YOLOv8-MFD:使用无人机图像进行松病树的增强检测模型
Hua Shi1, Yonghang Wang1, Xiaozhou Feng1
1College of Sciences, Xi'an Technological University, Xi'an 710021, China.
Sensors (Basel, Switzerland)
|September 19, 2025
概括
随着新的YOLOv8-MFD模型,森林中松病 (PWD) 的早期检测现在更加准确和高效,改善了森林管理和保护工作.
科学领域:
- 林业林业 林业 林业 林业
- 植物病理学 植物病理学
- 遥感 遥感 遥感 遥感
- 计算机视觉 计算机视觉
背景情况:
- 松病 (PWD) 对全球松树林和经济构成重大威胁.
- 准确和早期发现PWD对于有效的森林管理和疫情预防至关重要.
- 现有的遥感模型在复杂环境中的性能和实时效率方面面临着挑战.
研究的目的:
- 开发一个改进的物体检测模型,使用无人机图像准确有效地检测PWD感染的树木.
- 在复杂的森林背景中增强特征表示和模型稳定性,用于PWD检测.
- 提供一个可靠的解决方案,用于在大型森林地区的PWD早期监测.
主要方法:
- 提出了一个改进的物体检测模型,YOLOv8-MFD,用于从无人机图像中检测PWD感染的树木.
- 整合了一个基于MobileViT的骨干,用于融合CNN和变形金刚,以增强特征表示.
- 集成了焦点调制机制和动态头部,以提高稳定性,精度和多尺度感知.
主要成果:
- YOLOv8-MFD实现了高性能指标:92.5%的精度,84.7%的回忆,88.4%的F1得分和88.2%的mAP@0.5.5.
- 与基线YOLOv8和YOLOv10相比,该模型显示出更高的准确性.
- 保持了可接受的计算成本 (11.8 GFLOPs),紧的模型大小 (10.2 MB) 和适合实时部署的推断速度.
结论:
- 拟议的YOLOv8-MFD模型为广泛的森林地区的PWD早期监测提供了可靠和高效的解决方案.
- 能够及时干预疾病,并加强森林资源保护战略.
- 可泛化架构显示出在森林健康和农业疾病检测方面具有更广泛应用的潜力.
