摘要
苗木库存统计对苗木企业核算生产成本、开展销售、估计收益和优化产品结构都是非常重要的工作。目前通常采用的是人工手动统计，存在季节性用工需求大、耗时长、成本高但是不能保证准确率的问题，严重制约相关企业的发展，迫切需要自动、高效准确的苗木库存统计方法。本文以云杉为对象，重点研究云杉数量统计的关键技术和方法，具体如下： 首先，建立云杉图像数据集并研究利用无人机采集云杉图像的关键技术。确定无人机云杉图像采集的安全环境参数，提出根据树冠直径的地面分辨率确定无人机飞行高度和航拍面积的方案。通过该方案采集可用云杉图像558幅，通过调整对比度和缩放大小的方式扩充云杉数据集，按PascalVOC格式搭建包含1674幅云杉图像的数据集，利用LabelImg软件进行手工标注。 其次，改进YOLOv3模型，提出基于图像的云杉数量统计方法。针对单幅静态图像，通过设计特征提取网络、密集连接模块和椭圆边界框预测模块改进YOLOv3模型，提出一种基于改进YOLOv3模型的云杉数量统计方法，有效解决静态图像中云杉目标稠密和粘连的问题。改进的YOLOv3模型平均速度为0.415秒/幅，平均计数准确率（MeanCountingAccuracy,MCA）为97.88%，均方根误差（RootMeanSquaredError,RMSE）为4.02，总体误差（DifferencePercent,Dp）为3.76%，其中过估计（OverestimatePercent,Op）为1.92%，欠估计（UnderestimatePercent,Up）为1.84%。针对单幅图像覆盖范围有限的问题，采用SIFT算法拼接图像并对拼接后的云杉图像分别进行横向和纵向裁剪，之后将裁剪图像分别输入改进YOLOv3模型进行数量统计，拼接图像数量统计结果即为横向裁剪和纵向裁剪数量统计结果和的一半，各项评价标准MCA为93.64%，RMSE为75.19，Dp为6.52%，其中Op为4.03%，Up为2.49%。实验证明无论对云杉图像是否进行拼接，改进YOLOv3模型都可以准确的统计云杉数量。 再次，改进DeepSort算法并结合改进的YOLOv3模型，建立基于视频的云杉数量统计方法。针对大面积种植云杉的情况统计大地块云杉的数量，分析视频采集中摄像头移动规律和云杉遮挡的特点，改进DeepSort算法的外观匹配部分的深度特征提取网络，提出基于改进YOLOv3和改进DeepSort的视频云杉数量统计方法。通过改进YOLOv3检测云杉并从零开始编码，通过改进DeepSort预测和匹配云杉。改进DeepSort算法采用卡尔曼滤波预测云杉，采用运动匹配、外观匹配和级联匹配三种方式实现不同帧云杉检测框和预测框的匹配以及编码的更新，视频云杉数量统计结果即为编码的最大值。实验结果表明视频云杉数量统计方法MCA为90.81%，RMSE为440.13，Dp为10.08%，其中Op为0，Up为10.08%，可以对大面积种植的云杉快速准确的统计数量。 最后，利用PyQt5开发基于图像和视频的云杉数量统计软件系统。通过对比单幅静态图像、拼接图像和视频三种方法在性能、工作范围和运行速度的差异，明确三种方法的应用场景，开发云杉数量统计的软件系统。经过测试表明该软件系统工作稳定可靠，三种云杉数量统计方法为自动快速准确的苗木数量统计提供了一种有效的解决方案。
NETL