LE-PWDNet:基于DEIM的轻量级和增强检测框架,用于早期松病的早期检测

科学领域:

• 森林病理学 森林病理学
• 遥感是一种远程传感.
• 计算机视觉 计算机视觉 计算机视觉

背景情况:

• 松病 (PWD) 在全球范围内造成了重大的生态和经济损害.
• 早期PWD检测至关重要,但由于微妙的症状和复杂的森林环境,具有挑战性.
• 现有的模型难以平衡PWD检测的准确性和效率.

研究的目的:

• 开发一种轻量级和高效的深度学习模型,用于早期检测松病.
• 创建用于PWD检测的高分辨率无人机图像的全面数据集.
• 提高森林疾病检测系统的准确性和稳定性.

主要方法:

• 提出了LE-PWDNet,一个轻量级的检测模型,包括DEIM培训,波形细节注意力卷积 (WDAConv),ConvFFN,CGAFusion和边缘扩展采样点生成器 (DySample-E).
• 收集并利用了41568张高分辨率无人机图像的数据集,跨越了四个感染阶段.
• 评估模型性能与使用AP50指标的主流模型相比.

主要成果:

• 在早期PWD检测方面,LE-PWDNet的AP50为83.8%,整体AP50为90.2%.
• 该模型仅具有5.64M参数和7个GFLOP,表现出卓越的性能.
• 在准确性和效率方面表现优于现有的主流模型.

结论:

• LE-PWDNet为智能,低成本的森林疾病预警系统提供了一个可行的解决方案.
• 拟议的框架显示出在林业和生态监测方面具有广泛的应用潜力.
• 突出了针对小目标检测和复杂背景强度的专用模块的有效性.