基于ＮａｎｏＤｅｔ-ＳｉｍＡＭ小尺寸松材線蟲病受害木檢測

摘 要：針對小尺寸松材線蟲病受害木檢測精度及檢測效率低的問題，提出了一種融合深度網絡和注意力機制的小尺寸松材線蟲智能檢測模型。采用無人機（ＵＡＶ）搭載小型相機在２２０ｍ高度拍攝小尺寸松材線蟲受害木圖像，應用圖像旋轉、縮放、添加高斯噪聲和模擬光照強度等數據處理方式擴充數據集，設計輕量級深度網絡ＮａｎｏＤｅｔ和ＳｉｍＡＭ 注意力模塊融合模型ＮａｎｏＤｅｔ-ＳｉｍＡＭ對小尺寸松材線蟲受害木進行精準檢測。結果表明，該模型相較于ＦａｓｔｅｒＲＣＮＮ、Ｙｏｌｏｖ４、Ｙｏｌｏｖ５ｓ及ＮａｎｏＤｅｔ等檢測網絡模型，具有更高的檢測精度、速度和穩定性。

關 鍵 詞：松材線蟲病；目標檢測；輕量級網絡ＮａｎｏＤｅｔ；注意力機制；無參注意力；遷移學習；數據增強；小尺寸

中圖分類號：ＴＰ３９１ 文獻標志碼：Ａ 文章編號：１０００－１６４６（２０２４）０４－０４２８－０６

松材線蟲病是一種世界性重大檢疫性森林病害，主要危害松屬植物和少數非松屬針葉樹，具有極強的傳染性與潛伏性。及時發現并治理松材線蟲病受害木是防止疫情擴散的重要措施。

目前，林區中受害木的監測手段主要有人工踏查、無人機遙感和衛星遙感等方式。人工踏查受害木監測方式具有勞動強度及人力成本高的特點，不利于大范圍林區疫情監測；衛星遙感受害木監測方式具有覆蓋域廣、勞動強度低的特點，但受拍攝時間與環境因素制約，且拍攝設備成本高，難以滿足實際工作需求；無人機憑借機載設備豐富、機動靈活、實時性強的特點，在松材線蟲病監測與管理領域得到廣泛應用［１］。

無人機進行松材線蟲病樹識別與檢測的研究方法主要分為傳統機器學習識別研究和深度學習檢測研究兩大類。劉金滄等［２］根據受害木圖像特點，提取圖像目標的顏色及紋理特征，設計多特征條件隨機場（ＣＲＦ）模型進行分類識別。ＹＵ等［３］采用高光譜圖像特征數據指數，基于植被指數（ＶＩ）、紅邊參數（ＲＥＰ）及水分指數（ＭＩ）等綜合指標，構建隨機森林ＲＦ模型區分健康樹木和感染樹木。徐航煌等［４］針對圖像中目標顏色特征，提出超綠算法結合最大類間方差法（ＥＸＧＯＳＴＵ）來識別分割模型，對受害木的病害程度進行識別與分類。上述方法雖從不同角度建立了受害木的識別分類模型，并取得了較好效果，但不能直接從圖像中檢測目標，缺少對小尺寸受害木的識別研究。

基于深度學習受害木檢測方法，根據目前主流的一階段檢測網絡ＹＯＬＯ［５］和二階段檢測網絡ＦａｓｔｅｒＲＣＮＮ［６］構建檢測模型。相比于二階段檢測網絡，一階段檢測網絡預測推理過程相對簡單，實現了提速目的，但也增加了檢測難度［７］。ＹＵ等［８］分別采用ＦａｓｔｅｒＲＣＮＮ和ＹＯＬＯｖ４檢測網絡實現對不同感染階段的受害木檢測。黃麗明等［９］以ＹＯＬＯｖ４網絡模型為基礎，使用深度可分離卷積和倒殘差結構對網絡進行改進，提升了ＹＯＬＯｖ４網絡識別松材線蟲病樹的精度和效率。ＤＥＮＧ等［１０］將區域生成網絡ＲＰＮ和ＲｅｓＮｅｔ網絡融合于ＦａｓｔｅｒＲＣＮＮ網絡模型中，優化了ＲＰＮ中的損失函數和錨點，提高了松材線蟲受害木的識別精度。深度學習算法能夠同時完成目標的定位和分類，更符合森林監管的實際需求。

盡管目前現有的深度學習受害木檢測方式已實現自動檢測，并在檢測精度方面取得了一些成果，但對小尺寸松材線蟲受害木檢測研究較少，尤其是兼顧速度和準確性的小尺寸受害木檢測模型的建立仍是林業管理亟待解決的難點。針對現有主流目標檢測網絡識別小尺寸受害木識別精度低、檢測速度慢的問題，本文提出了一種ＮａｎｏＤｅｔ-ＳｉｍＡＭ融合檢測模型，利用無參注意力ＳｉｍＡＭ模塊的空域注意力分配機制和通道注意力分配機制提高ＮａｎｏＤｅｔ網絡對小尺寸受害木的特征提取能力，將ＣＯＣＯ數據集中預訓練權重遷移到受害木識別模型，提升網絡初始參數的優化性能，實現快速、精準檢測小尺寸松材線蟲病受害木的目的。

１ 數據采集與處理

１.１ 實驗區域與樣本采集

本文的數據由課題聯合研究單位東北林草危險性有害生物防控國家林草局重點實驗室提供，拍攝裝置為Ｐｈａｎｔｏｍ４ＰｒｏＶ２.０型無人機和ＦＣ６３１０Ｓ型相機，相機配備１１英寸２０００萬像素圖像傳感器和等效廣角鏡頭。研究區域位于中國遼寧省撫順市顏家溝地區，觀測對象主要為紅松和油松，采集時間為２０２０年８月和１０月。根據國際光學工程學會（ＳＰＩＥ）定義，目標像素小于圖像像素０１２％為小目標［１１］。為了獲取小目標數據集，將無人機飛行相對高度設置為２２０ｍ，使目標面積占圖像面積比例小于０.１０％。經過核驗，最終獲取有效目標圖像２０９張，圖像尺寸為５４７２像素×３０７８像素，標記目標面積占圖像面積的０.００７％ ～０.０９９７％。

１.２ 數據增強

松材線蟲受害木在感染初期呈現淺黃色，感染中期呈現橘黃色和黃色，感染晚期呈現褐色和淺灰色。受害木顏色特征的差異性小，目標結構信息的相似性與匱乏性均為松材線蟲受害木有效識別帶來了巨大挑戰。考慮到無人機拍攝有效圖像過少，為加快模型的訓練速度，提升模型的檢測質量，對無人機拍攝的２０９張有效圖像按１∶６進行數據擴充與增強，采用旋轉變換和縮放變換增加圖像的多樣性和多變性，通過添加高斯噪聲和調節圖像的亮暗程度豐富圖像信息，模擬自然環境的多變性。目標尺寸、視角、背景及光照等重要因素的變化能夠降低檢測模型對圖像的敏感度，增強模型檢測的泛化能力。數據增強后的數據集共包含圖像１２４５張（去除無效數據），采用ＬａｂｌｅＩｍｇ軟件對具有松材線蟲病感染特征的松樹進行手動標注，單張數據增強圖像和標注情況如圖１所示。