Un método de detección de la marchitez del pino basado en YOLOv11 mejorado con imágenes de teledetección de drones

Área de la Ciencia:

• Patología Forestal
• Teledetección
• Inteligencia Artificial

Sus antecedentes:

• La marchitez del pino (PWD), causada por Bursaphelenchus xylophilus, representa una amenaza significativa para los ecosistemas forestales.
• Los métodos actuales de detección de PWD carecen de precisión, especialmente en las primeras etapas, lo que lleva a detecciones omitidas y daños ecológicos.

Objetivo del estudio:

• Desarrollar un método de detección mejorado basado en YOLOv11 para la detección temprana de la marchitez del pino utilizando teledetección de drones.
• Mejorar la extracción de características para objetivos pequeños y aumentar la conciencia del contexto para una detección más precisa de PWD.

Principales métodos:

• El estudio propone YOLOv11-OC, que integra la convolución dinámica omnidireccional (ODConv) y los mecanismos de atención de anclaje de contexto (CAA) en la arquitectura YOLOv11.
• ODConv optimiza la extracción de características para objetivos pequeños, mientras que CAA mejora la conciencia del contexto y reduce los falsos positivos en fondos complejos.
• El modelo se entrenó y evaluó utilizando imágenes de teledetección de drones de pinos.

Principales resultados:

• El algoritmo YOLOv11-OC logró una precisión del 94,2 %, una recuperación del 83,1 %, una puntuación F1 del 88,3 % y un mAP del 88,9 %.
• En comparación con el YOLOv11 original, YOLOv11-OC mostró mejoras del 2,8 % en precisión, 1,0 % en puntuación F1 y 1,4 % en mAP.
• El algoritmo demostró sólidas capacidades de generalización en el conjunto de datos PlantDoc.

Conclusiones:

• El método propuesto YOLOv11-OC mejora significativamente la precisión y la eficiencia de la detección de la marchitez del pino en sus primeras etapas a partir de imágenes de drones.
• La integración de los mecanismos ODConv y CAA mejora la capacidad del modelo para identificar indicadores sutiles de la enfermedad y funcionar de manera robusta en entornos desafiantes.
• Esta técnica de detección avanzada ofrece una herramienta prometedora para la gestión proactiva de los bosques y la mitigación del impacto de PWD.