高光谱遥感和机器学习方法在精确预测罗勒（Ocimum basilicum L.）产量中的应用

《International Journal of Remote Sensing》：Hyperspectral remote sensing and machine learning approaches for precise prediction of Ocimum basilicum L. Yield

多阶段松材线虫病检测研究提出DSI方法，通过RGB图像与深度学习结合提升复杂森林环境下的检测准确率，集成至YOLOv5/RT-DETR模型后，DSI-YOLOv5精度提升13.8%，DSI-YOLOv9达96.4%，有效支持精准防控。

　　

摘要

准确地在树木中检测松萎病对于有效的科学管理和控制至关重要。利用无人机获取的RGB图像并结合深度学习技术，为这一挑战提供了一种成本效益高的方法。然而，在复杂的森林生态系统中，仅依赖RGB图像来精确识别处于各个感染阶段的病树仍然具有挑战性。我们提出了一种基于深度学习的双尺度交互（DSI）方法。这种自适应方法可以无缝集成到基于特征金字塔网络（FPN）的检测框架中，显著提高松萎病的多类检测准确性。在本研究中，我们将所提出的方法集成到了YOLO系列和RT-DETR模型中。实验结果表明，我们的方法提高了原始模型的病树多类检测准确性。具体来说，DSI-YOLOv5的改进最为显著，整体准确率提高了13.8%，每张图像的推理时间为22.8毫秒；而DSI-YOLOv9的检测准确率最高，达到了96.4%。本文提出的方法显著提升了仅使用RGB图像的基于FPN的检测网络的检测准确性，为松萎病的精准、低成本和高效管理提供了关键技术支持。