利用双尺度交互方法检测松树萎蔫病在早期、中期和晚期的发生情况

《International Journal of Remote Sensing》：Detection of pine wilt disease across early, middle, and late stages using dual-scale interaction method

针对复杂森林环境中松材线虫病多阶段检测精度不足的问题，提出基于双尺度交互的深度学习方法，并集成至YOLOv5、YOLOv9及RT-DETR模型中。实验表明DSI-YOLOv5整体准确率提升13.8%，DSI-YOLOv9检测准确率达96.4%，有效提升RGB影像下的检测性能。

　　

摘要

准确检测树木中的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别检测准确性。在本研究中，我们将该方法集成到了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别检测准确性。具体而言，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FPN基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的技术支持。