摘要
由松材线虫引起的松材线虫病在全球内发展迅速，造成松树大量死亡。中国是受松材线虫病影响最严重的国家，自1982年首次发现至今，已造成严重的经济损失。及时有效的发现松材线虫病树并对其染病程度进行分级工作是控制疫情传播的重要手段，是中国松材线虫病防控工作的核心之一。然而，基于无人机遥感的松材线虫病树识别与分级工作存在识别精度低、识别速度慢、分级精度低等问题。为解决上述问题，本文以松材线虫病树的识别分级为目标，构建基于深度学习的松材线虫病树识别模型和松材线虫病树分级模型，实现对基于无人机遥感的松材线虫病树监测。具体研究内容如下: (1)基于无人机遥感与深度学习的松材线虫病树识别方法 针对在复杂地形地物环境下，传统基础模型因遮挡、背景等原因对病树特征提取能力弱，检测精度偏低，易出现误检漏检的问题;且考虑到覆盖广域林区产生海量数据，检测模型速度偏慢导致检测过程漫长。同时单一可见光图像识别方式存在精度较低的问题，单一多光谱识别方式会受到“同物异谱”和“异物同谱”现象的影响，从而出现各种误检、漏检状况，影响变色木的识别精度。为此，提出一种基于改进YOLOv51的松材线虫病树识别方法。通过改变主干网络、使用注意力机制等提升模型对多光谱图像与可见光图像多尺度、多种类特征的有效提取与融合能力，降低模型复杂度，包括使用两种注意力机制CBAM和CA结合、使用BiFPN结构、使用GhostNet以及Transformer结构改进模型，提升模型的精准度，减少参数量，提升检测速度。实验结果表明，改进后的融合多光谱图像与可见光图像的检测模型参数量为46.69MB,平均检测时间为0.064s/张，mAP@0.5达到0.987,可以快速精确的对无人机遥感图像的松材线虫病树进行检测。 (2)基于无人机遥感与深度迁移学习的松材线虫病树分级方法 现有工作大多针对松材线虫病树识别问题，缺少对病树的快速分级，对病树进行不同感染程度划分可以针对性的使用不同的防治手段，有效控制疫情传播。因此提出一种基于无人机遥感和深度迁移学习的松材线虫病树分级方法。该方法以多光谱可见光图像融合的迁移学习为基础，利用改进后的YOLOv7x模型对树进行识别和分级工作。通过提出一种大感受野与分支注意力机制的基础特征提取单元，结合平衡特征提取与特征融合的ELAN,然后通过训练策略优化，解决不同时期病树界限模糊对于分级工作带来的难题。实验结果表明，改进后的YOLOv7x模型，对早期病树的检测精度达到0.937,对中期病树的检测精度达到0.951,对晚期病树的检测精度达到0.942,对枯死木的检测精度达到0.926,平均精度均值mAP@0.5为0.939,可以精确的对无人机遥感图像的松材线虫病树进行分级工作。
NETL