Wildlife image screening for infrared cameras based on YOLOv7
-
摘要:目的
野外环境通常植被繁茂、树木杂乱，且受环境、天气、光照等因素影响，红外相机易误触发拍摄，从而捕获大量废片，需要耗费大量人力进行筛选。为解决此类问题，本研究以YOLOv7模型为基础，对其进行轻量化改进，以实现对废片的自动筛选。
方法本研究构建了北京密云雾灵山自然保护区2014—2015年期间采集到的2 172张野生动物图像数据集，并对图像中出现的动物进行位置标记。对YOLOv7网络使用不同方式进行改进：引入MicroBlock替换YOLOv7的主干网络，使用轻量化SPPCSPC结构降低模型参数量。采用SIoU损失、LNDown下采样、BiFPN提升模型检测动物的能力。使用YOLOv5-m、YOLOv5-l、Ghost-YOLOv5-l、YOLOv6、YOLOX-M、YOLOR-CSP模型，在含有1万张图像的Snapshot Serengeti相机陷阱图像子数据集上进行训练和验证，对比本文模型对野生动物图像的筛选效果。利用迁移学习训练自建野生动物数据集，测试冻结不同层数的训练效果。
结果基于YOLOv7的改进模型推理时间降低了14.3%，每秒浮点运算次数FLOPS降低了33.5%，参数量减少了17.8%，误检测方面也优于YOLOv7模型。与其他模型进行对比，改进后的YOLOv7虽未在所有指标中均达到最优，但在检测时间与精度上达到了更好的平衡。在自建数据集中使用未冻结权重方式微调效果最优，平均精度比未使用迁移学习模型提高了12.6%。
结论本研究为密云地区野生动物监测网络提供了更快速、准确的筛选方案。
Abstract:ObjectiveDue to the lush vegetation and disorderly trees in the wild environment, as well as the influence of factors such as environment, weather, and lighting, infrared cameras are prone to triggering shooting errors, resulting in the capture of a large amount of waste film, which requires a lot of manpower for screening. To solve such problems, based on the YOLOv7 model, this paper has made lightweight improvements to achieve automatic screening of waste pieces.
MethodThis study constructed a dataset of 2 172 wildlife images collected from the Beijing Wuling Mountain Nature Reserve in the period of 2014−2015, and marked the positions of animals in the images. YOLOv7 network was improved in different ways. MicroBlock was introduced to replace the backbone network of YOLOv7, and the SPPCSPC structure was light-weighted to reduce the model parameters. SIoU loss, LNDown downsampling, and BiFPN were used to improve the model’s ability to detect animals. YOLOv5-m, YOLOv5-l, Ghost-YOLOv5-l, YOLOv6, YOLOX-M, and YOLOR-CSP models were trained on an Snapshot Serengeti camera trap subset dataset containing 10 000 images, and the screening effects of the model on wildlife images were compared. Transfer learning was used to train a self-built wildlife dataset, and the training effects of freezing different layers was tested.
ResultThe improved model based on YOLOv7 reduced inference time by 14.3%, floating-point operations per second by 33.5%, and parameters by 17.8% compared with the YOLOv7 network. The error detection of the improved YOLOv7 model was also better than that of YOLOv7. Although the improved YOLOv7 did not achieve the best performance in all indicators compared with other models, it achieved a better balance between detection time and accuracy. In the self-built dataset, the unfrozen weight method had the best effect, and average precision was 12.6% higher than that of the model without transfer learning.
ConclusionThis study provides a faster and more accurate screening solution for wildlife monitoring networks in the Mountain area of Beijing Miyun.
-
Keywords:
- wildlife image /
- image filtering /
- deep learning /
- object detection
-
白桦(Betula platyphylla)作为我国重要的阔叶用材树种，广泛分布于东北、华北、西北及西南高山林区等14个省区[1]，其木质坚硬，质地细白，在家具、建材、造纸等方面具有广泛用途。由于白桦为异花授粉树种，自交不育，基因型高度杂合，因此群体内个体间遗传差异十分明显，主要表现在个体间的干型、生长、适应性等性状各不相同。开展白桦家系多点造林试验，对不同地点间的参试家系进行选择，可最大限度地利用家系间及家系内个体间变异，加速白桦遗传改良进程。
研究团队于1997—2000年间，依据表型性状从帽儿山、草河口、辉南、露水河、汪清、小北湖和东方红等多个种源内筛选出若干株白桦优良单株，将这些优树个体分年度定植于棚式种子园内，建立了白桦初级实生种子园。前期，对园中母树自由授粉的半同胞子代在单一地点的试验结果进行过初步分析[2]，但是这仅为单一试验点的结果且林龄尚小。然而，通过多点试验研究，不仅能够分析各家系在单一地点的生长性状，同时也能够对参试家系进行基因型与环境交互作用的分析，是筛选对不同类型环境具有特殊适应性基因型的必要手段，也是进行优良家系选择及遗传改良的重要方法之一[3-4]。在以往的白桦多点试验研究中，本团队曾就白桦杂交子代2~5年生幼龄林测定数据进行过早期选择与评价[5-7]，但也仅限于幼龄林时期，尚未对成年林分进行跟踪调查。为此，本试验开展12年生自由授粉的半同胞家系多点子代测定研究，在进行优良家系选择的同时对建园母树进行评价，为白桦种子园的改建提供参考。
1. 材料与方法
1.1 试验材料及设计
试验材料为东北林业大学白桦初级实生种子园内53株白桦母树自由授粉的半同胞子代家系。2001年采种，2002年育苗，2003年分别在黑龙江省伊春市朗乡林业局小白林场、吉林省吉林市林业科学研究院实验林场、黑龙江省尚志市帽儿山实验林场营建白桦半同胞家系测定林，3个试验点地理与气候条件见表 1。试验林按照完全随机区组设计，在帽儿山试验点为20株双行排列，在吉林与朗乡2试验点为10株单行排列，株行距2m×2m，3次重复。2015年春分别对3个地点的12年生白桦半同胞子代试验林进行全林树高、胸径调查。
表 1 3个试验点的地理气候条件Table 1. Geographical and climatic conditions of the three test sites序号
No.试验点
Test site纬度
Latitude经度
Longitude年降水量
Annual precipitation/mm年平均温度
Annual average temperature/℃无霜期
Frost-freeseason/d土壤类型
Soil type1 朗乡
Langxiang46°48′N 128°50′E 676.0 1.0 100 永冻暗棕壤
Permafrost dark brown2 帽儿山
Maoershan45°16′N 127°31′E 666.1 2.4 120 暗棕壤
Dark brown3 吉林
Jilin43°40′N 126°40′E 700.0 4.1 135 暗棕壤
Dark brown1.2 数据调查处理
1.2.1 生长性状测量
采用超声波测高仪及塔尺测量树高，采用围尺测量胸径。家系保存率按各试验点内各家系实际保存株数计算。根据白桦的二元材积表公式计算单株材积：V=0.0000051935163D1.8586884H1.0038941[8]。
1.2.2 遗传参数估计
表型变异系数(PCV)采用公式：PCV=σˉX×100%，式中：σ为性状标准差，X为性状平均值[9]。
遗传增益(G)：G=h2SˉX×100%, 式中：h2为性状遗传力，S为入选各优良家系性状平均值与参试家系相应性状平均值的差值, X为参试家系性状平均值。
1.2.3 数据处理
方差分析及多重比较(Duncan)利用SPSS16.0和Microsoft Excel等统计分析软件进行计算。
各试验地点间及试验点内均采用双因素方差分析线性模型进行分析，其模型表达式及各参数含义详见参考文献[6]。
采用南京林业大学林木多地点半同胞子代测定遗传分析R语言程序包以及R软件进行多地点半同胞子代材积育种值BLUP估计。模型建立过程根据童春发[10-11]的方法进行，详见文献[11]。
BLUP的线性混合模型公式为[11]：
yy=XXβ+ZZu+e 式中: y为材积观测值向量，X和Z分别为β和u的相关矩阵，β为固定效应，u为随机遗传效应，e为随机误差效应。
2. 结果与分析
2.1 家系生长性状的多地点联合方差分析及主要遗传参数计算
3个地点联合方差分析(表 2)表明：单株材积、树高性状在地点间和家系间以及地点与家系的交互作用均表现出极显著(P＜0.01)的差异，胸径性状在地点间和家系间也表现出极显著(P＜0.01)的差异；说明不同家系在同一地点内生长差异明显，同一个家系在不同立地条件下的生长表现也各不一致，各地点与家系间存在较为明显的互作效应。
表 2 参试家系生长性状多地点联合方差分析Table 2. Joint variance analysis of growth traits for birch families at different sites生长性状
Growth trait变异来源
Source of variationdf SS MS F P 树高
Height(H)/m地点Site 2 1755.112 877.556 490.323** ＜0.01 地点内区组Site (Block) 6 315.480 52.580 29.378** ＜0.01 家系Family 52 351.766 6.765 3.780** ＜0.01 家系×地点Family×site(G×E) 104 474.421 4.562 2.549** ＜0.01 试验误差Experiment error 4065 7275.337 1.790 总变异Total variance 4230 423725.196 胸径
Diameter at breast height (DBH)/cm地点Site 2 3674.704 1837.352 435.896** ＜0.01 地点内区组Site (Block) 6 283.320 47.220 11.203** ＜0.01 家系Family 52 389.907 7.498 1.779** ＜0.01 家系×地点G×E 104 542.376 5.215 1.237 0.053 试验误差Experiment error 4065 17134.428 4.215 总变异Total variance 4230 366062.640 单株材积Volume(V)/m3 地点Site 2 0.189 0.094 509.010** ＜0.01 地点内区组Site (Block) 6 0.017 0.003 15.243** ＜0.01 家系Family 52 0.025 ＜0.001 2.621** ＜0.01 家系×地点G×E 104 0.029 ＜0.001 1.499** ＜0.01 试验误差Experiment error 4065 0.753 ＜0.001 总变异Total variance 4230 6.436 注: *差异显著，P＜0.05; **差异极显著，P＜0.01。下同。Notes: * means significant difference at P＜0.05 level; ** means extremely significant difference at P＜0.01 level. The same below. 单个地点的方差分析(表 3)表明：树高、胸径以及单株材积在家系间均达到差异显著(P＜0.05)或极显著(P＜0.01)水平，说明不同家系间生长存在明显差别。在3个试验点中，帽儿山试验点的白桦家系树高、胸径和单株材积生长表现最好，均值分别为10.3928m、9.6489cm和0.0408m3，且变异系数较小，分别为11.79%、22.64%和34.80%，说明参试家系在帽儿山试验点不仅生长量最大，而且生长整齐度也较好。吉林试验点的参试家系各性状均值均处于中间，生长变异水平也处于中等。朗乡试验点各性状均值最小，为8.6575m、7.1091cm和0.0226m3，这与当地年均温较低，无霜期较短等气候条件有关。
表 3 不同试验点间参试家系生长性状的遗传参数Table 3. Genetic parameters for growth traits of birch families at different sites试验地点
Test site性状
Growth trait均值
Mean标准差
Standarddeviation变幅
Amplitude ofvariation变异系数
Coefficient of variation/%F P 朗乡
Langxiang树高H/m 8.6575 1.6515 9.19~9.89 19.08 2.349 ** ＜0.01 胸径DBH/cm 7.1091 2.0069 5.90~8.34 28.23 1.446* 0.02 单株材积V/m3 0.0226 0.0119 0.0156~0.0311 52.65 1.650** ＜0.01 帽儿山
Maoershan树高H/m 10.3928 1.2252 9.39~11.30 11.79 7.984** ＜0.01 胸径DBH/cm 9.6489 2.1848 8.67~10.77 22.64 1.868** ＜0.01 单株材积V/m3 0.0408 0.0142 0.0331~0.0499 34.80 3.653** ＜0.01 吉林
Jilin树高H/m 9.7268 1.5534 8.15~11.00 15.97 3.408** ＜0.01 胸径DBH/cm 9.1610 1.9483 7.73~10.21 21.27 2.293** ＜0.01 单株材积V/m3 0.0351 0.0152 0.0231~0.0453 43.30 2.892** ＜0.01 2.2 各试验点参试家系生长性状多重比较及保存率比较
由于家系间各性状均达到显著差异水平(P＜0.05)，进而进行多重比较(表 4)，初步筛选优良家系。将树高、胸径和单株材积分别在各试验点按均值高低排序后发现，由于3个试验点地理环境各有不同，基因型与环境的交互作用明显，所以53个家系在不同试验点生长表现各有差异，因此首先考虑在各试验点内进行单点优良家系初选，然后再进行3试验点间的联合选择。
表 4 各试验地点参试家系生长性状多重比较Table 4. Multiple comparisons of birch H, DBH and V for the tested lines at different sites家系
Family朗乡Langxiang 帽儿山Maoershan 吉林Jilin 树高H/m 胸径DBH/cm 单株材积V/m3 树高H/m 胸径DBH/cm 单株材积V/m3 树高H/m 胸径DBH/cm 单株材积V/m3 B1 9.65 abcd 7.43 abcde 0.0291 ab 10.23 fghijklm 9.40 bcdef 0.0384 defghijkl 9.58 bcdefghijkl 9.28 abcdef 0.0335 bcdefghij B2 7.90 hijk 6.93 abcde 0.0193 bcdefgh 10.28 efghijkl 9.64 abcdef 0.0394 cdefghijkl 8.72 lm 7.73 g 0.0265 jk B3 8.30 defghijk 6.77 abcde 0.0209 abcdefgh 10.41 bcdefghijkl 9.47 bcdef 0.0406 cdefghijk 10.07 abcdefghij 9.50 abcdef 0.0395 abcdef B4 8.86 abcdefghij 7.05 abcde 0.0251 abcdefgh 9.67 nop 8.67 f 0.0331 l 9.56 bcdefghijkl 8.39 cdefg 0.0311 cdefghijk B5 9.53 abcde 7.79 abcd 0.0280 abcd 10.13 hijklmno 9.70 abcdef 0.0382 defghijkl 10.30 abcdef 9.44 abcdef 0.0394 abcdef B6 8.27 efghijk 6.81 abcde 0.0205 bcdefgh 10.34 cdefghijkl 9.27 cdef 0.0383 defghijkl 8.69 lm 9.15 abcdef 0.0278 ijk B7 9.11 abcdefghij 6.68 abcde 0.0230 abcdefgh 9.92 lmno 8.95 ef 0.0354 ijkl 9.24 hijkl 8.25 defg 0.0295 efghijk B8 8.14 fghijk 6.27 cde 0.0172 efgh 10.44 bcdefghijkl 9.15 cdef 0.0390 cdefghijkl 8.15 m 8.43 cdefg 0.0231 k B9 8.28 defghijk 6.05 de 0.0177 defgh 9.91 lmno 9.70 abcdef 0.0366 hijkl 9.83 bcdefghijk 8.58 cdefg 0.0326 cdefghijk B10 8.81 abcdefghij 8.34 a 0.0251 abcdefgh 10.56 bcdefghij 9.60 abcdef 0.0411 cdefghijk 9.77 bcdefghijk 8.82 abcdefg 0.0343 bcdefghij B11 8.29 defghijk 6.75 abcde 0.0221 abcdefgh 10.89 abc 9.50 bcdef 0.0425 bcdefghi 9.57 bcdefghijkl 9.57 abcdef 0.0348 bcdefghij B12 9.09 abcdefghij 6.91 abcde 0.0230 abcdefgh 10.47 bcdefghijkl 9.45 bcdef 0.0404 cdefghijk 9.71 bcdefghijk 8.35 cdefg 0.0321 cdefghijk B13 8.84 abcdefghij 7.09 abcde 0.0221 abcdefgh 10.35 cdefghijkl 9.89 abcde 0.0408 cdefghijk 9.92 bcdefghijk 9.14 abcdef 0.0356 abcdefghij B14 9.15 abcdefghi 7.65 abcde 0.0275 abcdef 10.45 bcdefghijkl 9.88 abcde 0.0415 bcdefghij 9.97 bcdefghijk 9.25 abcdef 0.0366 abcdefghij B15 9.52 abcde 7.50 abcde 0.0277 abcde 10.45 bcdefghijkl 10.47 ab 0.0437 abcdefgh 11.00 a 9.78 abc 0.0453 a B16 8.96 abcdefghij 7.29 abcde 0.0237 abcdefgh 10.94 ab 9.98 abcde 0.0460 abc 10.38 abcde 9.45 abcdef 0.0410 abcd B17 8.77 abcdefghij 8.18 ab 0.0247 abcdefgh 10.21 fghijklm 9.55 bcdef 0.0387 cdefghijkl 9.74 bcdefghijk 10.13 ab 0.0376 abcdefghi B18 9.72 ab 7.55 abcde 0.0284 abc 10.32 defghijkl 9.17 cdef 0.0382 defghijkl 9.74 bcdefghijk 9.36 abcdef 0.0351 abcdefghij B19 9.27 abcdefgh 7.54 abcde 0.0254 abcdefgh 10.42 bcdefghijkl 9.57 bcdef 0.0405 cdefghijk 10.26 abcdefg 9.72 abc 0.0400 abcde B20 8.53 abcdefghij 7.02 abcde 0.0215 abcdefgh 10.10 ijklmno 9.23 cdef 0.0371 fghijkl 9.04 kl 8.47 cdefg 0.0283 hijk B21 8.06 fghijk 7.06 abcde 0.0200 bcdefgh 10.58 bcdefghij 9.51 bcdef 0.0414 bcdefghij 9.05 kl 8.69 bcdefg 0.0292 fghijk B22 9.02 abcdefghij 7.91 abc 0.0262 abcdefg 10.01 jklmno 9.32 bcdef 0.0381 efghijkl 9.32 fghijkl 8.77 abcdefg 0.0302 efghijk B23 8.71 abcdefghij 6.44 bcde 0.0200 bcdefgh 10.23 fghijklm 9.33 bcdef 0.0398 cdefghijkl 9.37 fghijkl 8.63 cdefg 0.0336 bcdefghij B24 8.75 abcdefghij 6.97 abcde 0.0229 abcdefgh 10.09 ijklmno 9.49 bcdef 0.0385 cdefghijkl 9.15 jkl 9.01 abcdefg 0.0300 efghijk B25 7.98 ghijk 6.24 cde 0.0172 fgh 10.25 fghijklm 10.01 abcde 0.0418 bcdefghi 10.09 abcdefghij 9.57 abcdef 0.0385 abcdefgh B26 9.08 abcdefghij 7.77 abcd 0.0251 abcdefgh 9.72 mnop 9.05 def 0.0369 ghijkl 9.13 jkl 9.28 abcdef 0.0350 abcdefghij B27 8.41 bcdefghijk 7.23 abcde 0.0226 abcdefgh 10.32 defghijkl 9.81 abcdef 0.0410 cdefghijk 9.52 cdefghijkl 9.17 abcdef 0.0329 cdefghijk B28 8.77 abcdefghij 6.22 cde 0.0251 abcdefgh 10.07 jklmno 10.10 abcde 0.0407 cdefghijk 10.52 ab 10.10 ab 0.0453 a B29 7.19 k 6.12 cde 0.0161 gh 10.91 abc 9.87 abcde 0.0444 abcdef 9.95 bcdefghijk 9.50 abcdef 0.0374 abcdefghi B30 9.68 abc 6.47 bcde 0.0254 abcdefgh 10.65 bcdefghi 9.58 bcdef 0.0418 bcdefghi 9.73 bcdefghijk 9.28 abcdef 0.0346 bcdefghij B31 8.91 abcdefghij 6.80 abcde 0.0228 abcdefgh 10.40 bcdefghijkl 9.66 abcdef 0.0414 cdefghij 10.39 abcde 9.71 abc 0.0416 abc B32 8.48 bcdefghijk 7.62 abcde 0.0221 abcdefgh 10.38 bcdefghijkl 9.53 bcdef 0.0399 cdefghijkl 9.29 ghijkl 8.70 bcdefg 0.0303 efghijk B33 8.94 abcdefghij 7.66 abcde 0.0258 abcdefgh 10.29 efghijkl 9.19 cdef 0.0387 cdefghijkl 10.00 bcdefghijk 9.70 abcd 0.0390 abcdefg B34 9.89 a 7.88 abcd 0.0311 a 10.87 abcd 10.16 abcd 0.0458 abc 10.50 abc 9.78 abc 0.0414 abc B35 8.30 defghijk 6.93 abcde 0.0206 bcdefgh 10.83 abcde 10.77 a 0.0486 ab 9.70 bcdefghijk 8.75 bcdefg 0.0342 bcdefghij B36 8.08 fghijk 7.04 abcde 0.0189 bcdefgh 10.70 bcdefgh 10.09 abcde 0.0444 abcdef 10.00 bcdefghijk 9.44 abcdef 0.0368 abcdefghij B37 8.25 efghijk 7.49 abcde 0.0214 abcdefgh 10.58 bcdefghij 10.00 abcde 0.0435 abcdefgh 9.87 bcdefghijk 9.28 abcdef 0.0355 abcdefghij B38 8.31 cdefghijk 7.44 abcde 0.0239 abcdefgh 9.61 op 8.96 ef 0.0339 kl 9.27 ghijkl 8.87 abcdefg 0.0313 cdefghijk B39 8.56 abcdefghij 7.58 abcde 0.0226 abcdefgh 10.17 ghijklmn 9.82 abcdef 0.0404 cdefghijk 9.61 bcdefghijkl 8.84 abcdefg 0.0334 bcdefghij B40 7.81 ijk 6.57 abcde 0.0169 gh 11.30 a 10.31 abc 0.0499 a 9.96 bcdefghijk 9.37 abcdef 0.0382 abcdefghi B41 8.12 fghijk 6.91 abcde 0.0199 bcdefgh 10.66 bcdefghi 9.37 bcdef 0.0404 cdefghijk 10.17 abcdefghi 9.34 abcdef 0.0382 abcdefghi B42 8.79 abcdefghij 7.33 abcde 0.0229 abcdefgh 10.91 abc 10.11 abcde 0.0456 abcd 9.96 bcdefghijk 9.75 abc 0.0382 abcdefghi B43 8.73 abcdefghij 7.76 abcd 0.0250 abcdefgh 10.69 bcdefgh 9.50 bcdef 0.0427 bcdefghi 9.83 bcdefghijk 9.36 abcdef 0.0356 abcdefghij B44 7.74 jk 7.11 abcde 0.0185 cdefgh 10.69 bcdefgh 10.04 abcde 0.0442 abcdefg 10.21 abcdefgh 9.61 abcdef 0.0389 abcdefgh B45 9.45 abcdef 7.41 abcde 0.0285 abc 10.69 bcdefgh 10.27 abc 0.0452 abcde 9.50 defghijkl 9.51 abcdef 0.0344 bcdefghij B46 8.93 abcdefghij 7.85 abcd 0.0245 abcdefgh 10.50 bcdefghijk 9.86 abcde 0.0418 bcdefghi 9.48 efghijkl 8.20 efg 0.0300 efghijk B47 8.66 abcdefghij 6.29 cde 0.0196 bcdefgh 9.39 p 9.37 bcdef 0.0342 jkl 9.19 ijkl 8.19 fg 0.0308 defghijk B48 9.33 abcdefg 6.54 abcde 0.0222 abcdefgh 10.73 bcdefg 10.33 abc 0.0452 abcde 9.96 bcdefghijk 9.46 abcdef 0.0364 abcdefghij B49 7.84 ijk 5.90 e 0.0156 h 10.41 bcdefghijkl 9.04 def 0.0384 defghijkl 10.11 abcdefghij 9.39 abcdef 0.0380 abcdefghi B50 8.15 efghijk 6.42 bcde 0.0183 cdefgh 10.55 bcdefghij 10.23 abcd 0.0436 abcdefgh 10.06 bcdefghij 9.66 abcde 0.0389 abcdefgh B51 8.96 abcdefghij 7.94 abc 0.0248 abcdefgh 10.45 bcdefghijkl 9.61 abcdef 0.0413 cdefghij 10.48 abcd 10.21 a 0.0439 ab B52 8.18 efghijk 7.14 abcde 0.0195 bcdefgh 9.97 klmno 9.20 cdef 0.0354 ijkl 9.06 kl 8.52 cdefg 0.0284 ghijk B53 7.83 ijk 7.13 abcde 0.0184 cdefgh 10.75 bcdef 9.67 abcdef 0.0427 bcdefghi 9.86 bcdefghijk 9.13 abcdefg 0.0352 abcdefghij 注：表中不同字母表示在P < 0.05水平上差异显著。Note: different letters mean significant difference at P < 0.05 level. 在朗乡试验点，若以各性状均值加上0.2倍标准差为选择条件，则3个性状均高于选择标准的有：B5、B14、B15、B18、B19、B22、B26和B34家系，这8个家系为生长性状最优家系，其树高、胸径和单株材积均值分别为：9.40m、7.70cm和0.0274m3, 分别高于参试家系均值的8.54%、8.30%和21.49%，仅有2个生长性状高于选择标准的有：B1、B10、B33、B43和B45家系，为生长良好家系，其树高、胸径和单株材积均值分别为：9.12m、7.72cm和0.0267m3。根据多重比较结果，朗乡试验点初步选择这13个家系为优良家系，入选率为24.53%。依据上述选择标准，在帽儿山试验点生长最优家系为B34、B35、B36、B40、B42、B45和B48，这7个家系的树高、胸径和单株材积均值为：10.86m、10.29cm、0.0464m3，分别高于参试家系均值的4.51%、6.66%和13.76%，较好家系为B15、B16、B29和B44，其树高、胸径和单株材积均值为：10.75m、10.09cm和0.0446m3，因此，这11个家系入选为帽儿山试验点的优良家系，入选率为20.75%。同样选择标准，在吉林试验点选择B15、B19、B25、B28、B31、B34、B44、B50、B51、B3、B5、B16、B33、B41和B42等15个家系为优良家系，入选率为28.30%。
进而对3个试验地点的选优结果进行比较发现：B34、B15家系在3个地点均入选为优良家系，说明这2个家系在各试验地不仅生长表现较为优异，而且生长稳定性也良好，是参试家系中的最优家系。另外，入选的优良家系中有些家系仅在2个地点表现良好，如在朗乡与吉林2试验点生长良好的是B5、B19和B33家系；在帽儿山与吉林2试验点均表现较好的是B16、B42和B44家系；在朗乡与帽儿山2试验点表现较好的是B45家系，说明这些家系虽然生长表现优良，但适应能力略低于B34、B15这2个最优家系。其余优良家系仅在其所入选地点内表现优良，说明这些家系由于基因型与环境交互作用的差异而导致的适应范围各有不同，所以仅在适宜其生长的地点表现良好。
参试的53个白桦家系在各试验点平均保存率不尽相同(表 5)。3个地点中吉林试验点的各家系保存率最好，53个家系保存率均值为69.75%，有12个家系的保存率大于80.00%，其中B9家系保存率高达96.67%，B8家系保存率最低，仅为43.33%；帽儿山试验点53个家系保存率均值为60.40%，其中保存率最高的是B14家系，为94.29%, 保存率最低的是B3家系，仅为38.57%；朗乡试验点参试家系保存率均值为54.34%，B35和B25家系的保存率最高，为90.00%，B4、B50等2个家系次之，其他49个家系的保存率均在80.00%以下，B53、B51家系保存率最低，仅为23.33%。
表 5 各试验地点参试家系保存率Table 5. Preservation rate for the tested families at different sites参试家系
Tested family保存率Preservation rate/% 3个地点保存率均值
Average preservation rate at three sites/%朗乡
Langxiang帽儿山
Maoershan吉林
JilinB1 40.00 55.71 63.33 53.01 B2 30.00 61.43 60.00 50.48 B3 66.67 38.57 46.67 50.64 B4 83.33 51.43 83.33 72.70 B5 73.33 45.71 76.67 65.24 B6 56.67 58.57 53.33 56.19 B7 33.33 62.86 70.00 55.40 B8 63.33 62.86 43.33 56.51 B9 40.00 50.00 96.67 62.22 B10 60.00 65.71 73.33 66.35 B11 26.67 62.86 76.67 55.40 B12 70.00 68.57 80.00 72.86 B13 66.67 68.57 83.33 72.86 B14 43.33 94.29 53.33 63.65 B15 30.00 50.00 53.33 44.44 B16 50.00 65.71 70.00 61.90 B17 40.00 65.71 76.67 60.79 B18 70.00 60.00 76.67 68.89 B19 76.67 51.43 63.33 63.81 B20 76.67 65.71 76.67 73.02 B21 73.33 61.43 66.67 67.14 B22 56.67 64.29 73.33 64.76 B23 33.33 54.29 90.00 59.21 B24 50.00 57.14 66.67 57.94 B25 90.00 55.71 76.67 74.13 B26 50.00 57.14 50.00 52.38 B27 50.00 60.00 70.00 60.00 B28 30.00 57.14 70.00 52.38 B29 36.67 70.00 70.00 58.89 B30 53.33 71.43 86.67 70.48 B31 36.67 65.71 60.00 54.13 B32 56.67 67.14 80.00 67.94 B33 63.33 54.29 76.67 64.76 B34 56.67 60.00 73.33 63.33 B35 90.00 67.14 66.67 74.60 B36 53.33 61.43 83.33 66.03 B37 53.33 68.57 76.67 66.19 B38 46.67 44.29 50.00 46.99 B39 63.33 50.00 60.00 57.78 B40 66.67 75.71 83.33 75.24 B41 70.00 70.00 80.00 73.33 B42 40.00 71.43 86.67 66.03 B43 70.00 70.00 76.67 72.22 B44 36.67 61.43 80.00 59.37 B45 60.00 58.57 46.67 55.08 B46 66.67 64.29 76.67 69.21 B47 53.33 44.29 70.00 55.87 B48 63.33 62.86 73.33 66.51 B49 46.67 40.00 60.00 48.89 B50 86.67 55.71 60.00 67.46 B51 23.33 60.00 76.67 53.33 B52 33.33 57.14 56.67 49.05 B53 23.33 57.14 46.67 42.38 2.3 参试家系材积性状育种值估算及优良家系选择
上述针对各试验点各家系间的树高、胸径和单株材积等3个性状单独进行了方差分析、多重比较及各试验点的优良家系初步筛选。但优良家系的评定往往应考虑多个地点的综合表现，考虑到材积是公认的反映立地质量的林木生长主要性状，并且是能够综合体现树高性状与胸径性状的高低最直接的指标。因此，在本研究中选择BLUP模型利用各家系在3个试验点的单株材积数据进行育种值估算，进而进行家系的评价和选择(表 6)。
表 6 参试家系材积性状育种值Table 6. Breeding value for volume of birch families综合排名
Comprehensive ranking家系
Family育种值
Breeding value标准误
Standard error1 B34 0.009487 0.408866 2 B15 0.008838 0.400508 3 B28 0.007473 0.404450 4 B16 0.006786 0.408455 5 B51 0.005843 0.403728 6 B40 0.005191 0.411808 7 B42 0.005067 0.408921 8 B45 0.004931 0.406538 9 B48 0.003846 0.409883 10 B35 0.003845 0.411074 11 B19 0.002876 0.408067 12 B31 0.002838 0.405394 13 B5 0.002812 0.409427 14 B43 0.002792 0.411366 15 B14 0.002778 0.410816 16 B44 0.002584 0.407243 17 B36 0.002060 0.409832 18 B29 0.001729 0.407011 19 B33 0.001726 0.409499 20 B11 0.001424 0.404868 21 B37 0.001349 0.409699 22 B17 0.001340 0.407742 23 B30 0.001311 0.410246 24 B18 0.001297 0.410728 25 B10 0.001276 0.409895 26 B50 0.001214 0.409561 27 B41 0.000381 0.411618 28 B3 0.000183 0.403408 29 B26 0.000130 0.405231 30 B13 -0.000096 0.410798 31 B53 -0.000154 0.399256 32 B1 -0.000505 0.405265 33 B46 -0.001507 0.410566 34 B25 -0.001666 0.411684 35 B39 -0.001780 0.407691 36 B12 -0.002024 0.411479 37 B22 -0.002113 0.409472 38 B23 -0.002169 0.405577 39 B27 -0.002352 0.407904 40 B32 -0.003134 0.410325 41 B24 -0.003471 0.407761 42 B49 -0.003577 0.402874 43 B21 -0.004966 0.409794 44 B20 -0.005170 0.411443 45 B7 -0.005506 0.405812 46 B38 -0.005755 0.403724 47 B6 -0.005835 0.406911 48 B9 -0.005966 0.407067 49 B4 -0.005967 0.410607 50 B2 -0.006776 0.403709 51 B47 -0.007239 0.407103 52 B52 -0.007793 0.403611 53 B8 -0.007885 0.406856 由育种值的结果可以看出，与前文多重比较选择的结果基本一致，综合排名在第1位的是B34家系，第2位的是B15家系，B28、B16、B51、B40、B42、B45、B48、B35、B19等家系次之。若以20.00%入选率为选择标准，则以上排名前11位的家系入选为优良家系，入选的优良家系材积均值分别较朗乡、帽儿山和吉林等3个地点的参试家系均值高8.29%、9.80%和13.60%，材积性状在3个地点的遗传增益分别为3.23%、7.16%和8.84%。
3. 结论与讨论
研究基因型与环境交互作用效应对林木遗传改良具有重要意义[12-13]。对3个参试地点的白桦家系生长性状遗传变异分析显示，位于小兴安岭朗乡试验点参试的白桦家系生长量明显低于另外2个试验点，但各性状的变异系数却普遍偏高。这与该试验点所处的地理位置以及特殊的气候环境密切相关，朗乡试验点位于纬度较高的小兴安岭地区，无霜期短，年均温与≥10℃年积温均较低，而参试的大部分家系原产地均处于纬度较低的张广才岭与长白山地区，原产地与造林地环境差异较大，导致参试白桦家系间产生较大分化，有部分家系生长较好，而大多数家系则长势较弱。从而导致了在朗乡试验点定植的家系各性状生长量较低，并且变异系数较高。但这也为抗逆性家系的选择提供了可能，在较恶劣环境条件下依然能保持稳定的生产力以及较高保存率的家系必然是首选，如B5、B19等家系在朗乡试验点生长性状均排在前列并且保存率均高于70.00%。另外2个试验点环境条件虽较朗乡试验点优越但家系生长依然各有差异，因此，分别依据参试家系在各试验点的生长表现，利用多重比较的结果在各试验点内进行了优良家系的初选。
早期选择可靠性及选择年龄的确定等问题一直以来都备受国内外同行关注。但是，越来越多的试验分析表明林木早期选择具有较高的可信度。如油松(Pinus tabulaeformis)、马尾松(P. massoniana)等树种的育种实践证明对生长期达1/4~1/2轮伐期的林分即可进行早期选择，并且早期选择的效率更高[14]。白桦人工林的主伐年龄为31~41年生[15]，本项研究所选取的对象为12年生白桦半同胞家系子代测定林，其林龄已达1/3轮伐期，因此，对其进行早期选择应该具有较高准确性。
对于多点造林试验，由于待测群体数量庞大，加之各造林点间的地理气候环境不尽相同，试验林的保存率也各不相同，导致观测数据复杂多样，给遗传评价和选择带来相当难度[16-17]。而育种值的估算恰恰能克服这一问题，它能体现表型值中遗传效应的加性效应部分，对群体规模大、结构复杂的不平衡数据进行统计分析时，能有效地剔除各种非遗传因素的影响，因而具有较高的选择准确性，已被广泛应用于马尾松、火炬松(Pinus taeda)、尾叶桉(Eucalyptus urophylla)等多个树种的选择中，是一种较理想的综合评价方法[18-20]。本研究采用BLUP最佳线性无偏预测模型参试家系进行多地点材积育种值估算，依据育种值高低对参试家系进行综合评价，以20.00%入选率为标准选择育种值排名前11位的家系为优良家系。同时，基于各地点白桦半同胞子代测定林生长表现分析结果，建议种子园改建时B34和B15这2个家系的采种母树为首选保留母树，B28、B16、B51、B40、B42、B45、B48、B35、B19这9个家系的采种母树为备选母树。
-
![]()
图 4 YOLOv7结构图
k. 卷积核大小 Kernel size; s. 步长 Stride. 下同。The same below.
Figure 4. YOLOv7 structure diagram
![]()
图 8 分组数量与通道数和连通性关系
Figure 8. Relationship between the number of groups, channel count and connectivity
![]()
图 10 SIoU损失
B. 预测框中心点The center point of the predicted box；Bgt. 真实框中心点The center point of the ground truth bounding box；σ. 预测框与真实框中心点连接线The connection line between the predicted box and the center point of the ground truth bounding box；α. 预测框与真实框中心点连接线与x轴夹角The angle between the predicted box and the center point of the ground truth bounding box and the x-axis；cw，ch. 预测框与真实框中心点的宽度和高度差The width and height difference between the center point of the predicted box and the center point of the ground truth bounding box；c′w，c′h. 预测框与真实框的外接矩形的宽和高The width and height of the external rectangle of the predicted box and the ground truth bounding box
Figure 10. SIoU loss
![]()
图 11 LNDown结构
b. 批次 Batch；c. 通道数量 Number of channels；w. 特征图宽度 Feature map width；h. 特征图高度 Feature map height. 下同。The same below.
Figure 11. LNDown structure
![]()
图 16 冻结不同层数平均精度曲线
Figure 16. Freeze average precision curves of different freezing layers
表 1 模型增强研究结果
Table 1 Results of models enhancement study
模型
Model参数量
Parameter quantity每秒浮点运算次数
Floating-point operation
per second (FLOPS)权重
Weight/%平均精度
Average
precision/%漏检误差
Omission
error/%错分误差
Commission
error/%推理速度
Inference speed/msYOLOv7 36.5 × 106 104.7 × 109 72.0 80.0 28.2 15.5 17.5 YOLOv7 + MicroBlock 31.3 × 106 72.7 × 109 61.5 78.9 30.1 13.0 15.6 YOLOv7 + Slim-SPPFCSPC 33.9 × 106 101.2 × 109 66.5 79.7 29.7 13.5 16.4 YOLOv7 + SIoU 36.5 × 106 104.7 × 109 72.0 81.0 27.0 15.3 17.6 YOLOv7 + LNDown 37.2 × 106 100.6 × 109 72.8 81.1 28.9 11.5 17.8 YOLOv7 + BiFPN 36.8 × 106 104.5 × 109 72.0 80.4 29.8 11.4 17.9 本模型 Our model 30.0 × 106 69.6 × 109 59.0 80.5 28.5 12.7 15.0 注：推理速度是指模型推理一张图像所需的时间。Note: Inference speed is the time it takes the model to infer an image. 
下载: 导出CSV
表 2 不同模型在SS数据集子集上检测结果
Table 2 Detection results of different models on the SS subset
模型
Model参数量
Parameter quantityFLOPS 权重
Weight/%平均精度
Average precision/%漏检误差
Omission error/%错分误差
Commission error/%推理速度
Inference speed/msYOLOv5-m 21.2 × 106 49.0 × 109 41.0 80.2 28.8 16.0 14.5 YOLOv5-l 46.5 × 106 109.1 × 109 89.0 81.0 28.1 12.6 18.1 Ghost-YOLOv5-l 20.4 × 106 43.1 × 109 41.7 80.7 28.9 11.9 21.4 YOLOv6 34.9 × 106 85.8 × 109 72.5 79.8 27.7 16.3 17.2 YOLOX-M 25.3 × 106 73.8 × 109 194.0 80.6 28.9 12.2 19.2 YOLOR-CSP 52.9 × 106 110.1 × 109 203.0 80.4 30.6 11.6 18.4 本模型 Our model 30.0 × 106 69.6 × 109 59.0 80.5 27.9 12.7 15.0
下载: 导出CSV
表 3 迁移学习不同冻结方案结果
Table 3 Results of different freezing layers for transfer learning
% 冻结层数
Frozen layer平均精度
Average
precision漏检误差
Omission
error错分误差
Commission
error未迁移 Not transferred 69.5 37.5 21.9 0 82.1 24.8 11.4 3 81.9 28.0 10.2 5 76.7 33.3 13.4 11（冻结主干）
11 (freeze backbone)64.3 46.2 19.2
下载: 导出CSV
表 4 本文算法在自建数据集筛选结果
Table 4 Our algorithm filter results in the self-built dataset
真正例数量
Number of true positive假正例数量
Number of false positive真负例数量
Number of true negative假负例数量
Number of false negative漏检误差
Omission error/%错分误差
Commission error/%191 5 195 9 4.5 2.6
下载: 导出CSV
-
[1] Kays R, McShea W J, Wikelski M. Born-digital biodiversity data: millions and billions[J]. Diversity and Distributions, 2020, 26(5): 644−648. doi: 10.1111/ddi.12993
[2] 肖治术, 肖文宏, 王天明, 等. 中国野生动物红外相机监测与研究: 现状及未来[J]. 生物多样性, 2022, 30: 234−259. Xiao Z S, Xiao W H, Wang T M, et al. Infrared camera monitoring and research on wildlife in China: current status and future[J]. Biodiversity, 2022, 30: 234−259.
[3] Villa A G, Salazar A, Vargas F. Towards automatic wild animal monitoring: identification of animal species in camera-trap images using very deep convolutional neural networks[J]. Ecological Informatics, 2017, 41: 24−32. doi: 10.1016/j.ecoinf.2017.07.004
[4] Norouzzadeh M S, Nguyen A, Kosmala M, et al. Automatically identifying, counting, and describing wild animals in camera-trap images with deep learning[J]. Proceedings of the National Academy of Sciences, 2018, 115(25): e5716−e5725.
[5] Schneider S, Greenberg S, Taylor G W, et al. Three critical factors affecting automated image species recognition performance for camera traps[J]. Ecology and Evolution, 2020, 10(7): 3503−3517.
[6] Guo Y, Rothfus T A, Ashour A S, et al. Varied channels region proposal and classification network for wildlife image classification under complex environment[J]. IET Image Processing, 2020, 14(4): 585−591. doi: 10.1049/iet-ipr.2019.1042
[7] Chen P, Swarup P, Matkowski W M, et al. A study on giant panda recognition based on images of a large proportion of captive pandas[J]. Ecology and Evolution, 2020, 10(7): 3561−3573. doi: 10.1002/ece3.6152
[8] Tan M, Chao W, Cheng J K, et al. Animal detection and classification from camera trap images using different mainstream object detection architectures[J]. Animals, 2022, 12(15): 1976. doi: 10.3390/ani12151976
[9] Cai Z, Vasconcelos N. Cascade r-cnn: delving into high quality object detection[C]// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Salt Lake: IEEE, 2018: 6154−6162.
[10] Tian Z, Shen C, Chen H, et al. Fcos: fully convolutional one-stage object detection[C]//Proceedings of the IEEE/CVF International Conference on Computer Vision. Seoul: IEEE, 2019: 9627−9636.
[11] Vecvanags A, Aktas K, Pavlovs I, et al. Ungulate detection and species classification from camera trap images using RetinaNet and faster R-CNN[J]. Entropy, 2022, 24(3): 353. doi: 10.3390/e24030353
[12] Roy A M, Bhaduri J, Kumar T, et al. WilDect-YOLO: an efficient and robust computer vision-based accurate object localization model for automated endangered wildlife detection[J]. Ecological Informatics, 2023, 75: 101919. doi: 10.1016/j.ecoinf.2022.101919
[13] Huang G, Liu Z, van der Maaten L, et al. Densely connected convolutional networks[C]// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Hawaii: IEEE, 2017: 4700−4708.
[14] Li Y, Chen Y, Dai X, et al. Micronet: improving image recognition with extremely low flops[C]// Proceedings of the IEEE/CVF International Conference on Computer Vision. Montreal: IEEE, 2021: 468−477.
[15] Tan M, Pang R, Le Q V. Efficientdet: scalable and efficient object detection[C]// Proceedings of the IEEE/CVF conference on computer vision and pattern recognition. Seattle: IEEE, 2020: 10781−10790.
[16] He K, Zhang X, Ren S, et al. Spatial pyramid pooling in deep convolutional networks for visual recognition[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2015, 37(9): 1904−1916. doi: 10.1109/TPAMI.2015.2389824
[17] Liu Z, Mao H, Wu C Y, et al. A convnet for the 2020s[C]// Proceedings of the IEEE/CVF conference on computer vision and pattern recognition. New Orleans: IEEE, 2022: 11976−11986.
[18] Ge Z, Liu S, Wang F, et al, Yolox: exceeding yolo series in 2021[J/OL]. arXiv preprint arXiv: 2107.08430, 2021 [2023−12−23]. https://arxiv.linfen3.top/pdf/2107.08430.pdf.
[19] Wang C Y, Yeh I H, Liao H Y M. You only learn one representation: unified network for multiple tasks[J/OL]. arXiv preprint arXiv: 2105.04206. 2021 [2023−12−23]. https://arxiv.linfen3.top/abs/2105.04206.pdf.
-
期刊类型引用(3)
1. 管奥，毋玉婷，陈宇，孙扬，祁鹏志，郭宝英. 曼氏无针乌贼转录组微卫星特征分析. 渔业科学进展. 2018(03): 144-151 . 
百度学术
2. 杜改改，孙鹏，索玉静，韩卫娟，刁松锋，傅建敏，李芳东. 基于柿雌雄花芽转录组测序的SSR和SNP多态性分析. 中国农业大学学报. 2017(10): 45-55 . 百度学术
3. 梅利那，范付华，崔博文，文晓鹏. 基于马尾松转录组的SSR分子标记开发及种质鉴定. 农业生物技术学报. 2017(06): 991-1002 . 百度学术
其他类型引用(5)
计量
- 文章访问数: 455
- HTML全文浏览量: 214
- PDF下载量: 84
- 被引次数: 8
