摘要
病原真菌及其与树皮甲虫的协同相互作用，导致维管束功能障碍、生理胁迫并最终导致树木死亡，越来越威胁着森林生态系统。由于真菌定殖往往早于可见的宏观症状，早期检测仍然是森林健康监测中一项关键而具有挑战性的任务。本研究提出了一种基于深度学习的实时目标检测框架，用于识别宿主树木附近的有害真菌，以支持早期干预策略。构建了一个包含 8900 张图片的定制数据集，代表两个类别：健康树木和不健康树木，其中真菌的存在是在树木上直接检测到或在紧邻的生态范围内（例如，靠近根系）检测到。开发了一种微调的 YOLOv11 检测架构，并辅以类似挤压激励（SE）的注意力机制，以增强对纹理敏感的特征表示。使用精确率、召回率、F1 分数和平均精度均值（mAP）对模型进行训练和评估。实验结果表明整体 mAP@0.5 为 0.825，各类别平均精度值分别为 0.926（健康）和 0.724（不健康）。健康类别的分类准确率达到 0.92，而 0.71 的不健康实例被正确检测到。F1-置信度和召回率 - 置信度指标表明，最佳操作性能发生在置信度阈值 0.30–0.35 的范围内，平衡了误报和漏报。尽管类别分布大致均衡（50.6% 健康和 49.4% 不健康），但由于其更大的类内变异性、异质性的真菌外观和细微的视觉表现，不健康类别的检测性能相对较低。研究结果证明了部署实时目标检测模型进行早期真菌监测的可行性，并强调了置信度校准对于操作性疾病监测系统的重要性。
