ESE-PWDNet：一种高效的早期松材线虫病检测网络

《Frontiers in Plant Science》：ESE-PWDNet: an efficient early-stage pine wilt disease detection network

　　

为实现松材线虫病（Pine Wilt Disease, PWD）早期检测中的微小目标识别，本研究提出了一种高效的无人机（Unmanned Aerial Vehicle, UAV）遥感检测模型——ESE-PWDNet（高效小尺度早期PWD检测网络, Efficient Small-scale Early PWD Detection Network）。研究人员利用DJI Air3无人机平台，在江苏省南京市江宁区汤山森林区自主构建了早期PWD多时相、多视角高分辨率数据集。基于该数据集，设计了核心模块——高效视觉线性单元（Efficient Visual Linear Unit, EFVLU）。EFVLU作为ESE-PWDNet的基础构建模块，与卷积模块（Conv）结合形成骨干网络，通过全局语境高效捕获全局依赖关系并提升小目标检测能力，同时降低计算复杂度。此外，受PANet架构启发并利用注意力状态空间模块（Attention State Space Block, ASSB），设计了新型颈部网络，使模型在保持高计算效率的同时具备高效的高分辨率图像处理能力。在预测头部分，引入高效多尺度注意力（Efficient Multi-scale Attention, EMA）机制和轻量级共享细节增强卷积检测头（Lightweight Shared Detail Enhanced Convolutional Detection Head, LSDECD），在几乎不增加额外推理计算成本的前提下，全面增强模型对小目标的感知与定位能力。在构建的多环境早期PWD数据集上的实验表明，ESE-PWDNet显著提升了复杂场景下微小病害目标的识别性能。最终模型保持高推理效率，精确率（Precision, P）达75.9%，召回率（Recall, R）达75.1%，计算复杂度低至6.5 GFLOPs，参数量为2.6M。其综合性能优于主流对比模型。该研究为林业害虫的早期精准无人机遥感监测提供了可靠的技术解决方案和数据基础。

本研究针对松材线虫病（Pine Wilt Disease, PWD）早期检测中面临的极端小目标识别难题，提出了一种名为ESE-PWDNet的高效轻量化检测模型，相关成果发表于《Frontiers in Plant Science》。松材线虫病由松材线虫（Pine Wood Nematode, PWN）引起，对全球森林生态系统构成严重威胁，可在数月内引发大规模树木死亡。早期识别感染个体对于实施"精准修剪"和"即时根除"措施、截断病害传播链至关重要。传统的森林健康监测主要依赖林业人员野外巡查，但在地形破碎、通达性差的山区，该方法受高昂的人工和时间成本制约，且易受专业人员水平、视觉盲区和生理疲劳等主观因素影响，难以实现大规模森林的实时动态健康评估。卫星遥感虽具备广域覆盖和宏观动态监测能力，但受限于空间分辨率不足导致的"混合像元"效应、云层遮挡、数据获取成本高和重访周期长等问题，难以满足早期PWD精准监测需求。无人机（UAV）遥感凭借优越的机动灵活性、成本效益和不受大气云干扰的特性，可提供超高时空分辨率影像，成为克服卫星平台空间局限性的重要手段。然而，早期PWD监测转向预防性微小病变检测时，面临高郁闭度和复杂光照变化下极微小目标的鲁棒识别瓶颈。现有通用目标检测模型缺乏深入挖掘早期PWD特异性弱病理特征的架构机制，在广域高分辨率UAV影像上难以兼顾计算开销与检测精度，无法在低延迟的林业边缘设备上部署。因此，亟需一种新型网络架构，利用线性复杂度算子（如状态空间模型，State Space Models, SSMs）实现 expansive 全局感知，同时部署细粒度表征策略精确定位微小病变，确保高速推理的同时大幅提升早期PWD检测精度。

研究人员在南京汤山林场和抚顺新宾满族自治县开展高分辨率UAV数据采集，构建了包含2,775张图像的高质量PWD数据集，涵盖不同感染阶段，特别强调早期（PWD-pre）微小病变的特征刻画。该数据集包含80张PWD-pre标签和321张PWD-advanced标签，用于训练、验证和测试。基于该数据集，研究人员系统性地对骨干网络、颈部网络和检测头进行了重构设计。

研究采用的主要关键技术方法包括：基于DJI Air3 UAV平台的多时相、多视角高分辨率RGB影像采集；图像3×3网格切分预处理（1333×1000像素/块）；EFVLU模块设计（融合SSM线性复杂度全局建模与CGLU局部细节增强）；ASSB与PANet结构结合的新型特征融合颈部网络；EMA注意力机制与LSDECD轻量级检测头设计；以及Focaler-MPDIoU复合损失函数优化。

在骨干网络方面，研究人员设计了基于改进CSPNet架构的EF-Backbone。核心构建模块EFVLU采用"并行全局宏观建模与局部细节增强"的架构逻辑，其基础框架借鉴EfficientVMamba中的高效视觉Mamba模块，利用SSM的线性计算复杂度克服高分辨率遥感数据处理中的固有感受野局限。EFVLU通过建立长距离依赖关系捕获宏观林区分布模式，显著增强对疑似病变区域的初级敏感性。同时，在EFVLU末端创新性整合CGLU（Convolutional Gated Linear Unit），引入深度可分离卷积层和软注意力机制进行二次局部空间特征校准，弥补纯全局建模在目标边界定位精度上的不足，实现对微观病变纹理（如初生针叶变色）的精确提取。

在特征融合层，研究人员构建了融合ASSB与PANet结构的新型颈部网络。ASSB深度融合通道注意力机制与注意力状态空间模块（Attentive State Space Module, ASSM），利用SSM的长距离依赖建模能力高效处理高分辨率特征图，避免频繁下采样导致的精细病理像素丢失。ASSM通过创新性引入实例特定提示矩阵（Instance-specific Prompt Matrix, P）重构输出方程，突破传统Mamba模型的因果建模局限性，实现全向非因果建模，以单次扫描完成全局特征捕获。同时，PANet结构通过自上而下特征金字塔网络（FPN）路径注入深层强语义信息，并通过优化的自下而上路径增强（BPA）链路缩短浅层高分辨率位置信息向顶层传递的像素距离，有效补偿深层网络的固有空定位缺陷。

在预测层，研究人员构建了LSDECD架构。引入的EMA机制通过跨空间通道交互实现细粒度特征再校准，利用多尺度卷积核提取特征，经由全局池化和Softmax函数重新分配特征权重，自适应抑制背景噪声并增强小目标对应通道的特征激活强度。LSDECD采用重参数化细节增强卷积（DEConv），整合差分卷积算子提取相邻像素间梯度差信息，捕捉病变与健康冠层间的细微颜色过渡；训练阶段通过多分支架构学习复杂几何细节，推理阶段运用结构重参数化技术将多分支权重等价融合为单路径卷积，实现"训练时增强、推理时高效"的策略，显著增强微小病变边界的回归精度。此外，通过共享权重卷积设计大幅压缩预测头参数量，便于嵌入式UAV平台部署。

损失函数方面，研究采用Focaler-MPDIoU复合损失函数，集成Focaler-IoU（自适应聚焦中等难度样本）和MPDIoU（直接最小化预测框与真实框角点距离，具有尺度不变性），同步优化分类性能和定位精度。

实验结果表明，ESE-PWDNet在早期PWD检测中表现卓越。与Fast R-CNN、YOLOv5n、YOLOv8n、YOLOv11n、YOLOv12n、RT-DETR-R18及Hyper-YOLO等主流模型对比，ESE-PWDNet在PWD-pre阶段达到75.9%的精确率、75.1%的召回率和73.5%的mAP₅₀，在PWD-advanced阶段精确率达78.6%、召回率81.2%、mAP₅₀ 82.9%，综合性能最优。其计算复杂度仅6.5 GFLOPs，参数量2.70M，推理速度达124 FPS，成功避免了大规模模型的计算冗余，同时相比超轻量架构具有显著更优的检测精度。消融实验验证了各模块的增量贡献：ASSB将召回率从72.1%提升至75.2%，mAP₅₀提升1.6%；LSDECD显著降低计算量至6.6 GFLOPs同时保持高精度；EMA使召回率从72.8%跃升至76.1%；Focaler-MPDIoU进一步优化至最终精度峰值。不同注意力机制对比实验证实EMA以最低参数量（2.6M）和计算成本（6.5 GFLOPs）实现最优综合性能。

鲁棒性与泛化分析显示，ESE-PWDNet在纯林与混交林异质环境中均保持高识别一致性，能有效区分早期PWD信号与光谱相似干扰物；在不同UAV高度变化导致目标像素占比急剧缩小的条件下，仍能维持稳定定位精度。跨区域验证表明，即使迁移至地理环境气候差异巨大的辽宁新宾地区，面对独特物候变异和复杂山地地形，模型仍表现出显著适应性。

研究结论指出，ESE-PWDNet有效平衡了模型规模与效率，显著强化了早期小目标感知能力，为无人机巡检等资源受限场景下的PWD防控提供了高效可靠的轻量化解决方案。尽管如此，PWD的早期识别仍存挑战，未来研究将聚焦于进一步提升模型在UAV平台上的检测能力，实现对感染树木的及时准确识别，以促进快速干预和治疗。