基于無人機影像的曼巴模型與注意力機制融合的松材線蟲病檢測-慧諾瑞德（北京）科技有限公司|葉綠素?zé)晒鈢光合作用|植物表型

應(yīng)用案例

全部分類

基于無人機影像的曼巴模型與注意力機制融合的松材線蟲病檢測

發(fā)布時間：

2025-04-07

來源：

作者：

松材線蟲?。≒WD）是一種具有高度破壞性的全球性森林檢疫病害，能夠在相對較短的時間內(nèi)摧毀整個松樹林，造成重大經(jīng)濟損失和環(huán)境破壞。人工監(jiān)測、生化檢測和衛(wèi)星遙感等方法常常無法滿足松材線蟲病的及時檢測和控制需求。本文提出了一種融合Mamba模型和注意力機制的模型，旨在部署于無人機（UAV）上，用于檢測感染的松樹。實驗數(shù)據(jù)集包含了由無人機拍攝的混交林中松樹的圖像，這些圖像主要采集自2023年春季，從2月到5月期間。圖像經(jīng)過預(yù)處理，轉(zhuǎn)化為研究數(shù)據(jù)集。該融合模型包含三個主要組件。第一個組件是以狀態(tài)空間模型（SSM）為核心的Mamba骨干網(wǎng)絡(luò)，能夠高效提取松材線蟲病的特征。第二個組件是注意力網(wǎng)絡(luò)，使得我們的融合模型能夠更有效地集中關(guān)注松材線蟲病的特征。通過評估多種注意力機制模塊，包括四種注意力模塊，確定了最優(yōu)配置。第三個組件是路徑聚合特征金字塔網(wǎng)絡(luò)（PAFPN），該組件有助于在不同尺度上融合和精煉數(shù)據(jù)，從而增強模型檢測多尺度物體的能力。此外，模型中的卷積層被替換為深度可分離卷積層（DSconv），這一改進不僅減少了模型參數(shù)的數(shù)量，還提高了模型的檢測速度。最終的融合模型在測試集上進行了驗證，取得了90.0%的準(zhǔn)確率、81.8%的召回率、86.5%的平均精度（mAP）、5.9百萬的參數(shù)量以及40.16 FPS的檢測速度。與Yolov8相比，準(zhǔn)確率提高了7.1%，召回率提高了5.4%，mAP提高了3.1%。這些結(jié)果表明，我們的融合模型適合部署在無人機等邊緣設(shè)備上，并能夠有效檢測松材線蟲病。

圖1 研究區(qū)域位置。

圖2 左側(cè)的圖片顯示了早期感染的松樹，右側(cè)的圖片顯示了晚期感染的松樹。

圖3 左側(cè)的圖片展示了仿射變換，中間的圖片展示了HSV增強，右側(cè)的圖片展示了馬賽克增強。

圖4 融合模型的結(jié)構(gòu)。

圖5 VSS模塊的全面示意圖，SS2D表示二維選擇性掃描。

圖6擠壓與激勵模塊。

圖7 CBAM結(jié)構(gòu)。

圖8 上方的圖片是通道注意力，中間的圖片是空間注意力，底部的圖片展示了完整的三維注意力權(quán)重。

圖9 左側(cè)是ResNet瓶頸結(jié)構(gòu)，右側(cè)是瓶頸變換器結(jié)構(gòu)。

圖10 PAFPN結(jié)構(gòu)。

圖11 Dsconv結(jié)構(gòu)。

圖12 不同注意力模塊結(jié)果的P-R曲線。

圖13 不同模型結(jié)果的P-R曲線。

圖14 不同模型在檢測感染樹木中的效果比較分析。(a) 原始圖像；(b) 基礎(chǔ)模型；(c) Base-SimAM；(d) Base-SE；(e) Base-BoT3；(f) Base-CBAM。

圖15 比較不同模型在檢測中等大小感染樹木目標(biāo)中的表現(xiàn)。(a) 原始圖像；(b) 融合模型；(c) YOLOv3；(d) YOLOv5；(e) YOLOv6；(f) YOLOv7；(g) YOLOv8；(h) YOLOv9。

圖16 比較不同模型在檢測大尺寸感染樹木目標(biāo)中的表現(xiàn)。(a) 原始圖像；(b) 融合模型；(c) YOLOv3；(d) YOLOv5；(e) YOLOv6；(f) YOLOv7；(g) YOLOv8；(h) YOLOv9。

圖17 比較不同模型在檢測小尺寸感染樹木目標(biāo)中的表現(xiàn)。(a) 原始圖像；(b) 融合模型；(c) YOLOv3；(d) YOLOv5；(e) YOLOv6；(f) YOLOv7；(g) YOLOv8；(h) YOLOv9。

圖A1 不同訓(xùn)練輪次和不同優(yōu)化器在沒有注意力模塊情況下的結(jié)果。

圖A2 使用CBAM的融合模型結(jié)果。

來源

Bai M, Di X, Yu L, et al. A Pine Wilt Disease Detection Model Integrated with Mamba Model and Attention Mechanisms Using UAV Imagery[J]. Remote Sensing, 2025, 17(2): 255.

https://doi.org/10.3390/rs17020255

編輯

王永賢

推薦新聞

石時之約|韓志國：透過表型數(shù)據(jù)，看見植物的喜怒哀樂！

本期石時之約，我們將對話慧諾瑞德（北京）科技有限公司總經(jīng)理、國際植物表型學(xué)會（IPPN）執(zhí)委會委員/工業(yè)分會副主席韓志國，一起從表型數(shù)據(jù)的科學(xué)角度，去讀懂農(nóng)作物的喜怒哀樂和前世今生。

慧科研、慧育種、慧種田——慧聚改變的力量

讓我們“慧聚”在一起，為“慧科研、慧育種、慧種田”賦能。

高通量植物表型平臺建設(shè)注意事項

育種，是在給定的環(huán)境條件下，選擇各種表型指標(biāo)(產(chǎn)量、品質(zhì)、抗性)最優(yōu)的基因型材料的過程(AI育種，從這里起步)。育種工作中大約70%的工作量來自表型觀察測量和篩選，是最耗人力物力的過程。

作物生理表型測量基礎(chǔ)原理

生理表型測量的核心在于“早、快”，要在肉眼可見之前就能測量并預(yù)判出變化趨勢，才是這個技術(shù)的核心價值。葉綠素?zé)晒獬上瘢『脻M足了這個要求。