關鍵詞：無人機;目標檢測;目標跟蹤;入侵農(nóng)田;YOLO算法;SORT算法

0 引言（Introduction）

目標檢測和跟蹤技術在無人機領域已經(jīng)得到廣泛應用，但針對入侵農(nóng)田目標的檢測與跟蹤仍然是一個具有挑戰(zhàn)性的任務。過去的研究主要集中在目標檢測和跟蹤算法的獨立應用，缺乏針對入侵農(nóng)田場景的綜合解決方案。針對這一問題，提出一種基于YOLO算法和SORT算法[1]的無人機目標檢測與跟蹤方法，實現(xiàn)對入侵農(nóng)田目標的檢測與跟蹤。傳統(tǒng)的農(nóng)田保護手段存在諸多限制，例如人力不足、監(jiān)控范圍有限等，而無人機技術[2]的迅猛發(fā)展為解決這些問題提供了全新思路，無人機具有高空航拍的能力，可以覆蓋大面積的農(nóng)田和實時獲取圖像數(shù)據(jù)。結合目標檢測和跟蹤算法，可以快速、準確地識別和追蹤入侵農(nóng)田的目標，為保護試驗田提供有力的支持[3-5]。

本文基于YOLO算法實現(xiàn)實時目標檢測，它通過將目標檢測任務轉化為單次前向傳播的回歸問題，能夠準確地檢測出入侵農(nóng)田的目標。同時，采用SORT算法進行目標的跟蹤，該算法基于卡爾曼濾波器[6]實現(xiàn)了實時目標跟蹤，能夠預測和修正目標的位置和狀態(tài)。將基于YOLO算法和SORT算法的無人機目標檢測與跟蹤系統(tǒng)應用于海南試驗田保護中，通過無人機的高空視角和目標檢測與跟蹤算法的支持，系統(tǒng)可以及時發(fā)現(xiàn)入侵農(nóng)田的目標，并通過監(jiān)控和警報系統(tǒng)進行及時響應，有助于減少入侵農(nóng)田事件的發(fā)生，提高農(nóng)田的安全保護水平。

1 算法原理（Algorithm principle）

1.1 YOLO算法

YOLO（You Only Look Once）算法是一種基于深度學習的目標檢測算法，其核心思想是將目標檢測任務轉化為一個回歸問題。YOLO將圖像分割為S×S 個網(wǎng)格，并預測每個網(wǎng)格中存在的目標類別和邊界框，檢測過程示意圖如圖1所示。

通過在訓練過程中學習目標的外觀和上下文信息，YOLO能夠快速且高效地進行目標檢測。本文使用YOLO算法對無人機拍攝的農(nóng)田圖像進行實時目標檢測，以準確識別入侵農(nóng)田的目標。

1.2SORT算法

SORT（Simple Online and Realtime Tracking）算法是一種基于卡爾曼濾波器的實時目標跟蹤算法。SORT算法通過對目標的狀態(tài)進行預測和修正，實現(xiàn)對目標在連續(xù)幀中的穩(wěn)定跟蹤，其核心算法流程如圖2所示。

首先，SORT算法通過對每個檢測到的目標進行特征提取，并基于這些特征構建卡爾曼濾波器模型。其次，通過預測目標的位置和狀態(tài)，與檢測結果進行匹配和關聯(lián)，實現(xiàn)目標的連續(xù)跟蹤。SORT算法具有較高的跟蹤準確性和魯棒性，在處理正在運動變化或被遮擋等情況的入侵農(nóng)田目標時表現(xiàn)良好。

綜合運用YOLO算法和SORT算法，首先利用無人機高空航拍視角獲取農(nóng)田圖像數(shù)據(jù)。然后，通過YOLO算法對圖像進行實時目標檢測，準確識別入侵農(nóng)田的目標。接下來，采用SORT算法對檢測到的目標進行連續(xù)跟蹤，通過預測和修正目標的位置和狀態(tài)，實現(xiàn)對入侵目標的持續(xù)跟蹤。

2 無人機目標檢測與跟蹤系統(tǒng)的設計（Designof UAV target detection and tracking system）

2.1 獲取入侵目標信息

為快速獲取入侵農(nóng)田目標信息，本研究搭建了一個生物入侵檢測與防護系統(tǒng)的平臺，該平臺主要分為4個板塊，分別是雷達、無人機、工控機和云服務器。雷達的作用主要是收集雷達波束范圍內(nèi)的移動目標信息，并將結果反饋給工控機，工控機通過計算入侵事件及類型以判斷是否啟用無人機，無人機將拍攝到的視頻信息、圖像信息發(fā)送給終端顯示并進行存儲，以便后期與算法系統(tǒng)進行通信，該平臺結構如圖3所示。

2.2 目標檢測

要使用YOLO算法進行目標檢測，首先，需要收集并標注訓練數(shù)據(jù)集。數(shù)據(jù)集應包含帶有特定標記的圖像，每個標記應包括對象的邊界框和類別標簽。其次，安裝所需的依賴項，例如Python、OpenCV和深度學習庫[7]以及TensorFlow 或PyTorch，確保所有依賴項都進行了正確的安裝和配置。最后，進行參數(shù)設置，一是設置要檢測的視頻路徑，二是加載訓練好的配置、模型權重參數(shù)，三是訓練數(shù)據(jù)集的標簽名稱（類別）文件，它們的路徑分別由變量labelsPath、weightsPath、configPath表示。此外，需要設置一些預定義的參數(shù)如filter_confidence（置信度閾值）和threshold_prob（非極大值抑制閾值），它們分別用于篩除置信度過低的識別結果和利用NMS（非極大值抑制）去除重復的錨框。載入模型參數(shù)配置代碼（節(jié)選）如下：

通過上面給出的路徑，從配置和參數(shù)文件中載入模型，載入模型時使用OpenCV的readNetFromDarknet方法載入，同時利用這個方法載入自行訓練的模型權重進行檢測操作。為了標記檢測到的目標框及目標移動路徑，創(chuàng)建兩個變量用來存儲標記框的顏色及目標移動路徑的點坐標。準備工作完成后，開始從視頻文件路徑初始化視頻對象，嘗試讀取視頻幀并獲取視頻總幀數(shù)（total）和每幀畫面的尺寸（vw，vh），同時創(chuàng)建一個視頻寫入對象output_video以保存檢測標記的視頻。接下來，開始遍歷視頻幀進行檢測，為了清楚地顯示檢測進度，使用了tqdm，它可以在運行的命令行中顯示當前的進度條。讀取當前視頻幀可以使用OpenCV中VideoCapture的read（），該方法用于返回當前畫面和讀取到的標記，通過標記判斷是否到達視頻的最后一幀。在for循環(huán)中，將當前讀取到的畫面幀讀入YOLO網(wǎng)絡中，利用網(wǎng)絡預測前，需要對輸入畫面進行處理，利用cv2.dnn.blobFromImage對圖像進行歸一化，并將其尺寸設置為（415，415），這也是YOLO網(wǎng)絡進行訓練時的圖片尺寸。處理完成后，可利用net.forward進行預測，以此獲得檢測結果，檢測結果是按檢測對象存放的，在循環(huán)中還需根據(jù)置信度的閾值過濾掉一些置信度值不高的結果。對于結果中可能存在的重復或者接近的標記框位置，可以使用NMS [8]技術進行去除。最終得到去除后的索引，利用其可以得到NMS操作后的標記框坐標、置信度值和類別序號列表，并將其存放在dets變量中。目標檢測效果如圖4所示[9-10]。

2.3 目標跟蹤

首先初始化一個SORT對象tracker，使用tracker.update方法進行跟蹤，得到跟蹤的標記結果boxes（標記框坐標）、indexIDs（當前目標計數(shù)序號，即第幾個出現(xiàn)的目標）、cls_IDs（類別序號）。得到跟蹤結果后，在圖像幀中進行標記。然后開始遍歷所有的標記框，按照標記框的坐標以及對應的類別、置信度值、目標個數(shù)即可實現(xiàn)可視化的效果。為了更加形象地了解目標運動的情況，通過遍歷pts變量，利用OpenCV[11]的cv2.line方法繪制出目標的運動軌跡[12]。標記目標運動軌跡代碼（節(jié)選）如下：

3 實驗結果與分析（Experimental results andanalysis）

為了評估基于YOLO算法和SORT算法的無人機目標檢測與跟蹤系統(tǒng)在保護海南試驗田中的應用效果，研究人員進行了一系列實驗并對實驗結果進行了詳細分析。

首先，在海南試驗田中選擇多個入侵農(nóng)田目標場景，并利用無人機進行航拍，以獲取大量的農(nóng)田圖像數(shù)據(jù)。這些圖像數(shù)據(jù)包含不同類型的入侵目標，如行人和動物。其次，將這些圖像數(shù)據(jù)輸入系統(tǒng)中，進行實時目標檢測和跟蹤。實驗結果表明，基于YOLO算法和SORT算法的無人機目標檢測與跟蹤系統(tǒng)能夠快速準確地檢測和跟蹤入侵農(nóng)田目標。對于目標檢測，YOLO算法能夠有效地識別不同類型的入侵目標，并提供準確的位置信息和類別標簽。對于目標跟蹤，SORT算法能夠?qū)崿F(xiàn)目標的連續(xù)跟蹤，并提供目標的軌跡信息。

進一步分析實驗結果發(fā)現(xiàn)，該系統(tǒng)在入侵農(nóng)田目標的檢測和跟蹤方面具有較高的準確性和魯棒性，能夠在不同光照條件下對目標進行準確檢測，并能夠應對目標在運動中的位置變化和有遮擋物等情況。此外，系統(tǒng)具備較低的漏檢率和誤檢率，能夠有效區(qū)分入侵目標和背景干擾物，提高了檢測和跟蹤的可靠性。

4 討論與展望（Discussion and outlook）

本系統(tǒng)盡管在實驗中表現(xiàn)出良好的性能，但仍存在一定的局限性，如系統(tǒng)的性能可能受到天氣條件、光照變化以及目標遮擋等因素的影響。未來的研究可以進一步優(yōu)化算法，提高系統(tǒng)對復雜場景和惡劣環(huán)境的適應性，以提高檢測和跟蹤的準確性和魯棒性。目前，系統(tǒng)主要針對入侵農(nóng)田目標進行檢測和跟蹤，但在實際的工作中，農(nóng)田保護還涉及其他方面，如病蟲害監(jiān)測和土壤質(zhì)量評估等。以后的工作可以將系統(tǒng)擴展到更多的農(nóng)田保護領域，以實現(xiàn)全面的農(nóng)田監(jiān)測和管理。同時，數(shù)據(jù)集的建立和更新也是一個重要的研究方向。系統(tǒng)的性能在很大程度上取決于訓練數(shù)據(jù)的質(zhì)量和覆蓋范圍。將來，可以建立更大規(guī)模、更豐富多樣的農(nóng)田數(shù)據(jù)集，包括不同地區(qū)和不同季節(jié)的圖像數(shù)據(jù)，以提升系統(tǒng)的泛化能力和適應性。

隨著技術的不斷發(fā)展，新的算法和技術將不斷涌現(xiàn)，為無人機目標檢測與跟蹤系統(tǒng)的發(fā)展和應用帶來更多的機遇和挑戰(zhàn)。例如，結合深度學習和強化學習的方法將進一步提升系統(tǒng)的性能。此外，利用多傳感器融合和云計算等技術也可以增強系統(tǒng)的處理能力和擴展性。

綜上所述，基于YOLO算法和SORT算法的無人機目標檢測與跟蹤系統(tǒng)在保護海南試驗田中展現(xiàn)了良好的應用前景。未來的研究可以繼續(xù)就改進系統(tǒng)性能、擴展應用領域等方面進行探索，并結合新的技術和方法，為農(nóng)田保護工作提供更加高效和可靠的解決方案。

5 結論（Conclusion

本文提出一種基于YOLO算法和SORT算法的無人機目標檢測與跟蹤系統(tǒng)，可以實時、準確地檢測和跟蹤入侵農(nóng)田目標。首先利用雷達收集在農(nóng)田范圍內(nèi)的移動信號。其次通過計算信號點的信號強度判斷是否為入侵目標，如果發(fā)現(xiàn)入侵目標，雷達會將信號反饋給工控機，由工控機控制無人機前去目標點拍攝圖像。再次利用無人機與算法系統(tǒng)的通信啟用YOLO算法及SORT算法，完成目標的檢測與跟蹤。最后根據(jù)監(jiān)控畫面決定是否拉響警報系統(tǒng)，阻止入侵目標對農(nóng)田的進一步損害。

該系統(tǒng)的應用為海南試驗田的保護工作提供了有力的支持，它可以大幅提高監(jiān)測效率，減少人力資源的投入。同時，系統(tǒng)的自動化和實時性能夠快速響應入侵事件，提高農(nóng)田的安全保護水平，能夠更好地保護農(nóng)田資源，促進農(nóng)業(yè)的可持續(xù)發(fā)展。這項研究對于提高農(nóng)田保護工作的效率和精確性具有重要意義，并且能為未來的相關研究和實踐提供有益的參考。