中国是世界上拥有竹类资源最多的国家，毛竹具有较大的经济、生态、食用和药用价值。毛竹笋的生长发育具有一种独特的高生长现象或高生长期，就是茎秆伸长非常迅速，同时胸径增速和出笋率也很高，高生长阶段对竹林培育、经营和毛竹生长发育研究非常重要。由于毛竹笋出土的时间和位置不确定且高增长速度快，外加竹林环境的限制，目前尚无实时、高效、精准的监测方法。本研究提出了一种基于深度学习的毛竹笋高生长信息获取方法，首先搭建网络摄像头采集竹林图像并进行预处理，然后从目标检测、实例分割的角度分别研究毛竹笋的静态检测，再以静态检测为基础提出动态跟踪方法，最后开发毛竹笋高生长在线监测软件，为毛竹林估产、灌溉施肥管理、退笋处理等提供决策支持，也为农林领域其它类似问题提供方法参考。 主要的工作和结果如下： 1）毛竹笋数据集的采集与预处理。获取高清图像是长势研究的前提，首先搭建林间摄像头实时采集图像存储于云服务器，摄像头由太阳能电池板、蓄电池供电，本机从服务器下载后进行数据扩增以增强多样性，再进行数据标注为后续试验做准备。 2）基于深度学习的毛竹笋高生长静态检测。分别以典型模型YOLOv4、MaskR-CNN为例进行试验，从先验框、预测框及检测框的角度对模型进行优化训练得最终模型Bamboo-YOLOv4、Bamboo-Mask，提高了检测精度，降低了漏检率。基于目标检测算法生成的检测框可得到图像中毛竹笋的数量及对应像素高度。基于实例分割算法还可根据获得的语义信息与Graham算法结合计算各毛竹笋的像素地径。由结果可知，Bamboo-YOLOv4对应的评价指标mAP、F、IoU均高于Bamboo-Mask对应值。 3）毛竹笋高生长动态跟踪。提出了基于检测框坐标排序、筛选的动态跟踪方法，并将Bamboo-YOLOv4、Bamboo-Mask分别部署到服务器进行试验验证。结果表明，前者更适用于监测毛竹笋整个生长阶段的长势变化。 4）毛竹笋高生长在线监测软件的开发。基于Qt库，集成Bamboo-YOLOv4静态检测与动态跟踪算法开发的毛竹笋高生长在线监测人机交互界面可方便竹林管理者在线监测毛竹笋的长势情况，并提供查询历史数据、绘图等功能。
NETL
