《Frontiers in Plant Science》：Lightweight YOLOv8-based real-time detection of pine wilt disease from drone imagery
编辑推荐：
引言：林业遥感的核心瓶颈在于如何在无人机（UAV）机载边缘硬件上实现准确、实时的松材线虫病（PWD）监测，而边缘硬件受限于计算能力不足和复杂的野外林地背景。为填补这一技术空白，研究人员在本工作中开发了一种名为Edge-Forest YOLO的超轻量级实时检测架
引言：林业遥感的核心瓶颈在于如何在无人机（UAV）机载边缘硬件上实现准确、实时的松材线虫病（PWD）监测，而边缘硬件受限于计算能力不足和复杂的野外林地背景。为填补这一技术空白，研究人员在本工作中开发了一种名为Edge-Forest YOLO的超轻量级实时检测架构。方法：在基线YOLOv8n网络基础上，研究提出的模型嵌入了三项针对性优化：(1) 域自适应数据增强流程，以缓解复杂林地中光照变化和病灶尺寸不均导致的泛化能力差；(2) 尺度感知的非对称通道重分配，裁剪37.5%的浅层通道并扩展75%的深层通道，以去除冗余空间特征并强化高层病理特征提取；(3) 跨层ECA注意力，采用一维卷积（1D convolution）捕获通道间相关性，并以最小计算开销聚焦于病变区域。所有模型验证均在公开高分辨率无人机松材线虫病PDT数据集上进行。结果：Edge-Forest YOLO仅占用2.31 M存储，mAP@0.5达92.7%。其在常规计算设备上单张图像推理耗时4.2 ms，在Jetson Nano边缘平台上运行速度约为26 FPS。与YOLOv8s和定制YOLO-DP相比，研究模型参数数量减少超过一半，同时保持具有竞争力的检测精度。讨论：研究提出的轻量检测器为机载无人机实时森林病害监测提供了一种低功耗、可实际部署的解决方案，支持快速田间松材线虫病诊断，并为森林健康管理和病害预防的科学决策提供依据。
**研究背景、问题与目标**
松材线虫病（Pine Wilt Disease, PWD）是由松材线虫（*Bursaphelenchus xylophilus*）引起的毁灭性森林病害，因其潜伏期短、传染性强、死亡率极高，被视为松树“癌症”，严重威胁全球森林生态系统。自1982年在中国首次发现以来，该病已蔓延至19个省份。感染松针通常在约40天内由绿色变为黄褐色或红褐色，最终导致整树死亡，这一显著视觉症状为利用无人机（UAV）遥感进行快速、大规模病害监测提供了关键光谱基础。早期PWD监测主要依赖传统图像处理和浅层机器学习方法，但面对复杂森林背景和目标尺度多变，这些方法在泛化能力和抗背景干扰方面逐渐暴露局限。随着深度学习发展，基于卷积神经网络（CNN）的检测框架在提升精度方面表现优异，但追求极致精度的模型往往伴随高计算开销，限制其在嵌入式设备上的推理速度，阻碍实时工业级巡检。现代智慧林业对无人机监测提出了全面且严苛的工程要求，在边缘设备资源严重受限的条件下，“高精度”与“超轻量化”之间的矛盾成为核心瓶颈。现有轻量化策略多采用简单均匀缩放或直接替换轻量主干，未能充分考虑深层语义信息对林业病理模式识别的关键作用，参数极度压缩时对深层通道的随意剪枝会不可逆地削弱模型对高度遮挡或小尺度病灶特征的表达能力，导致精度急剧下降。为突破超低计算边缘设备上病理检测固有的“精度-效率”困境，本研究提出针对低功耗野外林业监测的超轻量检测框架Edge-Forest YOLO。该框架通过创新引入尺度感知的非对称通道重分配策略结合跨层高效通道注意力，在压缩计算开销的同时保留深层病理语义特征，最终构建适用于边缘部署的轻量检测模型，旨在克服实时验证差、硬件部署门槛高等实际约束，为低功耗智慧林业监测提供可靠技术参考。本研究论文发表在《Frontiers in Plant Science》。
**主要关键技术方法**
研究采用公开的高分辨率无人机松材线虫病数据集PDT（Pests and Diseases Tree dataset，来源：https://github.com/RuiXing123/PDT_CWC_YOLO-DP），选取分辨率640×640的子集PDT-LL作为基准。关键技术包括：(1) 域自适应数据增强流程，包含几何空间变换（旋转±8.0°、平移±0.1、缩放0.6–1.4、剪切±1.0）、HSV颜色空间扰动（色调偏移0.015、饱和度0.6、明度0.3）以及Mosaic混合（概率0.8）和随机椭圆遮挡模拟；(2) 尺度感知的非对称通道重分配，在颈部网络将特征金字塔P3、P4、P5通道数分别调整为160、320、448（P3/P4减少37.5%，P5增加75%）；(3) 跨层ECA（Efficient Channel Attention）注意力模块，采用自适应一维卷积（1D convolution）实现局部跨通道交互，部署在主干P3/P4/P5及颈部融合节点。模型训练在单张NVIDIA GeForce RTX 3050 GPU上进行，PyTorch 2.3.1框架，输入统一动态缩放到512×512，采用随机梯度下降（SGD）优化器（动量0.937，权重衰减5e-4），余弦退火学习率调度（初始0.01，预热3轮），训练100轮。边缘测试平台为NVIDIA Jetson Nano。
**研究结果**
（保留原文小标题，总结主要发现）
**4.2 Ablation study analysis（消融实验分析）**
通过全因子解耦消融实验，以YOLOv8n为基线，分别评估域自适应增强（DA）、通道重分配（CR）和跨层ECA三个模块的贡献。引入CR后模型参数从3.01M降至2.30M（降幅23.6%），Jetson Nano上单帧推理从8.9 ms降至4.1 ms，但mAP@0.5从0.933骤降至0.908。在此基础上引入ECA，参数仅增加0.01M、推理时间增加0.1 ms，mAP@0.5回升至0.928，证明跨层交互有效补偿精度损失。最终完整模型（DA+CR+ECA）参数2.31M，mAP@0.5为0.927，推理时间4.2 ms，实现了精度-效率的帕累托最优权衡。
**4.3 Comparative experiments（对比实验）**
与主流非YOLO模型（SSD、Faster-RCNN、Nanodet-plus）和YOLO系列（YOLOv5s、YOLOv7、YOLOv8s、YOLO-DP、YOLOv10-n、YOLO26）在PDT-LL测试集对比。Edge-Forest YOLO的mAP@0.5为0.927，略低于YOLOv8s的0.940和YOLO-DP的0.945，但参数仅2.31M（较YOLO-DP减少56%，较YOLOv8s减少79%），计算负载仅4.9 GFLOPs（约为YOLO-DP的2/5、YOLOv8s的1/5），在Jetson Nano上实测约26 FPS。精度-延迟帕累托前沿图显示其位于最左端，实现边缘部署的最优平衡。
**4.4 Analysis of computational performance and deployment feasibility（计算性能与部署可行性分析）**
Edge-Forest YOLO在RTX 3050上单帧推理6.01 ms，在Jetson Nano上约38.4 ms（约26 FPS），相比YOLOv8n和YOLO-DP，参数减少55.6%，计算负载减少58.1%，满足实时性要求。
**4.5 Visualization and analysis（可视化分析）**
混淆矩阵显示背景误分类为病害的比例为0.00，病害分类准确率0.91。在稀疏强干扰、密集树冠重叠、边缘多尺度目标等典型场景的可视化对比中，Edge-Forest YOLO有效抑制了基线模型对裸露土壤等背景的误检，边界框分布和置信度与较大基线模型一致，显示出更强的鲁棒性。极端挑战样本中，早期潜伏病灶（针叶未完全变色）和异常病理模式（灰褐色病变与岩石、枯草混淆）导致漏检（约0.09漏检率），表明单模态RGB感知存在物理边界。
**讨论与结论**
讨论部分：与最新方法对比，CPD-YOLO（Yu et al., 2025）和基于YOLOv11的改进模型（Shi et al., 2025b）虽达到90.42%和94.7%的高mAP，但其复杂架构难以在资源受限边缘平台部署。而相同轻量级场景下，LW-PWDNet（Hu and Wang, 2025）参数1.9M、mAP 89.7%，Chen et al.（2025）模型参数2.3M、mAP 92.8%，Edge-Forest YOLO在2.31M参数约束下仍保持92.7% mAP和4.2 ms/帧超快推理，归因于非对称通道重分配（CR）与跨层ECA机制在网络压缩中有效防止高层病理语义丢失。局限性包括：单模态RGB视觉感知能力有限，无法有效识别早期潜伏病灶；极端场景下（高密度冠层遮挡、高速运动模糊）部分弱语义目标可能漏检；实际部署受限于电池续航、设备内存、散热和密集林冠下通信可靠性。未来方向包括融合多光谱遥感数据、探索跨模态特征融合、研究轻量去模糊预处理模块，并在低功耗机载平台上进行长期现场试验，优化实时监测工作流。
结论部分翻译：为满足无人机松材线虫病监测对轻量建模和实时性能的严格要求，本研究提出Edge-Forest YOLO——一种基于改进YOLOv8n的超轻量检测框架。通过尺度感知的通道重分配和非对称剪枝，模型有效缓解了浅层特征图中的计算冗余，参数数量降至2.31M，较原始YOLOv8n减少约23.6%。为补偿结构精简带来的潜在精度损失，整合了跨层高效通道注意力（ECA）和域自适应数据增强，在验证集上实现了mAP@0.5 = 0.927的高检测精度。推理效率方面，Edge-Forest YOLO单帧耗时4.2 ms，对应Jetson Nano边缘设备上26 FPS，较基线加速约112%。可视化分析表明，即使在密集遮挡和光照多变的复杂森林环境中，模型仍保持稳健的目标判别能力和低假阳性率。这些结果证明Edge-Forest YOLO不仅实现了精度与计算效率之间的有利权衡，而且能够为森林健康管理提供及时可靠的决策支持，助力松材线虫病防控中的早期检测、快速响应和精准干预。通过连接实时无人机监测与可执行的植物健康情报，该框架为操作性病害监测和数据驱动的森林管理策略提供了可扩展工具。
