基于无人机影像和MDIEA-YOLO苗木识别模型的造林验收智能系统

摘要

【目的】传统造林验收方法效率低且难以适应复杂场景，同时无人机影像难以直接用于AI模型输入，制约了造林智能化验收的实现。本研究针对造林验收场景提出一种基于无人机影像的MDIEA-YOLO检测模型，旨在实现对造林幼苗的高效识别与计数，提高造林验收的精确度和效率，为林业管理现代化提供技术支持。【方法】为实现上述目标，本研究开发了“多维交互增强注意力模块”（MDIEA），该模块融合了卷积块注意力机制和Shuffle Attention机制，能够高效处理复杂场景和小目标特征，显著提升网络的解析能力。通过将MDIEA嵌入YOLOv8特征提取网络，细化的通道和空间注意力加权增强了关键特征的识别能力。此外，引入XIoU损失函数优化了模型对小型和重叠目标的边界定位能力，进一步提升检测精度。最终，构建了基于无人机影像和MDIEA-YOLO模型的端到端影像预处理流程，实现了造林幼苗的自动识别与计数。【结果】在福建将乐国有林场的实验中，MDIEA-YOLO模型在1年生、2年生、3年生数据集上分别获得了97.5%、96.1%、96.8%的mAP0.5值，明显优于其他对比模型。在不同光照和分辨率条件下，MDIEA-YOLO模型的m AP0.5值均保持在92%以上，显示出良好的鲁棒性。在处理100张影像时，MDIEA-YOLO模型的CPU与GPU处理效率相近，无明显差异，表明该系统在实际应用中具有较高的灵活性和适应性。与人工检验对比发现，该系统在关键指标上展现了与人工检验相当甚至更高的准确性和效率，证明了系统的可靠性和实用性。【结论】本研究提出的造林验收无人机影像预处理系统，有效推动了造林验收的智能化进程，显著提升了验收效率和精度，为造林验收领域提供了新的技术解决方案，具备广泛的应用前景。未来，将继续优化模型性能，扩大数据集规模，以适应更广泛的应用场景，推动林业管理的现代化进程。

关键词

数字化造林验收 / 无人机(UAV) / 图像识别 / 小目标检测 / YOLOv8 / 注意力机制 / 损失函数优化