P-YOLO11：一种改进的轻量级模型精准识别杨树人工林衰退木及其生态意义

本研究针对杨树人工林衰退木检测中环境复杂、传统方法效率低的问题，开发了基于YOLO11n架构的改进轻量级模型P-YOLO11。通过引入动态检测头（DyHead）和CSWin Transformer模块，显著提升了检测精度与鲁棒性。实验表明，P-YOLO11在检测精度（82.1%）和mAP（76.4%）上均优于主流轻量模型，为三北防护林健康监测提供了高效可靠的技术方案，对推动智慧林业发展具有重要意义。

　　

在我国西北、华北和东北地区建设的“三北”防护林工程中，杨树因其生长快、适应性强而被广泛选为主要造林树种。然而，随着林龄增长，早期种植的杨树人工林普遍出现生长退化现象，甚至部分地区发生大规模衰退或死亡。这不仅削弱了防护林抵御干旱等极端气候条件的能力，更对区域生态系统的稳定和可持续发展构成严重威胁。及时、准确地检测衰退杨树，对维持防护林长期生态功能至关重要。

传统森林资源动态监测主要依赖国家森林清查和卫星遥感数据，但卫星影像分辨率有限（如Landsat为30米，Sentinel-2为10米），难以检测单木的细微变化。此外，传统人工调查方法成本高、劳动强度大，在我国人口老龄化和劳动力成本上升的背景下，这些问题日益突出。

随着无人机（UAV）技术的成熟和卷积神经网络（CNN）的进步，森林监测技术正朝着更智能、更精准的方向发展。无人机遥感与深度学习算法结合，不仅能实现单木精准识别分析，其检测精度和能力在复杂环境条件下也超越了传统卫星遥感。尽管已有研究尝试将遥感与人工智能技术应用于杨树健康监测，但基于无人机影像、能够大规模自动化监测杨树衰退的有效方案仍十分有限。

为此，本研究在YOLO11n架构基础上，提出了一种改进的轻量高效模型——P-YOLO11。该模型将原YOLO11检测头替换为融合可变形卷积算子的动态检测头（DyHead），显著增强了对衰退杨树的检测精度；同时，引入CSWin Transformer模块，强化了模型的特征提取能力，提升了在复杂环境下的检测精度与鲁棒性。

为开展研究，团队在内蒙古高原东南缘的坝上地区及西辽河流域选取了48个典型杨树衰退分布区，于2023年5月至9月杨树生长高峰期，使用大疆Mavic 3M和Mini 3 Pro无人机拍摄树冠图像，最终获得包含3000张高分辨率图像的原始数据集。图像覆盖了毛白杨、银白杨、黑杨和小叶杨等四个杨树物种，以及晴、多云、阴三种典型天气条件。经由专业标注团队手动标注、数据增强（随机旋转、缩放和亮度调整）后，数据集扩增至18,000张图像，显著提升了样本多样性。

研究采用YOLO11n作为基础模型，其主要优化包括提供多种缩放模型（如n、s、m、l、x），以及改进的骨干网络和颈部结构，如用C3K2模块替换CF2模块、在SPPF模块后增加C2PSA模块等。然而，应用于人工林杨树衰退检测时，仍面临两个挑战：不同杨树物种的冠层颜色差异大，某些物种（如小叶杨）冠色与背景颜色相近易导致误检；不同物种、立地条件下冠层形态差异显著，增加了精准检测难度。

P-YOLO11的改进策略主要包括两方面：一是采用融合可变形卷积算子的动态注意力检测头（DyHead）替代原YOLO11检测头，显著提升了对极端长宽比杨树冠层的识别精度；二是引入CSWin Transformer，通过其十字形窗口（CSW）自注意力机制，加强全局与局部特征提取，提升对不规则形状目标的适应性。

实验在统一计算条件下进行，使用Python 3.9.7、PyTorch 1.12.1等工具，在RTX4060 GPU平台完成。模型评估指标包括复杂度（参数量、FLOPs、FPS、模型大小）和性能（平均精度AP、精确率P、召回率R）。结果表明，P-YOLO11在检测杨树衰退木时达到82.1%的精确率，mAP为76.4%，相比原YOLO11模型准确率提升7.2%，mAP提高1.5%。同时，模型保持轻量特性，参数量2.57M，FLOPs为6.3G，模型大小5.5MB，检测速度达156 FPS，显著优于YOLOv5n、v6n、v8n、v9n、v10n及YOLO11n等主流轻量模型。

注意力模块消融实验显示，单独使用DyHead检测头虽大幅提升计算效率（参数量降至1.80M，FPS达172），但检测精度有限（AP=0.741）；单独引入CSWin Transformer模块虽精确率提升至0.774，但平均精度和召回率有所降低，且推理速度降至104 FPS。而P-YOLO11融合两者优势，在保持较高推理速度的同时，实现了精度与mAP的显著提升。

对比实验进一步证实，P-YOLO11在不同杨树物种检测中均表现优异，有效解决了YOLOv10、v9、v8等模型在衰退黑杨、小叶杨检测中的漏检问题。误差分析表明，改进模型在复杂光照、颜色相似背景及窄冠杨树形态干扰等场景下，仍存在个别误检与漏检，但总体性能远超其他方案。

讨论部分指出，杨树人工林实际环境复杂多变，树木受光照不均、重叠遮挡、颜色与背景相似等因素影响时，模型仍可能出现漏检误检。图像分辨率、光照条件、背景与目标颜色相似性、窄冠杨形态干扰及单木多树顶等现象均是影响识别精度的关键因素。此外，仅依靠RGB图像形态特征难以实现杨树健康状态向衰退转变时期的早期生理应激信号捕捉。未来研究将引入多光谱指数（如NDVI、GNDVI、NDRE、MCARI等），构建融合高分辨率RGB与无人机多/高光谱数据的多模态深度学习模型，实现从“衰退后检测”向“衰退前预警”的跨越，建立更健全、精准、可扩展的区域森林健康动态监测技术体系。

结论部分总结，P-YOLO11模型成功实现了对杨树人工林衰退木的高效精准检测，检测精度达82.1%，为三北防护林工程健康监测提供了强有力的技术工具。该模型轻量高效，参数仅2.57M，速度156 FPS，适于机载实时检测。未来将进一步结合无人机平台，实现航空调查中衰退杨树的高效实时检测。

本研究由北京林业大学水土保持学院完成，论文发表于《Smart Agricultural Technology》，为杨树人工林衰退监测提供了新的技术路径，对促进林业智能化、精准化发展具有重要参考价值。