林业工程学报，２０２１，６（６）：１４２－１４７ＪｏｕｒｎａｌｏｆＦｏｒｅｓｔｒｙＥｎｇｉｎｅｅｒｉｎｇ
ＤＯＩ：１０．１３３６０／ｊ．ｉｓｓｎ．２０９６－１３５９．２０２０１２０４１
收稿日期：２０２０－１２－２４㊀㊀㊀㊀修回日期：２０２１－０１－１２基金项目：福建省高峰高原学科项目（７１２０１８０１４）㊂
作者简介：李浩，男，研究方向为计算机视觉㊂通信作者：陈学永，男，教授㊂Ｅ⁃ｍａｉｌ：139****1093＠１６３．ｃｏｍ
李浩，方伟泉，李浪浪，陈学永∗
（福建农林大学机电工程学院，福州３５０００２）
摘㊀要：松材线虫病是世界上危害较大的森林病害之一，具有传染快㊁防治难的特点，严重威胁着我国的松木资源㊂在林区中识别㊁定位病害松木并及时进行治理是控制松材线虫病蔓延的有效手段㊂以小型商用无人机为平台获取林区遥感影像，分别对比了ＳＳＤ㊁ＹＯＬＯｖ３㊁ＦａｓｔｅｒＲ⁃ＣＮＮ３种深度学习框架的训练效果，最终实现了遥感影像中病害松木的高效判别㊂考虑到病害松木在不同染病阶段存在病症差异性的情况，在标签数据集标记过程中将病害松木分为轻度㊁重度㊁病死三类㊂为提高模型的训练和识别效率，选择以效率更高的深度残差网络Ｒｅｓ⁃Ｎｅｔ５０代替ＶＧＧ１６作为深度学习框架的前置网络㊂试验结果表明，预训练模型调优技术的加入，有效减少了深度学习网络对前期数据量的依赖，对比ＳＳＤ㊁ＹＯＬＯｖ３目标检测框架，ＦａｓｔｅｒＲ⁃ＣＮＮ框架综合表现最好，对不同病害程度松木的识别正确率达到８３．２％，实现了对林区遥感影像中病害松木高效精准的判别，也为林区病害松木的防治工作提供了可靠的辅助手段 ㊂
关键词：目标检测；病虫害；松材线虫病；无人机；深度学习中图分类号：Ｓ７６３㊀㊀㊀㊀㊀文献标志码：Ａ㊀㊀㊀㊀㊀开放科学（资源服务）标识码（ＯＳＩＤ）：
文章编号：２０９６－１３５９（２０２１）０６－０１４２－０６2013年山东高考数学
Ｒｅｃｏｇｎｉｔｉｏｎｏｆｐｉｎｅｗｏｏｄｉｎｆｅｃｔｅｄｗｉｔｈｐｉｎｅｎｅｍａｔｏｄｅ
ｄｉｓｅａｓｅｂａｓｅｄｏｎｄｅｅｐｌｅａｒｎｉｎｇ
ＬＩＨａｏ，ＦＡＮＧＷｅｉｑｕａｎ，ＬＩＬａｎｇｌａｎｇ，ＣＨＥＮＸｕｅｙｏｎｇ∗
（ＣｏｌｌｅｇｅｏｆＭｅｃｈａｎｉｃａｌａｎｄＥｌｅｃｔｒｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ，ＦｕｊｉａｎＡｇｒｉｃｕｌｔｕｒｅａｎｄＦｏｒｅｓｔｒｙＵｎｉｖｅｒｓｉｔｙ，Ｆｕｚｈｏｕ３５０００２，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｔｈｅｏｕｔｂｒｅａｋｏｆｐｉｎｅｗｏｏｄｎｅｍａｔｏｄｅｄｉｓｅａｓｅｐｏｓｅｓａｈｕｇｅｔｈｒｅａｔｔｏｐｉｎｅｒｅｓｏｕｒｃｅｓ，ｗｈｉｃｈｉｓｃｈａｒ
ａｃｔｅｒｉｚｅｄｂｙｒａｐｉｄｉｎｆｅｃｔｉｏｎａｎｄｄｉｆｆｉｃｕｌｔｐｒｅｖｅｎｔｉｏｎａｎｄｔｒｅａｔｍｅｎｔ，ａｌｓｏｋｎｏｗｎａｓ ｃａｎｃｅｒｏｆｐｉｎｅｔｒｅｅｓ ．Ｔｈｅｏｕｔｂｒｅａｋｏｆｐｉｎｅｗｏｏｄｎｅｍａｔｏｄｅｄｉｓｅａｓｅｗｏｕｌｄｃａｕｓｅｈｕｇｅｅｃｏｎｏｍｉｃｌｏｓｓｅｓ．Ｉｎｒｅｃｅｎｔｙｅａｒｓ，ｂａｓｅｄｏｎｄｒｏｎｅｉｍａｇｅｓ，ｔｈｅｅｍｅｒｇｅｎｃｅｏｆｉｍａｇｅｍｏｎｉｔｏｒｉｎｇｔｅｃｈｎｏｌｏｇｙｈａｓｇｒａｄｕａｌｌｙｄｅｖｅｌｏｐｅｄｆｏｒａｄｄｒｅｓｓｉｎｇｔｈｅｔｉｍｅ⁃ｃｏｎｓｕｍｉｎｇｄｒａｗｂａｃｋｓｏｆｔｈｅｔｒａｄｉｔｉｏｎａｌｍｏｎｉｔｏｒｉｎｇｍｅｔｈｏｄｏｆｈｕｍａｎｓｕｒｖｅｙｓ．Ｃｏｍｐａｒｅｄｗｉｔｈｔｈｅｔｒａｄｉｔｉｏｎａｌｍａｃｈｉｎｅｌｅａｒｎｉｎｇｔｅｃｈｎｏｌｏｇｙ，ｄｅｅｐｌｅａｒｎｉｎｇｈａｓｇｒａｄｕａｌｌｙｂｅｃｏｍｅａｎｉｎｎｏｖａｔｉｖｅｔｅｃｈｎｏｌｏｇｙｏｆｃｕｒｒｅｎｔｒｅｓｅａｒｃｈｄｕｅｔｏｉｔｓｓｔｒｏｎｇｔｅｃｈｎｉｃａｌａｄｖａｎｔａｇｅｓｉｎｔｈｅｆｉｅｌｄｏｆｄｉｓ⁃ｅａｓｅｒｅｃｏｇｎｉｔｉｏｎ．Ａｌｔｈｏｕｇｈｍａｎｙｃｌａｓｓｉｃａｌｇｏｒｉｔｈｍｓｈａｖｅｅｆｆｅｃｔｉｖｅｌｙｉｍｐｒｏｖｅｄｔｈｅｓｐｅｅｄａｎｄａｃｃｕｒａｃｙｏｆｒｅｃｏｇｎｉｔｉｏｎ，ｉｎｔｈｅｒｅｓｅａｒｃｈｆｉｅｌｄｏｆｐｉｎｅｗｏｏｄｎｅｍａｔｏｄｅｄｉｓｅａｓｅ，ｔｈｅｒｅａｒｅｒｅｌａｔｉｖｅｌｙｌｉｍｉｔｅｄｓｔｕｄｉｅｓｕｓｉｎｇｄｅｅｐｌｅａｒｎｉｎｇｆｒａｍｅ⁃ｗｏｒｋｓ．Ｉｎｔｈｉｓｓｔｕｄｙ，ｕｎｄｅｒｔｈｅｃｌｅａｒａｎｄｗｉｎｄｌｅｓｓｗｅａｔｈｅ
ｒ，ｓｍａｌｌｃｏｍｍｅｒｃｉａｌｄｒｏｎｅｓｗｅｒｅｕｓｅｄｔｏｏｂｔａｉｎｒｅｍｏｔｅｓｅｎｓ⁃ｉｎｇｉｍａｇｅｓａｍｐｌｅｓｏｆｆｏｒｅｓｔａｒｅａｓｗｈｉｌｅｆｌｙｉｎｇａｔｔｈｅｓａｍｅａｌｔｉｔｕｄｅ，ａｎｄｃｏｎｔｉｎｕｏｕｓｓａｍｐｌｉｎｇｗａｓｐｅｒｆｏｒｍｅｄａｔ２５ｄｉｎ⁃ｔｅｒｖａｌｓ．ＢｙｃｏｍｐａｒｉｎｇｔｈｅｔｈｒｅｅｍａｉｎｔａｒｇｅｔｄｅｔｅｃｔｉｏｎｆｒａｍｅｗｏｒｋｓｏｆＦａｓｔｅｒＲ⁃ＣＮＮ，ＹＯＬＯｖ３ａｎｄＳＳＤ，ｗｈｉｃｈａｒｅｔｈｅｍｏｓｔｍａｉｎｓｔｒｅａｍｄｅｅｐｌｅａｒｎｉｎｇｍｅｔｈｏｄｓｔｏｉｄｅｎｔｉｆｙｔｈｅｗａｒｄｓａｍｐｌｅｓ，ｉｔｗａｓｆｏｕｎｄｔｈａｔｔｈｅＦａｓｔｅｒＲ⁃ＣＮＮｆｒａｍｅ⁃ｗｏｒｋｒｅｐｌａｃｅｄＶＧＧ１６ｗｉｔｈＲｅｓＮｅｔ５０ａｓｔｈｅｆｒｏｎｔ⁃ｅｎｄｎｅｔｗｏｒｋｈａｄｔｈｅｂｅｓｔｐｒｏｃｅｓｓｉｎｇｅｆｆｅｃｔｏｎｄｉｓｅａｓｅｄｐｉｎｅｓ．Ｕｓｉｎｇｔｈｅｆｉｎｅ⁃ｔｕｎｉｎｇｔｅｃｈｎｏｌｏｇｙ，ｔｈｅｄｅｐｅｎｄｅｎｃｅｏｎｔｈｅａｍｏｕｎｔｏｆｄａｔａｉｎｔｈｅｅａｒｌｙｓｔａｇｅｏｆｄｅｅｐｌｅａｒｎｉｎｇｎｅｔｗｏｒｋｔｒａｉｎｉｎｇｗａｓｒｅｄｕｃｅｄｅｆｆｅｃｔｉｖｅｌｙ．ＴｈｅｒｅｃｏｇｎｉｔｉｏｎａｃｃｕｒａｃｙｒａｔｅｓｏｆＳＳＤａｎｄＹＯＬＯｖ３ｆｒａｍｅｗｏｒｋｓｆｏｒｐｉｎｅｗｏｏｄｗｉｔｈｄｉｆｆｅｒｅｎｔｄｉｓｅａｓｅｌｅｖｅｌｓｗｅｒｅ６６．２％ａｎｄ５３．２％，ｒｅｓｐｅｃｔｉｖｅｌｙ．ＦａｓｔｅｒＲ⁃ＣＮＮｈａｄｔｈｅｂｅｓｔｒｅｃｏｇｎｉｔｉｏｎｒｅｓｕｌｔ，ｗｉｔｈａｒｅｃｏｇｎｉｔｉｏｎａｃｃｕｒａｃｙｒａｔｅｏｆ８３．２％．Ｔｈｉｓｍｅｔｈｏｄ
ｎｏｔｏｎｌｙｏｖｅｒｃａｍｅｔｈｅｍｉｓｊｕｄｇｍｅｎｔｓａｎｄｏｍｉｓｓｉｏｎｓｔｈａｔｗｅｒｅｌｉｋｅｌｙｔｏｏｃｃｕｒｉｎｔｒａｄｉｔｉｏｎａｌｉｄｅｎｔｉｆｉｃａｔｉｏｎｍｅｔｈｏｄｓ，ｂｕｔａｌｓｏｃｌａｓｓｉｆｉｅｄｔｈｅｄｉｓｅａｓｅｌｅｖｅｌｓａｃｃｏｒｄｉｎｇｔｏｍｉｌｄ，ｓｅｖｅｒｅａｎｄｄｅａｔｈｌｅｖｅｌｓ，ａ⁃ｃｈｉｅｖｉｎｇａｍｏｒｅａｃｃｕｒａｔｅｉｄｅｎｔｉｆｉｃａｔｉｏｎｏｆｐｉｎｅｄｉｓｅａｓｅｓｉｎｔｈｅｄｉｓｅａｓｅｃｏｎｔｒｏｌａｒｅａａｎｄｐｒｏｖｉｄｉｎｇａｒｅｌｉａｂｌｅａｕｘｉｌｉａｒｙｍｅｔｈｏｄｆｏｒｆｏｒｅｓｔｐｉｎｅｐｒｅｖｅｎｔｉｏｎａｎｄｃｏｎｔｒｏｌ．
Ｋｅｙｗｏｒｄｓ：ｏｂｊｅｃｔｄｅｔｅｃｔｉｏｎ；ｐｅｓｔｓａｎｄｄｉｓｅａｓｅｓ；ｐｉｎｅｗｏｏｄｎｅｍａｔｏｄｅｄｉｓｅａｓｅ；ＵＡＶ；ｄｅｅｐｌｅａｒｎｉｎｇ
㊀第６期李浩，等：基于深度学习的松材线虫病害松木识别
㊀㊀松材线虫病被称作 松树的癌症 ，自入侵我国以来已在多个省份暴发，造成了巨大的经济损失［１］㊂松材线虫主要以松褐天牛为中间宿主在林区中传播，具有危害性强㊁防治难度高的特点［２］㊂健康松木在感染松材线虫后，会在１ ２个月内因树株脱水而逐渐枯死，被感染后的松木需要及时发现并就地砍伐掩埋，防止进一步扩散到周边松木㊂在广袤林区内及时㊁精准㊁有效地实现对病
害松木的监测，一直是林业病害防治工作中的重点［３］㊂而在病害松木监测方面，主要还是依靠护林人员的目测观察和地面普查，该方式存在着时效性差和误差较大的弊端，无法保证林区病害监测的时效性与准确性［４］㊂随着机器学习与无人机技术的不断发展，在林区病害监测方面的科研工作也取得了一定的进展，使得机器学习手段替代传统人力勘察成为可能［５］㊂李卫正等［６］利用小型无人机获取病区遥感影像，并结合ＧｅｏＬｉｎｋ软件定位病害松木，该方法较传统地面普查方法在成本和效率方面具有一定优势㊂张学敏［７］利用３种支持向量数据描述的方式对遥感影像中的病害松树进行识别，实现了无人机在可见光与红外图像条件下对病害松树的分类识别㊂刘遐龄等［８］利用模板匹配法识别无人机遥感影像中的病害松木，并通过实地勘查方式证明了该方法在勘测效率和识别精度上均优于传统人工判读方法㊂刘金沧等［９］利用ＣＲＦ方法完成了对可见光遥感图像中病害松木的高效判别，为小范围病害精准监测工作提供了切实可行的技术手段㊂陶欢等［１０］提出基于 调⁃饱和度⁃明度 （ＨＳＶ）的阈值分割法，证明其效果优于ＲＧＢ阈值分割法，有效提高了人工判读的效率㊂随着深度学习的出现，ＹＯＬＯ㊁Ｒ⁃ＣＮＮ㊁ＳＳＤ等基于深度学习手段的目标检测算法逐渐在病害识别和目标分类等领域大放异彩［１１］，深度学习技术也有效改善了传统机器学习中广泛存在的计算重复和效率低下的问题㊂
针对当下广泛存在的遥感影像背景复杂㊁数据获取处理难度高以及深度学习前期数据量较大的情况，笔者基于ＳＳＤ㊁ＹＯＬＯｖ３㊁ＦａｓｔｅｒＲ⁃ＣＮＮ深度学习目标检测算法，使用预训练模型调
优（ｆｉｎｅ⁃ｔｕｎｉｎｇ）技术减少深度学习网络前期数据量，引入深度残差网络（ＲｅｓＮｅｔ）代替ＶＧＧ１６以提高模型训练效率和识别精度，最终实现对林区遥感影像病害松木更加高效精准的判别㊂
１㊀图像采集与数据集制作
托克维尔
本次试验地点位于福建省东北部的建瓯市，该地区属于山区且交通不便，当地主要以种植马尾松（ＰｉｎｕｓｍａｓｓｏｎｉａｎａＬａｍｂ）为主，属于中亚热带海洋性季风气候，非常适合松材线虫病暴发蔓延，是福建省松材线虫病暴发的重点监测区㊂为加强本试验的应用性，本次采集样张试验地点共３处，均是被当地林业局确定的松材线虫病暴发集中区域㊂３个地区地理坐标区间分别为２７ʎ３ᶄ０ᵡ ２７ʎ３ᶄ９ᵡＮ，１１８ʎ８ᶄ４７ᵡ １１８ʎ２５ᶄ３８ᵡＥ；２７ʎ０ᶄ５０ᵡ ２７ʎ１ᶄ２１ᵡＮ，１１８ʎ１９ᶄ８ᵡ １１８ʎ１９ᶄ３８ᵡＥ；２７ʎ１４ᶄ３９ᵡ ２７ʎ１５ᶄ１１ᵡＮ，１１８ʎ１６ᶄ１５ᵡ １１８ʎ１６ᶄ４５ᵡＥ㊂病区森林总面积约为３ｋｍ２，林区中６０％为松树，其余为毛竹以及少量桉树㊂为确保试验后期对病害松木进行有效验证，选用精灵Ｐｈａｎｔｏｍ４ＲＴＫ无人机，该机搭载像素２０００万的Ｆ１．８镜头，型号为ｆｃ６３１０，像素尺寸为２．４１μｍˑ２．４１μｍ㊂由Ｐｈａｎｔｏｍ４ＲＴＫ所拍摄样张中含有厘米级精度的ＧＰＳ信息，后期可以实现对图像中任意像素ＧＰＳ信息的提取，从而实现对单株病害松木的精确定位㊂
本次工作数据采集时间为２０１９年８ １１月，根据病害松木的病情进展特点，采样期间以２５ｄ为时间间隔进行连续性图像采集工作，在提高样张基础数据的同时进一步增强网络的范化性㊂工作时间设定在上午１０：００ １１：３０，下午２：３０ ４：００，选择晴朗无风天气，避免航拍过程受强风以及过曝等因素干扰㊂本次工作拍摄原始图像１０６７张，样张尺寸为５４７２ˑ３６４８，因拍摄期间图像间重叠度较高，剔除不相关背景图像与多余重复图像后剩余４２３张，再通过裁切㊁旋转等操作增加３２１张，最终测试集单张尺寸为１８２４ˑ１８２４，整体样张数量为７４４张㊂按照病害进展过程，松材线虫病理过程主要可以分为３个阶段，如图１所示
㊂
注：ａ）针叶开始变，松木蒸腾作用下降；ｂ）松木大部分针叶
变成黄褐甚至红褐，出现萎蔫；ｃ）针叶大部分变成红褐，部分病死松木出现干枯褪，部分针叶出现脱落㊂
图１㊀松木染病后各阶段进展
Ｆｉｇ．１㊀Ｐｒｏｇｒｅｓｓｉｎｖａｒｉｏｕｓｓｔａｇｅｓａｆｔｅｒｐｉｎｅｉｎｆｅｃｔｉｏｎ
针对林区中病害松木会在同一时期内呈现不同程度病害的情况，利用标记软件ｌａｂｅｌｌｍｇ对图像中受到感染的病害松木进行标注，并将病害分为Ｌｅｖｅ１１㊁Ｌｅｖｅ１２㊁Ｌｅｖｅ１３共３种标注策略，分别对
３４１
林业工程学报第６卷
应感染轻度㊁重度㊁病死的松木，并按照整体３ʒ７的比例随机将数据集分成测试集和训练集㊂图像采集与数据标注的整体流程如图２所示
㊂
图２㊀试验区采集与数据集标注
Ｆｉｇ．２㊀Ｔｅｓｔａｒｅａｃｏｌｌｅｃｔｉｏｎａｎｄｄａｔａｓｅｔａｎｎｏｔａｔｉｏｎ
为保证标记过程以及后期验证的准确性，标记分类过程也邀请福建省建瓯市林业局相关专家进行指导，并对后期测试集准确率进行统计，整体标记数据如表１所示㊂
表１㊀病害松木标注
Ｔａｂｌｅ１㊀Ｌａｂｅｌｉｎｇｏｆｄｉｓｅａｓｅｄｐｉｎｅｓ
标注类别松木状态病害特征标记株数Ｌｅｖｅｌ１轻度感染病株出现黄褐１４０２Ｌｅｖｅｌ２重度感染病株整体呈红褐９１７Ｌｅｖｅｌ３感染病死暗红且枝叶脱落４２３
２㊀基于深度学习的目标检测
目前，基于深度学习的目标检测框架主要分为ｏｎｅ⁃ｓｔａｇｅ与ｔｗｏ⁃ｓｔａｇｅ两类，基于ｔｗｏ⁃ｓｔａｇｅ的深度学习框架主要将检测任务分为回归（ｌｏｃａｔｉｏｎ）和分类任务，如ＦａｓｔＲ⁃ＣＮＮ［１２］㊁ＦａｓｔｅｒＲ⁃ＣＮＮ等，整体识别精度更高㊂基于ｏｎｅ⁃ｓｔａｇｅ的目标检测框架能够同时完成检测和回归任务，如ＳＳＤ㊁ＹＯＬＯｖ３等，整体运行速度相对较快㊂
ＦａｓｔｅｒＲ⁃ＣＮＮ是在ＦａｓｔＲ⁃ＣＮＮ的基础上构建区域预测网络（ＲＰＮ）并直接产生Ｒｅｇｉｏｎｐｒｏｐｏｓａｌ来代替其他方法得到ＲＯＩ，整体运行速度相比Ｒ⁃ＣＮＮ㊁ＦａｓｔＲ⁃ＣＮＮ得到巨大提升㊂ＹＯＬＯｖ３［１３］是在ＹＯＬＯ，ＹＯＬＯｖ２基础上对其缺点做出弥补与改进，显著提升网络的训练速度，可以实现任务的实时检测㊂相比ＹＯＬＯ与Ｒ⁃ＣＮＮ系列，ＳＳＤ［１４］则是同时借鉴了ＹＯＬＯ的网格化与ＦａｓｔｅｒＲ⁃ＣＮＮ的ａｎｃｈｏｒ机制，ＳＳＤ在最后以及高层特征层处均产生经过正负样本筛选的ａｎｃｈｏｒ，整体上兼具了快速与准确的识别特性㊂理论上，ｔｗｏ⁃ｓｔａｇｅ框架识别准确率更高，在速率上处于弱势；ｏｎｅ⁃ｓｔａｇｅ框架运行速
度更快，但在识别精度上做出了一定的牺牲㊂综合
而言，对于不同的环境条件和不同任务对象，３种
框架均有各自的优劣㊂
在本次训练过程中，面对试验区较多，数据采
集难度高㊁背景复杂㊁基础数据相对较少的情况，使
用ｆｉｎｅ⁃ｔｕｎｉｎｇ来提高模型性能，即使用较大型数据
量网络中预训练好的模型参数初始化网络，可以显
著提升网络训练的效率，节省训练时间，同时取得
更好的识别精度［１５］㊂考虑到本次工作主要用于辅助林场人员在后期实现对林区病害松木的判别和
整体病情进展监测，结合技术的实现成本和普及
性，最终确定选用台式计算机作为部署平台㊂硬件
主要信息如表２所示㊂
表２㊀计算机软件硬件环境具体信息
Ｔａｂｌｅ２㊀Ｓｐｅｃｉｆｉｃｉｎｆｏｒｍａｔｉｏｎｏｆｃｏｍｐｕｔｅｒｓｏｆｔｗａｒｅ
ａｎｄｈａｒｄｗａｒｅｅｎｖｉｒｏｎｍｅｎｔｓ
硬件信息软件信息
平台型号主频／内存平台版本
ＣＰＵｉ７⁃８７００ｋ３．７ＧＨｚＣＵＤＡ１０．０
ＲＡＭＤＤＲ４３２ＧＣＵＤＮＮ７．６．５
ＧＰＵＧＴＸ１０７０８ＧＭＸｅｔｇｌｕｏｎｃｖｍｘｎｅｔ⁃ｃｕ１００＝
１．５．００．７．０ｂ２０２００１１５㊀㊀搭配好硬件与软件平台后，调整数据规模㊁设置训练参数对最终试验效果也有直接影响，要充分考虑训练模型的规模以及最终训练精度㊁训练速度之间的多重平衡㊂相同硬件条件下，模型规模较大的计算机训练速度变慢，严重影响训练进程㊂在训练参数
方面，ｂａｔｃｈ⁃ｓｉｚｅ㊁ｅｐｏｃｈｓ㊁ｌｅａｒｎｉｎｇ＿ｒａｔｅ的设定尤为重要㊂在训练过程中，ｂａｔｃｈ⁃ｓｉｚｅ的大小决定了单次训练迭代（ｅｐｏｃｈｓ）时间和迭代（ｉｔｅｒａｔｉｏｎ）之间梯度的平滑程度，１个ｉｔｅｒａｔｉｏｎ等于使用ｂａｔｃｈ⁃ｓｉｚｅ个样本训练１次；学习率（ｌｅａｒｎｉｎｇｒａｔｅ）的设置尤为重要，当学习率设置过大或过小时，会出现收敛过程异常缓慢甚至无法收敛的情况，最终导致试验失败㊂结合试验环境㊁数据类型和各框架特性，最终试验参数设置见表３㊂
表３㊀各框架参数设置
Ｔａｂｌｅ３㊀Ｐａｒａｍｅｔｅｒｓｅｔｔｉｎｇｓｏｆｅａｃｈｆｒａｍｅ参数ＦａｓｔｅｒＲ⁃ＣＮＮＹＯＬＯｖ３ＳＳＤ
ｂａｓｅ⁃ｎｅｔｗｏｒｋｒｅｓｎｅｔ５０＿ｖ１ｂｄａｒｋｎｅｔ５３ｒｅｓｎｅｔ５０＿ｖ１ｂｂａｔｃｈ⁃ｓｉｚｅ１２２
ｅｐｏｃｈｓ１０００１０００１０００ｌｅａｒｎｉｎｇｒａｔｅ０．００１０．０００１０．００１３㊀不同框架性能分析
深度学习框架在训练过程中，损失函数与识别
４４１
atcc9372
㊀第６期李浩，等：基于深度学习的松材线虫病害松木识别
精度是评价模型准确与效果的重要指标，其中，损失函数主要用于估计模型预测与实际之间的差别程度㊂损失函数是一个绝对值，损失函数的值越小，说明该模型的拟合度越好㊂在本次试验中，ＳＳＤ与ＦａｓｔｅｒＲ⁃ＣＮＮ框架选用网络程度更深㊁运算量更小的深度残差网络ＲｅｓＮｅｔ５０［１６］代替ＶＧＧ１６作为前置网络，并分别选用ＳｍｏｏｔｈＬ１与ＣｒｏｓｓＥｎｔｏｒｙ；ＯｂｊＬｏｓｓ㊁ＢｏｘＣｅｎｔｅｒＬｏｓｓ㊁ＢｏｘＳｃａｌｅＬｏｓｓ
与ＣｌａｓｓＬｏｓｓ进行验证；ＹＯＬＯｖ３则以ｄａｒｋｎｅｔ作为前置网络，选用
ＯｂｊＬｏｓｓ㊁ＢｏｘＣｅｎｔｅｒＬｏｓｓ㊁
ＢｏｘＳｃａｌｅＬｏｓｓ以及ＣｌａｓｓＬｏｓｓ进行验证㊂作为机器学习中评价模型好坏的另一个指标，平均准确率（ｍＡＰ，公式中记为ｍＡＰ）的数值也至关重要㊂ｍＡＰ即平均ＡＰ（ａｖｅｒａｇｅｐｒｅｃｉｓｉｏｎ，公式中记为ＡＰ）值，
是对多个验证集求平均ＡＰ值，如式１所示：
ｍＡＰ＝
１
ＱＲ
ðｑɪＱＲＡＰ（ｑ）（１）
式中：ＱＲ为验证集个数；ｑ为单个验证集㊂
处理过程的性能分析如图３所示㊂从图３中的运行过程可以看到，ＹＯＬＯｖ３㊁ＳＳＤ㊁ＦａｓｔｅｒＲ⁃ＣＮＮ随着迭代次数的不断提升，损失函数曲线的数值也在逐渐降低，在经过１０００次迭代训练之
后，ＹＯＬＯｖ３㊁ＳＳＤ㊁ＦａｓｔｅｒＲ⁃ＣＮＮ的损失函数曲线都逐渐收敛并趋于平稳，验证了数据设置的合理性㊂在识别精度方面，整个训练过程中ＹＯＬＯｖ３的震荡最剧烈，ＳＳＤ整体状况居中，ＦａｓｔｅｒＲ⁃ＣＮＮ最出，收敛情况较ＹＯＬＯｖ３㊁ＳＳＤ表现更好㊂通过对比，ＦａｓｔｅｒＲ⁃ＣＮＮ无论是在Ｌｅｖｅｌ１㊁Ｌｅｖｅｌ２㊁Ｌｅｖｅｌ３还是平均精度值上，均明显优于ＳＳＤ与ＹＯＬＯｖ３，在架构上对识别精度做出一定牺牲的ＹＯＬＯｖ３则表现最差㊂经过统计，最终结果如表４所示
㊂
图３㊀各框架处理性能分析
Ｆｉｇ．３㊀Ａｎａｌｙｓｉｓｏｆｐｒｏｃｅｓｓｉｎｇｐｅｒｆｏｒｍａｎｃｅｏｆｅａｃｈｆｒａｍｅ
㊀㊀凭借ｏｎｅ⁃ｓｔａｇｅ的架构优势，ＳＳＤ与ＹＯＬＯｖ３
在图像处理速度上的优势十分明显，ＹＯＬＯｖ３的处理速度是基于ｔｗｏ⁃ｓｔａｇｅ的ＦａｓｔｅｒＲ⁃ＣＮＮ的２．８倍，达到了７．４０样本／ｓ，但是识别精度表现最差；ＦａｓｔｅｒＲ⁃ＣＮＮ处理速度为２．６０样本／ｓ，相比于居中的ＳＳＤ差距并不明显㊂基于ｔｗｏ⁃ｓｔａｇｅ的ＦａｓｔｅｒＲ⁃
ＣＮＮ在运行速度上相比ＹＯＬＯｖ３与ＳＳＤ处于劣势，考虑到部署平台并非无人机，虽然整体运行速度相对较慢，但结合ＦａｓｔｅｒＲ⁃ＣＮＮ在识别精度上展现出的巨大优势，总体上依然是ＦａｓｔｅｒＲ⁃ＣＮＮ表现最佳㊂
表４㊀各框架对不同病害程度松木识别效果
Ｔａｂｌｅ４㊀Ｒｅｃｏｇｎｉｔｉｏｎｒｅｓｕｌｔｓｏｆｅａｃｈｆｒａｍｅｏｎ
ｄｉｓｅａｓｅｄｐｉｎｅｗｉｔｈｄｉｆｆｅｒｅｎｔｄｅｇｒｅｅｓ
框架处理结果
Ｌｅｖｅｌ１Ｌｅｖｅｌ２Ｌｅｖｅｌ３ｍＡＰ处理速度／（样本㊃ｓ－１）
ＦａｓｔｅｒＲ⁃ＣＮＮ０．５６４０．７１８０．５０４０．５９５２．６０ＳＳＤ
０．４０４０．６０３０．３８６０．４６４３．４７ＹＯＬＯｖ３０．３５４
０．６１１
０．３２５
０．４３０
７．４０
４㊀结果分析
在本次试验处理中，同一试验环境下分别使用
５
４１
林业工程学报第６卷
ＦａｓｔｅｒＲ⁃ＣＮＮ㊁ＹＯＬＯｖ３和ＳＳＤ３种主流目标检测框架，将标记好的病害训练集进行训练，并对最终的识别结果进行分析对比，最终３种框架平台的训练识别效果如图４所示
㊂
图４㊀各框架最终识别效果
Ｆｉｇ．４㊀Ｆｉｎａｌｒｅｃｏｇｎｉｔｉｏｎｒｅｓｕｌｔｓｏｆｅａｃｈｆｒａｍｅ
㊀㊀由最终识别效果可知，在相同的试验环境下，
基于ｏｎｅ⁃ｓｔａｇｅ架构的ＹＯＬＯｖ３最终识别效果最
差，图像中许多明显已经病死的松木都未能被成功
识别，对松木病害程度的判定也出现了较为明显的
误差；同样基于ｏｎｅ⁃ｓｔａｇｅ架构的ＳＳＤ框架表现较
好，能够基本实现对病害松木的判别，但对于较为
极端的情况，也存在对松木病害程度判别失准的情
况；相比而言，ＦａｓｔｅｒＲ⁃ＣＮＮ模型实现了对病死松
木更加准确的判别，对于病害松木存在不同程度病
害的情况，检测框也通过颜和数值做出了详细的
分类，除了在个别样张中存在错检的情况，整体识
欧v客车别高效精准㊂经过最终识别与分析统计，ＦａｓｔｅｒＲ⁃
氟化氢ＣＮＮ㊁ＹＯＬＯｖ３和ＳＳＤ的整体识别正确率如表５
所示㊂
表５㊀各框架最终识别结果
Ｔａｂｌｅ５㊀Ｆｉｎａｌｒｅｃｏｇｎｉｔｉｏｎｒｅｓｕｌｔｓｏｆｅａｃｈｆｒａｍｅ
框架病松
数量Ｌｅｖｅｌ１Ｌｅｖｅｌ２Ｌｅｖｅｌ３
漏检
阿尔福斯数
错检
数
正确
率／％
ＦａｓｔｅｒＲ⁃ＣＮＮ２７４２１３３５８７８３８９４５８３１８８３．２
ＳＳＤ２７４２１０８３７２９２９５９２７２９１６６．２ＹＯＬＯｖ３２７４２８２９６７５１４４１２８４３６４５３．２㊀㊀试验结果表明，在测试的３种目标检测框架中，ＦａｓｔｅｒＲ⁃ＣＮＮ识别效果最佳，在整体测试的样本数量中正确率达到８３．２％，相比ＳＳＤ的６６．２％以及ＹＯＬＯｖ３的５３．２％优势明显㊂而从时间成本上考虑，利用深度学习框架对数据量较大的图像进行识别时，相比传统的人工标记也具有明显优势，能够更快更好地完成对林区病害的监测㊂
５㊀结㊀论
从整体上看，基于ＲｅｓＮｅｔ网络的ＦａｓｔｅｒＲ⁃ＣＮＮ目标检测框架对遥感影像中的病害松木做到了高效自动识别，相比ＳＳＤ以及ＹＯＬＯｖ３的效果更好，对于遥感影像中容易出现的光线不均匀以及背景对比不明显的情况能够做到很好地克服，ｆｉｎｅ⁃ｔｕｎｉｎｇ的加入使得在较少前期数据的情况也能达到较为理想的效果，高效快速地识别病害松木并判断其病害程度㊂该方法可以替代传统的人力勘测手段，满足林区遥感影像病害识别工作的任务要求，也为相关工作的深入研究奠定了
技术基础㊂对于识别过程中依然存在的个别误判现象，综合分析与图像采集区域较为分散㊁背景环境过于复杂以及计算机性能有限有关㊂相对于其他研究大都使用同一研究区数据进行测试和训练，本试验数据选自３个病害暴发区，数据本身存在更多差异
６４１
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议