Plant Phenomics | 南京林業大學利用改進的深度學習方法探索基于無人機圖像的松樹枯萎病近距離檢測方法

松樹枯萎病（PWD）是一種由松木線蟲引起的疾病，屬于破壞性極大的森林病害，對中國的針葉林構成嚴重威脅。為了更好的檢測和控制松樹枯萎病的蔓延，迫切需要一種實時、高效的方法來檢測受感染的樹木。然而，現有的目標檢測模型在兼顧輕量級設計和準確性方面往往面臨挑戰，尤其是在復雜的混交林中。
 

2023年12月，Plant Phenomics 在線發表了南京林業大學題為 Exploring the Close-Range Detection of UAV-Based Images on Pine Wilt Disease by an Improved Deep Learning Method 的研究論文。
 

該文研究人員針對 YOLOv5s（You Only Look Once version 5s）算法進行了改進，提出了實時高效模型 PWD-YOLO。首先，構建了一個由多個相連的 RepVGG 塊組成的輕量骨架，這種設計避免了不同網絡之間的流動所造成的額外計算負擔，并通過其獨特的殘差設計進一步彌補了多分支結構的缺點，大大提高了模型的推理速度。針對計算量小導致信道信息丟失的缺點，該模型的特征融合網絡提出了擁有更豐富梯度流信息的 C2fCA 模塊，并引入了 GSConv 網絡，取代了原算法的 C3 模塊和常規卷積，在速度和精度之間取得了平衡。最后采用雙向特征金字塔網絡（BiFPN）策略，加強網絡中多個尺度的 PWD 感染樹之間的信息傳播和共享。
 

圖 2 LabelImg 標注的不同環境下的數據示例。(A) 紅色闊葉樹和裸露土地。(B) 紅色闊葉樹。(C) 目標遮擋。(D) 紅色闊葉樹和目標遮擋。(E) 枯樹和不完整目標。(F) 枯樹和目標遮擋。(G) 多尺度和枯樹。(H) 小目標。
 

圖3  YOLOv5 的網絡架構
 

圖8 PWD-YOLO的網絡構架
 

圖 9 不同模型在不同復雜環境中檢測 PWD 的結果。(A) 紅色闊葉樹。(B) 紅色闊葉樹。(C) 紅色闊葉樹。(D) 裸地。(E) 密集目標。
 

本研究根據實際需求，通過改進 YOLOv5，提出了一種實時高效的檢測方法，驗證了僅利用無人機獲取的 RGB 圖像檢測復雜混交林中感染松樹枯萎病的變色樹木的有效性和可行性。所提出的 PWD-YOLO 的F1分數和mAP@0.5分別達到83%和87.7%，比原來的YOLOv5s（82%和86.2%）分別高出1%和1.5%，表現出很強的魯棒性。與其他主流物體檢測模型相比，PWD-YOLO 在模型輕量化方面具有顯著優勢，模型大小、計算復雜度和參數大小分別僅為 2.7 MB、3.5 GFLOPs 和 1.09 MB。在檢測速度方面，每秒幀數達到了 98.0，更適合部署在消費級無人機等嵌入式設備上。在測試集上進行評估時，所提出的模型的精確度、召回率和 F1 分數分別達到了 93.9%、92.5% 和 95.3%。這表明即使在不同的森林環境中，該模型也具有出色的泛化能力。
 

圖 10. 不同干擾條件下 YOLOv5s 和 PWD-YOLO 熱圖的可視化結果。(A) 紅色闊葉樹和枯樹。(B) 密集目標。(C) 紅色闊葉樹。(D) 紅色闊葉樹和裸露土地。(E) 目標不完整。(F) 枯死樹木和裸露土地。

總的來說PWD-YOLO 能夠作為一種有效的工具在各種環境下實時、準確地檢測感染松樹枯萎病的樹木，為控制松樹枯萎病的傳播提供強有力的技術支持，滿足森林管理的實際需求。該方法還為消費級無人機結合深度學習算法在森林資源監測、精準林業、智慧林業等相關領域的應用提供了寶貴的啟示，展示了廣闊的實際應用前景。
 

本研究中使用和分析的部分數據、代碼和優化模型已上傳至網站：https://github.com/YeXinQuan/PWD-YOLO。

此外，本研究中的所有自制數據集（共 6,308 張）可通過聯系相應作者獲得。

論文鏈接：

https://spj.science.org/doi/10.34133/plantphenomics.0129

——推薦閱讀——

CountShoots: Automatic detection and counting of slash pine new shoots using UAV imagery

https://spj.science.org/doi/10.34133/plantphenomics.0065

Plant Phenomics | "CountShoots"：一種使用無人機圖像的濕地松新抽梢自動檢測和計數軟件

ExtSpecR: a R package and tool for extracting trees spectra from UAV-based remote sensing 

https://spj.science.org/doi/10.34133/plantphenomics.0103

Plant Phenomics | ExtSpecR：無人機與R語言聯手，樹木光譜分析更簡單

加入作者交流群

掃碼添加小編微信，拉您進入《植物表型組學》作者交流群，群內不定期開展作者分享會、專刊發布會等高質量活動。

添加小編微信，備注姓名+單位+PP，加入作者交流群

About Plant Phenomics

《植物表型組學》（Plant Phenomics）是由南京農業大學和美國科學促進會（AAAS）合作創辦的英文學術期刊，于2019年1月正式上線發行。采用開放獲取形式，刊載植物表型組學交叉學科熱點領域具有突破性科研進展的原創性研究論文、綜述、數據集和觀點。具體范圍涵蓋高通量表型分析的最新技術，基于圖像分析和機器學習的表型分析研究，提取表型信息的新算法，作物栽培、植物育種和農業實踐中的表型組學新應用，與植物表型相結合的分子生物學、植物生理學、統計學、作物模型和其他組學研究，表型組學相關的植物生物學等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等數據庫收錄。科睿唯安JCR2021影響因子為6.5，位于農藝學、植物科學、遙感一區。2023年中科院期刊分區位于農林科學大類一區。2020年入選中國科技期刊卓越行動計劃高起點新刊項目。

說明：本文由《植物表型組學》編輯部負責組稿。
中文內容僅供參考，一切內容以英文原版為準。
撰稿：李嘉琦（南京農業大學）
排版：趙倩瑩（南京農業大學）
審核：孔敏、王平