Naufal Najif Zhorif、Rahmat Kenzie Anandyto、Albrizy Ullaya Rusyadi和Edy Irwansyah四位来自印尼Bina Nusantara大学计算机科学学院的研究者于2024年7月在《International Journal of Advanced Computer Science and Applications》（IJACSA）发表了一项利用深度学习技术实现油棕树自动化计数的原创研究。该研究聚焦农业生产管理领域，针对印度尼西亚（全球最大棕榈油生产国）油棕种植园人工巡检存在的效率低下、成本高昂及安全隐患等问题，创新性地将YOLOv8m目标检测模型与切片辅助超推理（Slicing Aided Hyper Inference, SAHI）方法相结合，开发了一套基于无人机高分辨率航拍图像的油棕树自动计数系统。

学术背景

棕榈油产业占印尼国民经济的重要地位，2023年种植面积达11.6万公顷，产量约4700万吨。传统人工清点油棕树存在明显弊端：劳动强度大、耗时（大面积种植园需数周）、高空作业风险（成熟油棕树高度可达15米），且易受主观误差影响。尽管航拍技术能快速获取大范围种植园影像，但高分辨率图像（如单幅36,336×27,084像素覆盖73.2公顷）中小目标（单棵油棕树仅占数十像素）的检测仍是技术难点。此前研究多采用YOLOv3/v5或Faster R-CNN模型，但存在实时性不足（Faster R-CNN）或小目标漏检率较高（YOLO系列）的缺陷。本研究旨在通过SAHI方法提升YOLOv8m对小目标的检测精度，实现高效、准确的油棕树自动化普查。

研究流程与方法

1. 数据采集与预处理

   • 研究区域：印度尼西亚北苏门答腊省Gunung Bayu种植园的6个区块（12AK、13L、13M为训练集；14AC、14AE、14AF为测试集），总面积超过150公顷。
     
   • 设备：采用Trinity F90+无人机（搭载42.4MP索尼相机，飞行高度200米，单次覆盖700公顷）获取RGB影像。
     
   • 图像处理：
     
     • 使用Agisoft Metashape软件拼接原始影像生成地理参考的GeoTIFF文件；
       
     • 通过ArcGIS Pro转换为PNG格式；
       
     • 采用Photoshop按13×13网格切片（单幅1,399×1,392像素），共生成200张基础图像；
       
     • 使用Roboflow标注工具对油棕树冠中心标注边界框（bounding box），并通过水平/垂直翻转、90°旋转等数据增强扩增至516张训练图像。
       

2. 模型开发与优化

   • 基准模型：基于YOLOv8m架构（Google Colab环境，NVIDIA A100 GPU），输入图像尺寸800×800像素，默认超参数训练78个epoch，总耗时9分39秒。关键指标：查全率（recall）0.899、精确率（precision）0.932、F1分数0.916。
     
   • SAHI集成：
     
     • 切片尺寸3,000×3,000像素，重叠率20%；
       
     • 置信度阈值设为0.55，以减少误检；
       
     • 对测试集（73.2公顷全幅图像）分块推理后融合检测结果。
       

3. 评估方法
   采用平均绝对百分比误差（MAPE）量化模型计数精度，公式为：
   [ MAPE = \frac{1}{n}\sum_{t=1}^{n}\left| \frac{A_t - F_t}{A_t} \right| ]
   其中(A_t)为人工计数真值，(F_t)为模型预测值。

核心结果

1. 模型性能

   • 未使用SAHI时：73.2公顷图像（置信度0.55）未能检测任何油棕树；即便降低置信度至0.1，检测框质量仍较差。而在1公顷小区域测试中，MAPE为2.64%（147棵检测vs 151棵真实）。
     
   • SAHI启用后：73.2公顷范围内检测到9,498棵油棕树（真实值9,668棵），MAPE大幅降至1.75%，总处理耗时5分45秒。分区块统计显示：
     
     • 14AC区块：检测3,154棵（真实3,154棵，100%准确）；
       
     • 14AE区块：检测3,236棵（真实3,278棵，漏检42棵）；
       
     • 14AF区块：检测3,108棵（真实3,236棵，漏检128棵）。
       

2. 对比分析
   相比同类研究，本方案在检测面积（73.2公顷 vs 文献[11]的12公顷）、精度（MAPE 1.75% vs 文献[10]的5.76%）上均有突破，但处理速度稍逊（1公顷需6秒 vs 文献[13]的16.1毫秒）。值得注意的是，模型对枯死或病态油棕树的识别能力较弱，主因训练数据多样性不足。

结论与价值

本研究证实YOLOv8m+SAHI的组合可有效解决高分辨率航拍图像中小目标检测难题，为大面积油棕种植园自动化管理提供了可行方案。其科学价值在于：
1. 方法创新：首次将SAHI切片推理应用于农业遥感目标检测，通过分块处理提升小目标敏感度；
2. 工程意义：单次处理73.2公顷的效能满足实际生产需求，MAPE 1.75%的精度显著优于人工巡检；
3. 技术普适性：该框架可扩展至其他作物监测或林业资源调查。

亮点与不足

• 亮点：
  
  • 检测面积创领域新高（较前人研究大6–73倍）；
    
  • 开源工具链（YOLOv8+Roboflow+SAHI）降低技术门槛；
    
  • 明确量化指标（MAPE+耗时）便于工业界评估。
    
• 局限：
  
  • 枯死/病态油棕树检测需扩充异质性数据；
    
  • 超参数未优化（如学习率、锚框尺寸），可能限制模型潜力。
    

作者建议后续研究关注多时相影像分析以跟踪树木生长状态，并通过迁移学习提升模型泛化能力。该成果获Bina Nusantara大学国际研究计划资助（合同号097/VRRTT/VII/2024），相关代码与数据集有望开源推动领域发展。