基于PWD-LWFFNet的松材线虫病多阶段联合检测：轻量化网络与特征融合的创新应用

本综述系统介绍了PWD-LWFFNet模型在松材线虫病（PWD）多阶段检测中的突破性应用。该模型通过轻量化骨干网络（EIBNet）、多尺度特征融合（PAFPN-4Net）和注意力机制（EMA），显著提升了早期小目标检测精度（mAP达94.1%），为森林病害智能监测提供了高效解决方案。

　　

Ablation experiments

本研究使用PWD-LWFFNet模型进行训练，在表4所示环境中，训练周期（epoch）为300。训练过程中损失值的收敛曲线如图13所示，模型在270周期后收敛至0.025附近。模型训练过程中多阶段检测的mAP@^0.5折线图（图14）显示，前50周期快速上升，50周期后增速放缓，200周期后逐渐趋于稳定。

Discussion

本研究提出PWD-LWFFNet用于松树松材线虫病（PWD）检测。该模型旨在解决松树感染PWD多阶段的联合检测问题。通过综合实验及与其他先进目标检测模型的比较，PWD-LWFFNet在精度、鲁棒性和计算效率方面均表现出卓越性能。

结果表明，PWD-LWFFNet的mAP达到94.1%，显著优于YOLOv5s、YOLOv7等模型（表6），尤其在早期小目标检测中表现突出（AP为83.4%）。其轻量化设计（参数量仅8.9M）和低计算复杂度（FLOPs为25.6G）使其更适合实际部署。此外，该模型在复杂背景和噪声环境下仍保持稳定性能，验证了其在森林早期病害监测中的有效性。

Conclusion

综上所述，本研究提出的PWD-LWFFNet模型在松材线虫病（PWD）检测中表现出色。通过轻量化架构、创新的特征融合和注意力机制，该模型在检测精度与速度上均取得优异成果，尤其在早期小目标检测方面具有显著优势。其成功应用证明了深度学习技术在松材线虫病检测领域的巨大潜力。实验结果表明，PWD-LWFFNet明显优于其他主流模型，为松林病害的智能监测与管理提供了可靠技术支撑。