基于分层注意力与特征增强网络的松材线虫病多尺度小目标检测模型HAFENet研究

本文提出HAFENet模型，通过双阶段注意力融合模块（TSAFM）和信息完整性卷积（IIConv）增强复杂背景下松材线虫病（PWD）早期小目标特征提取能力，结合解耦头（DeCoupled Head）与归一化Wasserstein距离（NWD）优化检测性能，在自建数据集上实现早期检测准确率86.0%（提升4.3%），为森林病虫害智能监测提供新方案。

　　

Highlight

松材线虫病（PWD）是一种由松材线虫（PWN）引起的严重森林病害，对松林健康构成重大威胁。本研究针对早期感染目标微小、背景复杂、噪声干扰等挑战，开发了HAFENet检测模型。该模型创新性地采用双分支结构的信息完整性卷积（IIConv）分离冗余与关键特征，通过双阶段注意力融合模块（TSAFM）实现全局与局部特征的分层融合，并利用解耦头独立优化分类与定位任务。实验表明，模型在早期感染目标检测中达到86.0%的AP@0.5，显著优于现有主流方法，展现出强大的抗噪声干扰能力和实际应用潜力。

Comparison experiments

本节通过与其他主流方法对比验证HAFENet的有效性和优越性。如表3所示，HAFENet在PWD数据集上的平均精度（mAP@0.5）达到91.3%，显著优于VFNet、YOLOv7、YOLOX等对比方法，其中早期感染目标检测精度（AP_(pre)）为86.0%，晚期感染目标（AP_(ad)）为96.7%。特别是在添加噪声和模糊的测试集上，模型表现出强劲的抗干扰能力，证明其适用于复杂野外环境。

Discussion

松材线虫病（PWD）作为一种严重森林病害，早期检测对控制传播至关重要。现有研究如Dai等人采用自下而上的特征金字塔和自适应注意力模块提升检测性能，但在早期小目标识别中仍存在局限性。本研究通过分层特征处理和分阶段注意力机制，有效解决了复杂背景下微小特征提取难题。与传统方法相比，HAFENet在保持高精度的同时显著降低误检率，为无人机遥感监测提供了更可靠的技术支撑。

Conclusion

本研究提出的HAFENet模型在松材线虫病早期小目标检测中表现出卓越性能，精确率和召回率分别达到87.7%和88.4%，较基线方法提升2.8%和3.2%。模型在自建数据集上实现mAP@0.5达91.3%，早期目标检测AP@0.5为86.0%，晚期为96.7%。这些成果表明HAFENet能有效应对复杂背景干扰，为森林病虫害智能监测提供创新解决方案，具有重要的生态保护价值和应用前景。