提升模糊无人机图像的泛化能力：一种用于森林病虫害检测的改进方法

《IEEE Access》：Enhancing Generalization for Blurred UAV Images: An Improved Method for Forest Pest and Disease Detection

　　

摘要：

在基于无人机的森林病虫害监测实际应用中，飞行不稳定常常会导致图像模糊，进而降低检测效率。为此，本文提出了一种改进的系统性方法，用于提升模糊无人机图像的目标检测性能，有效增强模型的泛化能力。一方面，以YOLOv11模型为基础，在模型的主干网络和颈部网络中引入高效多尺度注意力（EMA）机制。该机制能够利用跨空间信息交互能力，提升模型对细微病虫害特征的识别能力，从而提高目标检测性能。另一方面，通过模拟运动模糊，从清晰的无人机航拍图像中生成模糊数据集，有效丰富训练样本。此外，还将旋转和裁剪等常见的数据增强技术应用于训练过程。具体而言，还采用了MixUp和Copy–Paste等高级策略，进一步增加训练样本的多样性，显著提升模型对模糊图像的适应能力。实验结果表明，改进后的模型能有效提升弱目标的召回率，在模糊图像测试集上的平均精度均值（mAP@0.5）达到了0.90，这一性能与清晰图像上的检测效果相当，满足了实际工程应用的需求。这大大提升了在实际监测场景中的检测稳定性，为智能森林病虫害监测的实地应用奠定了更坚实的技术基础。