基于改进YOLOv11与无人机遥感图像的松材线虫病检测方法YOLOv11-OC

《Ecology and Evolution》：A Detection Method of Pine Wilt Disease Based on Improved YOLOv11 With UAV Remote Sensing Images

本文提出了一种基于改进YOLOv11（YOLOv11-OC）的松材线虫病（PWD）检测方法。该方法通过引入全维动态卷积（ODConv）优化C3K2模块，增强了模型对小目标和早期病斑的特征提取能力；同时，结合上下文锚点注意力（CAA）机制改进C2PSA模块，提升了模型在复杂背景下的上下文感知能力，有效降低了漏检率。实验结果表明，YOLOv11-OC在PWD数据集上精确度（P）达94.2%，平均精确度均值（mAP50）达88.9%，显著优于原始YOLOv11及其他主流模型，并在公开PlantDoc数据集上展现出良好的泛化能力，为森林病害智能监测提供了可靠的技术方案。

　　

摘要

松材线虫病（Pine Wilt Disease, PWD），又称松树萎蔫线虫病，是由松材线虫（Bursaphelenchus xylophilus）引起的一种严重森林病害，在中国传播迅速并造成严重生态破坏。然而，现有检测方法在识别早期感染树木时准确率较低，且易出现漏检。为解决这些问题，本研究提出YOLOv11-OC，一种基于改进YOLOv11与无人机（UAV）遥感图像的松材线虫病检测方法。采用全维动态卷积（Omni-dimensional Dynamic Convolution, ODConv）优化C3K2模块，从而增强对小目标的特征提取能力，提高早期病害区域的识别准确率。同时，引入上下文锚点注意力（Context Anchor Attention, CAA）机制改进C2PSA模块，增强模型的上下文感知能力，有效减少漏检，并提升在复杂背景下的检测性能。实验结果表明，所提出的YOLOv11-OC算法优于原始YOLOv11，实现了94.2%的精确度（Precision, P）、83.1%的召回率（Recall, R）、88.3%的F1分数（F1-score）和88.9%的平均精确度均值（mean Average Precision, mAP₅₀）。与原始算法相比，改进版本的精确度提高了2.8%，F1分数提高了1.0%，mAP提高了1.4%。此外，该算法在公开的PlantDoc数据集上也表现出良好的泛化能力。

1 引言

中国森林资源丰富，森林覆盖广泛，这对生态保护、经济发展、气候调节和生物多样性保护具有重要作用。然而，自1982年松材线虫首次传入中国以来，森林资源面临严重威胁。松材线虫是一种微小的蠕虫，主要通过松褐天牛（Monochamus alternatus）等媒介昆虫传播。该线虫在松树木材部繁殖，阻塞水分和养分运输，导致树木萎蔫死亡。PWD传播迅速，严重影响松树健康，导致树木萎蔫死亡和大规模森林退化，不仅造成林业生产和经济效益的巨大损失，还带来深远的生态破坏，削弱森林生态系统的稳定性、碳汇能力以及水土保持能力。因此，科学防控PWD感染树木已成为当务之急。

近年来，无人机遥感技术发展迅速。目前，检测PWD感染树木的主要方法包括人工野外调查和基于无人机图像的检测。然而，人工检测主要依靠人眼区分病树颜色变化，主观性强，且难以高效、全面地覆盖大面积林区。相比之下，无人机图像检测具有显著优势，能在短时间内高效获取大区域数据，并利用高分辨率图像准确识别感染树木，大大提高了检测效率和准确性。

越来越多的研究者将无人机遥感与深度学习技术相结合，显著提高了PWD感染树木的检测准确性。例如，Wu和Jiang（2023）提出了一种基于改进Mask R-CNN和ConvNeXt的PWD检测方法；Zhu等人（2024）提出了一种基于改进YOLOv7的PWD检测方法；Yao, Song等人（2024）开发了一种名为Pine-YOLO的PWD检测方法；Su等人（2024）提出了名为PWD-YOLOv8n的检测方法；Yuan等人（2025）提出了名为YOLOv8-RD的PWD检测方法；Ren等人（2025）引入了名为MASFNet的PWD树木检测方法。然而，这些研究在复杂背景下的检测准确性仍有待提高，且在处理树枝遮挡、感染树木复杂形态等问题时仍存在一定漏检率。

因此，本研究提出一种基于改进YOLOv11与无人机遥感图像的松材线虫病检测方法。具体而言，通过将全维动态卷积（ODConv）和上下文锚点注意力（CAA）模块集成到YOLOv11架构中，开发了一种名为YOLOv11-OC的检测模型，能够有效检测PWD感染树木。所提出的改进增强了模型提取小目标特征（Kang 2022; Yao, Lin等人 2024）和复杂环境中长距离病害区域的能力。ODConv模块通过多维度注意力机制自适应调整卷积核权重，从而增强模型提取小目标和复杂目标特征的能力，减少信息损失，使模型即使在挑战性条件下也能准确捕捉关键特征。CAA模块提高了模型捕捉长距离病害区域特征的能力，有效解决了树枝遮挡、感染树木复杂形态和环境噪声等问题，最终减少了漏检。总体而言，改进的YOLOv11-OC模型在PWD感染树木检测任务中表现出更高的检测准确性和更强的环境适应性。

2 材料与方法

2.1 研究区域选择

研究区域位于中国西部林区。使用搭载机载相机的DJI无人机作为飞行平台，收集松材线虫病感染树木的数据，如图1所示。在数据采集过程中，光照不足会导致图像过暗，影响病树识别准确性。为确保充足光照并尽量减少无关因素的影响，本研究中的所有数据图像均在晴朗天气上午10:00至下午5:00之间采集。此外，为保持图像一致性，数据采集全程使用同一无人机型号，并在固定飞行高度进行航空摄影。

2.2 数据集构建

本研究选择无人机航空图像中捕获的PWD感染树木作为研究对象。收集的图像被裁剪成固定大小的像素块以构建数据集。在数据集中，树木PWD的进展分为四个主要阶段（Shi等人2024），如图2所示。如图2所示，PWD的进展分为四个阶段：（a）早期感染阶段：此阶段症状尚不明显，树冠部分可能出现轻微变色。（b）病害扩展阶段：树木针叶逐渐失去绿色，变黄或变红，树木生长停滞或开始衰退。（c）严重感染阶段：树木呈现明显萎蔫或红褐色外观，木材组织开始腐烂。（d）死亡阶段：松树完全死亡，所有针叶脱落，树皮脱落或出现可见裂缝，树干木材严重腐烂。

为扩展数据集，应用了多角度旋转和亮度调整等数据增强技术。在此基础上，在林业科学院专家的指导下，使用公开标注工具对数据集中的所有病树进行单独标注。标注完成后，生成一个label.txt文件存储所有标签信息，便于后续模型训练和分析。数据集标注示例如图3所示。

数据集的质量直接影响模型的学习性能和泛化能力。确保数据集具有足够的代表性和多样性，覆盖不同场景和条件，有助于模型更好地理解和捕捉数据中的关键特征，从而提高其在真实应用中的性能和准确性。本研究选择的PWD感染树木数据集的具体信息如表1所示。

2.3 检测方法

2.3.1 YOLOv11-OC检测算法

本研究首先将YOLOv3、YOLOv5、YOLOv8和YOLOv11应用于自建数据集中的树木检测。结果表明，YOLOv11在检测PWD感染树木方面表现最佳。因此，选择YOLOv11作为本研究的基线模型进行进一步研究。

YOLOv11由Ultralytics于2024年4月发布，是一种高效的目标检测模型，采用三部分架构：Backbone、Neck和Head。与先前版本相比，它在速度和效率上均有显著提升。YOLOv11引入C3k2模块以优化卷积计算并增强特征表示。该模型融合C2PSA注意力机制以有效捕捉上下文信息。其Neck结合了FPN和PAN结构，集成SPPF和C2PSA模块以增强多尺度特征聚合。总体而言，YOLOv11提供了更高的帧率和平均精确度，使其适用于高性能计算和边缘设备部署。

然而，使用YOLOv11检测松材线虫病感染树木时出现了一些挑战。一方面，对于小的早期病树区域，YOLOv11难以有效提取关键特征。另一方面，YOLOv11的卷积模块倾向于聚焦局部特征提取，难以捕捉PWD在不同树木区域的长程关系信息，导致漏检。为解决这些挑战，本研究提出一种基于YOLOv11的无人机遥感图像检测方法，称为YOLOv11-OC，如图4所示。红色虚线框突出了该模型中的修改模块区域。

提出的YOLOv11-OC模型通过两种主要方式提升了PWD感染树木的检测性能。一方面，全维动态卷积（ODConv）模块通过使用多维度注意力机制自适应调整卷积核权重来改进C3K2，从而增强模型提取小目标特征的能力。另一方面，引入上下文锚点注意力（CAA）模块改进C2PSA模块，提升了模型捕捉PWD感染树木长程特征的能力，减少了漏检。这些改进进一步提高了检测准确性，特别是在涉及树枝遮挡、复杂树木形态和环境干扰的挑战性场景中。

2.3.2 引入全维动态卷积：C3K2 ODConv

为解决YOLOv11无法有效提取早期小病树关键特征的问题，通过融入全维动态卷积（ODConv）模块来改进C3k2模块。此增强利用多维度动态权重加强模型提取小目标特征的能力。

YOLOv11中传统的C3k2模块仅依赖标准卷积，导致忽略小目标病害区域的特征。本研究采用全维动态卷积（ODConv）（Li等人2022），该模块通过多维度动态权重分配，能够更精确地提取PWD的局部和全局特征，从而提高检测召回率。该模块采用多维度注意力机制和并行策略，聚焦四个维度：卷积核维度、空间维度、输入通道维度和输出通道维度。这种方法增强了模型对不同特征的关注，允许更精确定位缺陷区域中的复杂特征，从而提高检测准确性。ODConv的计算公式如下：

y = (α_wi* α_si* α_ci* α_fi* W_i) * x (1)

此处，x和y分别代表输入和输出特征。*表示卷积操作。W_i代表卷积核。α_wi表示卷积核W_i的注意力标量。α_fi、α_ci和α_si分别是卷积核W_i的空间维度、输入通道维度和输出通道维度的注意力标量。操作表示沿核空间不同维度的乘法。

全维动态卷积（ODConv）模块的工作流程如图5所示。首先，使用全局平均池化（GAP）压缩输入特征，获得长度为C的特征向量。然后通过全连接（FC）层将其映射到降维比为r的低维空间，以降低计算复杂度。接下来，应用ReLU激活函数消除特征的负值，并将所得向量输入四个并行注意力分支。前三个分支使用FC层和Sigmoid激活函数分别计算卷积核空间维度、输入通道和输出通道的注意力标量。第四分支使用FC层和Softmax激活函数计算核数维度的注意力标量。最后，所有四个维度的注意力标量用于与相应卷积核进行加权求和。然后将生成的动态卷积核与输入特征x进行卷积，产生输出特征y。

2.3.3 引入上下文锚点注意力：C2PSA CAA

为解决YOLOv11难以捕捉PWD在不同树木区域的长程上下文依赖导致漏检的问题，本研究引入上下文锚点注意力（CAA）机制到C2PSA模块作为改进。

此外，本研究还将三种注意力机制——MLLA（Mamba-like Linear Attention）、CGA（Cascaded Group Attention）和CAA（Context Anchor Attention）——集成到YOLOv11模型中进行比较评估。如表3所示，融入CAA模块的模型在召回率（Recall）和平均精确度均值（mAP）方面实现了优越性能。这些结果进一步证明了CAA模块在增强YOLOv11模型方面的有效性。

上下文锚点注意力（CAA）机制（Cai等人2024）是一种新颖的注意力方法，旨在捕捉长程上下文特征信息。本研究基于其特性将CAA集成到C2PSA模块中，以增强模型检测PWD树木病害区域的能力。C2PSA_CAA模块的结构如图6所示。

上下文锚点注意力（CAA）模块被引入到C2PSA结构内的PSA_Block中。CAA模块的架构如图6所示。首先，通过平均池化层和标准卷积（Conv）操作获得局部区域特征。然后应用核大小为3×3和5×5的深度可分离卷积（DWConv）以减少参数数量，同时增强长程特征识别和提取能力。随后，通过另一个Conv操作整合特征。最后，应用Sigmoid激活函数生成上下文注意力特征。

3 实验与性能分析

3.1 实验配置

实验中，选择Adam优化器来优化神经网络。初始学习率设置为0.001，学习率衰减因子为0.01。模型训练期间，批量大小（Batch Size）设置为4，训练轮数（Epochs）设置为150。所有实验均在相同的实验环境下进行。详细的实验配置如表2所示。

3.2 实验指标

为评估模型在松材线虫病（PWD）树木检测任务中的性能，本研究采用四种常用评估指标：精确度（Precision, P）、召回率（Recall, R）、F1分数（F1-score）和平均精确度均值（mean Average Precision, mAP₅₀）。这些指标从不同角度评估模型的检测性能。具体计算公式如下：

P = TP / (TP + FP) (2)

R = TP / (TP + FN) (3)

F1 = 2 * P * R / (P + R) (4)

AP = ∫₀¹P(R) dR, mAP = (1/N) * Σ_i=1^NAP_i(5)

3.3 不同注意力机制的对比实验

本研究将不同的注意力机制——MLLA（Mamba-like Linear Attention）、CGA（Cascaded Group Attention）和CAA（Context Anchor Attention）——引入YOLOv11模型进行对比实验。实验结果如表3所示。

在模型稳定性方面