統(tǒng)方法比較具有以下優(yōu)勢(shì)：

1）采用了基于無(wú)人機(jī)的實(shí)時(shí)視頻檢測(cè)方式，有效提高了檢測(cè)效率，降低了人力、時(shí)間、交通成本，實(shí)現(xiàn)了對(duì)所有造林地塊的全面檢測(cè)，減少了隨機(jī)抽樣方法導(dǎo)致的隨機(jī)誤差。

2）利用YOLOv5s模型和DeepSort算法，實(shí)現(xiàn)了基于視頻檢測(cè)的自動(dòng)成活率統(tǒng)計(jì)，實(shí)現(xiàn)統(tǒng)一檢測(cè)標(biāo)準(zhǔn)，避免了不同人員之間或同一檢查人員在不同檢查時(shí)期的判定標(biāo)準(zhǔn)不統(tǒng)一導(dǎo)致的主觀誤差。

3）直接在檢測(cè)視頻中標(biāo)注苗木所屬類別的概率標(biāo)簽，有效地保留了造林成活率檢測(cè)的過(guò)程資料，有利于對(duì)檢查結(jié)果進(jìn)行驗(yàn)證與復(fù)核，對(duì)造林工程管理的數(shù)字化、精準(zhǔn)化建設(shè)具有重要意義。

4 結(jié) 論

本研究將人工智能領(lǐng)域的深度學(xué)習(xí)目標(biāo)檢測(cè)模型和多目標(biāo)追蹤應(yīng)用于造林成活率檢查實(shí)際?；诖蠼甅avic2四旋翼無(wú)人機(jī)平臺(tái)實(shí)時(shí)采集視頻，針對(duì)具體整地方式與造林樹種的搭配類型進(jìn)行樣本訓(xùn)練，所得YOLOv5s苗木對(duì)象檢測(cè)模型的識(shí)別精度為98.7%，召回率為94.1%。在大疆御2無(wú)人機(jī)地面站安卓平板電腦上，對(duì)YOLOv5s和DeepSort開源代碼進(jìn)行二次開發(fā)，借助4G圖傳實(shí)現(xiàn)了從實(shí)時(shí)視頻中自動(dòng)檢測(cè)出造林成活率的方法與系統(tǒng)。

在內(nèi)蒙古大興安嶺大楊樹林業(yè)局烏魯布鐵林場(chǎng)2022年春季造林地塊中隨機(jī)抽取了7個(gè)造林小班進(jìn)行試驗(yàn)，結(jié)果表明本研究方法的平均相對(duì)識(shí)別精度為99.62%，與傳統(tǒng)的人工檢查方法相比，在效率方面提高了50.94%；實(shí)現(xiàn)了基于無(wú)人機(jī)實(shí)時(shí)視頻的成活率自動(dòng)統(tǒng)計(jì)，同時(shí)將苗木動(dòng)態(tài)追蹤信息中的苗木ID和苗木分類信息標(biāo)記到檢查視頻中，得到了數(shù)字化可保存的過(guò)程性資料，便于核實(shí)復(fù)核造林成活率檢查結(jié)果；有效解決了人工檢查法的人工成本高、受主觀性因素影響大、缺乏過(guò)程性記錄資料、不利于核實(shí)復(fù)核檢查結(jié)果等問(wèn)題。

本研究嘗試將基于人工智能領(lǐng)域的視頻檢測(cè)算法應(yīng)用于林業(yè)造林成活率檢查，有效避免了傳統(tǒng)攝影測(cè)量方法的外業(yè)布設(shè)控制點(diǎn)、內(nèi)業(yè)專業(yè)繁雜的數(shù)據(jù)處理弊端，有效提升了檢查效率，對(duì)無(wú)人機(jī)普及應(yīng)用具有一定推動(dòng)意義。同時(shí)對(duì)人工智能算法應(yīng)用于林業(yè)實(shí)際生產(chǎn)具有一定參考價(jià)值，但仍有一定的改進(jìn)和提高空間。例如下一步可對(duì)安卓手機(jī)平臺(tái)搭配帶云臺(tái)穩(wěn)定器的自拍桿等方向進(jìn)行深入研究，將該方法與系統(tǒng)進(jìn)一步小型化、降低應(yīng)用成本，從而進(jìn)一步提升研究的實(shí)用性和可推廣性。