基于无人机高光谱的多尺度视觉Transformer模型在松材线虫病青攻期与发病初期的识别应用

《Scientific Reports》：Multi-scale vision transformer model with UAV-based hyperspectral imagery for early identification of pine wilt disease infected trees

　　

摘要

松材线虫病（PWD）由松材线虫（Bursaphelenchus xylophilus）引起，是一种具有传播迅速和死亡率高的特征的毁灭性森林病害。在其发病过程中，青攻期和发病初期是病害防控的关键阶段。然而，RGB无人机图像在这些阶段缺乏明显的视觉特征，限制了现有识别方法的准确性。本研究旨在开发一种专门针对无人机高光谱数据的多尺度视觉Transformer模型。其主要目标是提高对松材线虫病青攻期和发病初期的识别能力。为了准确捕捉松树在青攻期光谱和空间特征的细微变化，设计了一种高效的光谱-空间特征融合模块。同时，引入了一种改进的高斯自注意力机制，以增强对中心像素及其邻域像素之间光谱差异的建模能力。此外，通过将轻量级Transformer架构与多尺度特征金字塔相结合，所提出的方法不仅能够融合从像素级到树冠级的特征，还减少了参数量。实验结果表明，该模型对松材线虫病青攻期和发病初期的识别准确率分别达到了87.40%和88.21%。该模型的总体精度（OA）为87.90%，Kappa系数为83.25%，均优于传统机器学习方法和其他深度学习模型。在效率方面，该模型仅有2.45M参数、112.42M浮点运算次数（FLOPs）、114分钟的训练时间和25分钟的测试时间，展现了高效率。该模型通过针对性设计提高了对青攻期和发病初期的识别准确率，为松材线虫病感染树木的大规模监测和科学防控提供了重要的技术支持。