使用Yolov5进行修改的生成对抗网络,用于从空中图像和Taboo搜索算法的自动森林健康诊断
Prabhu Jayagopal1, Kumar Purushothaman Janaki1, Prakash Mohan2
1School of Computer Science Engineering and Information Systems, Vellore Institute of Technology, Vellore, 632014, India.
Scientific reports
|February 27, 2024
概括
本研究介绍了一种结合修改生成对抗网络 (MGAN) 和YOLOv5的AI模型,用于使用空中图像进行自动森林健康评估. 该模型准确地检测不健康的树木,有助于早期森林火灾预防和生态系统监测.
科学领域:
- 环境科学 环境科学
- 计算机科学 计算机科学
- 林业林业 林业 林业 林业
背景情况:
- 气候变化对森林生态系统产生重大影响,导致树木死亡率增加和森林火灾.
- 早期检测树木健康状况对于预防森林火灾和生态系统管理至关重要.
- 对空中图像的自动分析为森林健康监测提供了一个可扩展的解决方案.
研究的目的:
- 开发和评估一种新的人工智能驱动的方法,用于使用空中图像进行自动化森林健康评估.
- 通过合成数据生成,解决森林健康诊断中的数据稀缺问题.
- 提高识别和分类不健康森林区域的准确性和效率.
主要方法:
- 集成修改生成对抗网络 (MGANs) 进行合成数据生成和YOLOv5 (你只看一次版本5) 进行对象检测.
- 应用 Tabu 搜索算法 (TSA) 来优化不健康森林区域的识别和分类.
- 利用空中影像来早期检测已故和活着的树木.
主要成果:
- 拟议的MGAN-YOLOv5方法实现了高性能指标:98.66%的精度,99.99%的回忆,97.77%的F1得分和99.99%的准确性.
- 证明了快速检测,响应时间为3.543ms,计算时间为5.987ms.
- 在平均平均精度 (mAP) 中,超过现有的目标检测方法至少2%的性能.
结论:
- 开发的AI模型有效地从空中图像中诊断森林健康状况,提供强大而精确的解决方案.
- 通过MGANs生成合成数据成功地减轻了数据稀缺性,提高了模型的概括性.
- MGAN,YOLOv5和TSA的组合为实时,现场森林健康监测和早期火灾风险评估提供了强大的工具.
