MS-PWFOD：一种面向跨域松材线虫病检测的多尺度小样本目标检测模型

本文针对松材线虫病（PWD）检测中因地域环境差异导致训练样本稀缺、模型泛化能力不足的难题，提出了一种融合多核最大均值差异（MK-MMD）、通道优先卷积注意力（CPCA）和最小点距离交并比（MPDIoU）的跨域小样本目标检测模型MS-PWFOD。该模型在威海市数据集上取得了93.44%的mAP@0.5、85.71%的精确率、90.00%的召回率和87.80%的F1分数，显著提升了在有限样本条件下的检测精度和跨域适应能力，为松林资源的智能监测与保护提供了高效解决方案。

　　

松树林作为地球生态系统的重要组成部分，正面临着一种名为松材线虫病（Pine Wilt Disease, PWD）的严重威胁。这种由松材线虫（Bursaphelenchus xylophilus）引起的毁灭性病害，借助昆虫媒介和人类活动传播，尤其在炎热干燥的气候条件下肆虐，给全球松林资源造成了巨大的经济损失和生态破坏。在中国，从华南、华东到华中，乃至东北和西北地区，都不同程度地受到其影响。传统的病虫害监测方法主要依赖人工巡查和化学物理防治，不仅耗时费力、成本高昂，还会对森林环境造成二次伤害。

随着遥感技术和人工智能的快速发展，基于无人机（UAV）影像和深度学习算法的自动化检测技术为松材线虫病的监测带来了新的希望。然而，在实际应用中，一个突出的挑战摆在了面前：松材线虫病分布广泛，不同地区的松林环境（如纯林、公园异质景观）存在显著差异，导致影像数据分布不同。而能够用于模型训练的、带有精确标注的病害样本数量却十分有限。这种“数据荒”使得大多数现有模型在遇到新环境时，表现往往大打折扣，泛化能力不足。虽然数据增强是常见的解决思路，但盲目的增强并不总能产生有价值的样本，有时甚至可能降低数据质量。

为了攻克这一难题，来自山东大学澳国立联合理学院的研究团队在《Smart Agricultural Technology》上发表了一项创新研究，提出了一种名为多视角松材线虫病小样本目标检测模型（MultiSight Pine Wilt Few-Shot Object Detection, MS-PWFOD）。该模型的核心目标是让检测系统能够像人类一样，通过“举一反三”，仅利用目标地区极少量样本（小样本学习），就能快速适应新的、数据分布不同的环境（跨域适应），从而实现精准、高效的松材线虫病检测。

研究人员巧妙地构建了一个融合多种先进技术的检测框架。首先，他们引入并改进了跨域自适应小样本目标检测方法（AcroFOD），将其中的核心度量函数——最大均值差异（Maximum Mean Discrepancy, MMD） 替换为多核最大均值差异（Multi-Kernel MMD, MK-MMD）。MK-MMD能够利用多个核函数更全面地捕捉数据之间复杂、非线性的分布差异，从而更精准地衡量和缩小源域（如威海北海森林）和目标域（如威海林海公园）之间的特征分布差距，提升了模型在新环境下的适应能力。AcroFOD方法本身包含多层级域感知增强和自适应优化，能智能地生成和筛选与目标域分布相似的增强样本。

其次，针对病害树木形态多样、背景复杂的特点，模型集成了通道优先卷积注意力模块（Channel Prior Convolutional Attention, CPCA）。CPCA能够协同工作，让模型自动聚焦于图像中与病害相关的关键通道和空间区域特征，抑制无关背景干扰，从而提升特征提取的准确性。

最后，在边界框回归损失函数上，研究人员摒弃了传统的CIoU损失，采用了新颖的最小点距离交并比（Minimum Point Distance Intersection over Union, MPDIoU）。MPDIoU通过直接最小化预测框与真实框左上角和右下角两个顶点之间的距离来优化边界框定位，计算更简洁高效，尤其适用于边界框高度重叠或形状差异大的情况，能有效提升定位精度。

为验证模型性能，研究团队在山东威海市的两个典型区域——北海森林（高密度纯林）和林海公园（异质景观公园）——利用无人机采集了大量高分辨率遥感影像，构建了数据集。他们将北海森林数据作为源域，林海公园的少量数据作为目标域，进行跨域小样本检测实验。

主要研究结果如下：

1. 不同小样本方法对比

研究人员将提出的MK-AcroFOD方法与FsDet、SimRoD等其他先进小样本域适应方法进行了对比。结果（表1）显示，MK-AcroFOD在mAP@0.5（88.60%）、精确率（85.71%）、召回率（90.00%）和F1分数（87.80%）上均全面领先。其他方法虽然提升了召回率，但精确率下降明显，意味着误检率较高。这表明MK-AcroFOD能更有效地利用有限样本，在提升检测率的同时保持高精度。

2. 不同检测模型性能

将完整的MS-PWFOD模型（即集成MK-AcroFOD、CPCA和MPDIoU的YOLOv5）与Faster R-CNN、RetinaNet、YOLOX和DETR等主流目标检测模型进行比较（表2）。MS-PWFOD以93.44%的mAP@0.5、85.71%的精确率、90.00%的召回率和87.80%的F1-score，显著超越了所有对比模型，证明了其整体架构的优越性。在推理速度方面，MS-PWFOD虽比原始YOLOv5慢约14.79%，但比Faster R-CNN快61%，在精度和速度之间取得了良好平衡。

3. 消融实验分析

为了解各个模块的贡献，研究团队进行了详细的消融实验（图7，表3）。结果表明：

• •
  单独引入MK-AcroFOD，mAP@0.5从基准的84.21%提升至88.60%，召回率从80.95%提升至85.71%。
• •
  单独引入CPCA，mAP@0.5提升至88.91%，精确率从70.83%提升至75.00%。
• •
  单独引入MPDIoU，mAP@0.5提升至86.51%，召回率提升至85.71%。
• •
  当MK-AcroFOD与CPCA结合时，mAP@0.5进一步提升至90.04%，精确率提升至77.27%。
• •
  当MK-AcroFOD与MPDIoU结合，或CPCA与MPDIoU结合时，模型性能均有稳定提升。
• •
  最终，集成了所有三个模块的完整MS-PWFOD模型取得了最佳性能：mAP@0.5高达93.44%，精确率85.71%，召回率90.00%，F1-score 87.80%。这充分证明了MK-AcroFOD、CPCA和MPDIoU三个模块的有效性和互补性。

结论与展望

本研究成功开发了MS-PWFOD模型，有效解决了松材线虫病检测中因训练样本稀缺和地域环境差异导致的模型泛化能力不足的核心问题。通过引入MK-MMD增强跨域适应能力，利用CPCA提升对关键特征的关注度，并采用MPDIoU优化边界框回归，该模型在威海数据集上展现了卓越的检测精度和鲁棒性。

该研究的重要意义在于，它提供了一种低成本、高效率的解决方案，使得在目标区域仅需少量标注样本即可实现高精度病害检测，极大降低了数据收集和标注的成本与难度。这对于大范围、多环境的松材线虫病监测与早期预警具有重要的实用价值。MS-PWFOD模型所采用的跨域小样本学习框架，不仅适用于松材线虫病检测，也为其他农业、林业病虫害的智能监测，以及在数据匮乏条件下的各类视觉识别任务提供了有益借鉴和技术参考。

未来，研究团队计划将模型应用于更广泛的环境类型（如稀疏林地、陡峭山区）和不同气候条件、树种下进行测试，并致力于构建包含更多样化来源的大规模基准数据集，以进一步提升模型的普适性和在复杂现实场景中的稳健性。