松病的检测方法基于改进的YOLOv11与无人机遥感图像
Hua Shi1, Zhenhui Zhu1, Xiaozhou Feng1
1College of Sciences, Xi'an Technological University Xi'an China.
Ecology and evolution
|December 30, 2025
概括
一种新的YOLOv11-OC方法使用无人机图像改善了松病 (PWD) 的早期检测. 这种人工智能方法提高了准确性,减少了错过的检测,这对于森林健康管理至关重要.
科学领域:
- 森林病理学 森林病理学
- 遥感 遥感 遥感 遥感
- 人工智能的人工智能
背景情况:
- 由Bursaphelenchus xylophilus引起的松病 (PWD) 对森林生态系统构成重大威胁.
- 目前的PWD检测方法缺乏准确性,特别是在早期阶段,导致错过检测和生态破坏.
研究的目的:
- 开发一种基于YOLOv11的改进检测方法,用于早期的松病,使用无人机遥感.
- 为了增强小目标的特征提取,并提高背景意识,以便更准确地检测PWD.
主要方法:
- 该研究提出了YOLOv11-OC,将万维动态卷积 (ODConv) 和上下文注意力 (CAA) 机制集成到YOLOv11架构中.
- ODConv优化了针对小目标的特征提取,而CAA提高了上下文意识,并减少了复杂背景中的错误阳性.
- 该模型使用无人机远程探测松树图像进行训练和评估.
主要成果:
- YOLOv11-OC算法实现了94.2%的精度,83.1%的回忆,88.3%的F1得分和88.9%的mAP.
- 与原始YOLOv11相比,YOLOv11-OC的精度提高了2.8%,F1得分提高了1.0%,mAP提高了1.4%.
- 该算法在PlantDoc数据集上展示了强大的概括能力.
结论:
- 拟议的YOLOv11-OC方法显著提高了从无人机图像中检测早期松病的准确性和效率.
- 整合ODConv和CAA机制增强了该模型识别微妙疾病指标的能力,并在具有挑战性的环境中强大表现.
- 这种先进的检测技术为主动森林管理和减轻PWD影响提供了一个有希望的工具.
