基于改进YOLOv10和无人机影像的树种识别

摘要

精准高效的森林树种识别是智慧林业实现的关键。传统的地面调查方法存在效率低、成本高等问题，而基于机器学习的树种识别方法通常依赖于大量的特征提取和先验知识。为解决这些问题，提出一种基于改进YOLOv10的无人机影像树种识别算法，通过轻量化网络设计和注意力机制增强，实现边缘设备的高效部署，为森林资源数字化管理提供技术支持。选取东北地区5种常见的树种落叶松（Larix gmelinii）、黄檗（Phellodendron amurense）、胡桃楸（Juglans mandshurica）、榆树（Ulmus pumila）和水曲柳（Fraxinus mandshurica）构建无人机影像数据集，通过采用轻量化卷积（Ghost）重构主干网络以降低计算复杂度。此外，在特征融合层引入卷积块注意力模块（Convolutional Block Attention Module,CBAM），通过通道和空间双维度的特征校准增强细粒度特征提取能力。通过双向跨尺度连接（BiFPN）优化多尺度特征融合，采用对称交并比损失函数（Symmetric Intersection over Union Loss,SIoU）改进边界框回归速度。最后于Jetson Nano嵌入式平台进行模型部署验证。改进后的YOLOv10模型在验证集上达到91.5%的查准率（Precision）和77.5%的mAP@0.5，分别较基线模型提升4.5%和3.8%。部署实测平均推理速度为43.5 FPS，较基线模型提升35.5%,mAP@0.5达75.7%。结果表明，YOLOv10改进算法通过轻量化架构和优化多尺度特征提取，在保持实时性的同时提升复杂林区场景的树种识别精度。该算法为无人机林业调查提供可嵌入式部署的解决方案，特别适用于林冠层重叠度高、光照条件多变的实际作业环境。

关键词

树种识别 / 深度学习 / 无人机 / YOLO / 目标检测