基于无人机图像和改进LSC-CNN模型的密集苗木检测和计数方法.pdf

2024年9月第6卷第5期智慧农业（中英文）SmartAgricultureSept.2024Vol.6,No.5

基于无人机图像和改进LSC-CNN模型的

密集苗木检测和计数方法

1，31，2，3，4*1，41，35

彭小丹，陈锋军，朱学岩，才嘉伟，顾梦梦

（1.北京林业大学工学院，北京100083，中国；2.林木资源高效生产全国重点实验室，北京100083，中国；3.城乡生

态环境北京实验室，北京100083，中国；4.林业装备与自动化国家林业和草原局重点实验室，北京100083，中国；

5.科罗拉多州立大学园艺与景观建筑系，柯林斯堡80523，美国）

摘要：［［目的目的/意义意义］］快速、准确地统计密集种植的苗木数量对苗木经营管理具有重要意义。为解决无人机航拍

的密集种植苗木图像中苗木粘连、尺度差异大的问题，提出以点标签数据为监督信号的改进密集检测计数模型

（Locate,SizeandCount,LSC-CNN），同时实现苗木的检测和计数。［［方法方法］］改进的LSC-CNN模型通过将LSC-CNN

模型特征提取网络的最后一层卷积替换为扩张卷积（DilatedConvolutions,DConv），实现在保留苗木细节特征的同

时扩大感受野，帮助模型更好地理解上下文信息以区分粘连苗木。此外，在多个尺度分支前引入注意力机制

（ConvolutionalBlockAttentionModule,CBAM）使模型聚焦于有助于苗木检测和计数的关键特征，以更好地适应不

同尺度的苗木。为解决类别不平衡问题，提高模型的泛化能力，将损失函数替换为标签平滑交叉熵损失函数。［［结结

果和讨论果和讨论］］经测试，改进LSC-CNN模型在456幅苗木图像的测试集上的平均绝对误差（MeanAbsoluteError,

MAE）、均方根误差（RootMeanSquareError,RMSE）和平均计数准确率（MeanCountingAccurate,MCA）分别为

14.24株、22.22株和91.23%，三项指标均优于IntegrateNet、PSGCNet、CANet、CSRNet、CLTR和LSC-CNN模型。

［［结论结论］］改进LSC-CNN模型能够准确实现密集种植苗木的检测和计数，适用于多种树木的检测和计数工作。

关键词：无人机；密集种植；计数；多尺度；LSC-CNN

中图分类号：TP391.4文献标志码：A文章编号：SA202404011

引用格式：彭小丹,陈锋军,朱学岩,才嘉伟,顾梦梦.基于无人机图像和改进LSC-CNN模型的密集苗木检测和计数

方法[J].智慧农业(中英文),2024,6(5):88-97.DOI：10.12133/j.smartag.SA202404011

PENGXiaodan,CHENFengjun,ZHUXueyan,CAIJiawei,GUMengmeng.DenseNurseryStockDetectingandCount‐

ingBasedonUAVAerialImagesandImprovedLSC-CNN[J].SmartAgriculture,2024,6(5):88-97.DOI：10.12133/j.

smartag.SA202404011(inChinesewithEnglishabstract)

0引言苗木计数的研究，从最初的基于目标检测的方法到