基于改進(jìn)NanoDet-Plus網(wǎng)絡(luò)的樹(shù)木小目標(biāo)病蟲(chóng)害識(shí)別

摘要：為提高對(duì)樹(shù)木小目標(biāo)病蟲(chóng)害識(shí)別精度，提出一種基于改進(jìn)NanoDet-Plus網(wǎng)絡(luò)的小目標(biāo)病蟲(chóng)害識(shí)別方法。為增強(qiáng)對(duì)小目標(biāo)特征的提取能力，通過(guò)注意力機(jī)制對(duì)NanoDet-Plus網(wǎng)絡(luò)的主干網(wǎng)絡(luò)進(jìn)行改進(jìn)，利用改進(jìn)NanoDet-Plus網(wǎng)絡(luò)對(duì)松樹(shù)疫區(qū)松材線蟲(chóng)病進(jìn)行識(shí)別。結(jié)果表明，在IOU為0.55時(shí)，改進(jìn)NanoDet-Plus網(wǎng)絡(luò)識(shí)別的平均精度達(dá)94.51%；在IOU為0.80時(shí)，改進(jìn)NanoDet-Plus網(wǎng)絡(luò)識(shí)別的平均精度為66.57%；在IOU為0.55～0.95時(shí)，改進(jìn)NanoDet-Plus網(wǎng)絡(luò)識(shí)別的平均精度為60.05%。改進(jìn)NanoDet-Plus網(wǎng)絡(luò)識(shí)別的平均精度均明顯高于傳統(tǒng)的Faster R-CNN網(wǎng)絡(luò)、YOLO v6s網(wǎng)絡(luò)、NanoDet網(wǎng)絡(luò)、NanoDet-Plus網(wǎng)絡(luò)，且在定位精度和穩(wěn)定性上的表現(xiàn)最好。由此得出，改進(jìn)NanoDet-Plus網(wǎng)絡(luò)具有較好的識(shí)別性能，可用于林業(yè)病蟲(chóng)害檢測(cè)，提高防治效率。

關(guān)鍵詞：改進(jìn)NanoDet-Plus網(wǎng)絡(luò)；樹(shù)木；松材線蟲(chóng)病；小目標(biāo)；病蟲(chóng)害；識(shí)別

中圖分類號(hào)：TP399" " " " "文獻(xiàn)標(biāo)識(shí)碼：A" " " " " 文章編號(hào)：0439-8114（2025）02-0192-05

DOI：10.14088/j.cnki.issn0439-8114.2025.02.030 開(kāi)放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：

Abstract： In order to improve the accuracy of identifying small target pests and diseases of trees， a small target pest and disease recognition method based on the improved NanoDet-Plus network was proposed. To enhance the ability to extract small target features， the backbone network of the NanoDet Plus network was improved through attention mechanism， and the improved NanoDet-Plus network was used to identify pine wood nematode disease in pine epidemic areas. The results showed that at an IOU of 0.55， the average accuracy of the improved NanoDet-Plus network recognition reached 94.51%；when the IOU was 0.80， the average accuracy of the improved NanoDet-Plus network recognition was 66.57%；when the IOU was between 0.55 and 0.95， the average accuracy of the improved NanoDet-Plus network recognition was 60.05%. The average accuracy of the improved NanoDet-Plus network recognition was significantly higher than that of traditional Faster R-CNN network， YOLO v6s network， NanoDet network， and NanoDet Plus network， and it performed the best in positioning accuracy and stability.From this， it could be concluded that the improved NanoDet-Plus network had good recognition performance and could be used for forestry pest and disease detection， which could improve prevention and control efficiency.

為進(jìn)一步保障木材原材料的產(chǎn)量，林業(yè)病蟲(chóng)害防治成為當(dāng)前林業(yè)管理的重要任務(wù)［1，2］。由于中國(guó)大部分林區(qū)位于山地，具有地形復(fù)雜、海拔高等特點(diǎn)，若采用傳統(tǒng)的人工防治，存在效率低和成本高的問(wèn)題，難以實(shí)現(xiàn)對(duì)病蟲(chóng)害的及時(shí)防治［3］。為了解決這一問(wèn)題，部分學(xué)者將林業(yè)病蟲(chóng)害檢測(cè)與人工智能相結(jié)合，周曉麗等［4］利用無(wú)人機(jī)采集健康林木與染病林木的相對(duì)光譜反射率數(shù)據(jù)，通過(guò)編碼器-解碼器網(wǎng)絡(luò)對(duì)染病林木進(jìn)行識(shí)別；陳德瓊等［5］將目標(biāo)檢測(cè)網(wǎng)絡(luò)與植物病蟲(chóng)害檢測(cè)相結(jié)合，通過(guò)已知病蟲(chóng)害葉片圖像對(duì)YOLO v5s網(wǎng)絡(luò)進(jìn)行訓(xùn)練，然后將訓(xùn)練好的YOLO v5s網(wǎng)絡(luò)用于茶業(yè)病蟲(chóng)害識(shí)別。以上研究雖然實(shí)現(xiàn)了對(duì)林業(yè)病蟲(chóng)害的識(shí)別，但對(duì)移動(dòng)端硬件設(shè)備要求較高，且病蟲(chóng)害識(shí)別精度較低。因此，基于NanoDet-Plus網(wǎng)絡(luò)，提出一種輕量化的目標(biāo)檢測(cè)改進(jìn)網(wǎng)絡(luò)，并就該網(wǎng)絡(luò)對(duì)小目標(biāo)的識(shí)別精度進(jìn)行驗(yàn)證。

1 NanoDet-Plus網(wǎng)絡(luò)結(jié)構(gòu)

NanoDet-Plus網(wǎng)絡(luò)是在YOLO（You only live once）、SSD（Single shot multiBox detector）、Fast R-CNN等傳統(tǒng)目標(biāo)檢測(cè)網(wǎng)絡(luò)基礎(chǔ)上，為嵌入式設(shè)備提出的一種無(wú)錨框輕量化目標(biāo)檢測(cè)網(wǎng)絡(luò)［6］。該網(wǎng)絡(luò)主要通過(guò)ShullfeNetV2網(wǎng)絡(luò)替代普通卷積，同時(shí)使用FCOS系列檢測(cè)頭減少算法中的超參數(shù)和計(jì)算量，以緩解基于錨框算法中正負(fù)樣本不均衡的問(wèn)題，從而使目標(biāo)檢測(cè)網(wǎng)絡(luò)在不損失檢測(cè)精度的前提下減少計(jì)算量［7］。NanoDet-Plus網(wǎng)絡(luò)主要包含ShullfeNetV2主干網(wǎng)絡(luò)、Ghost-PAN頸部網(wǎng)絡(luò)和FCOS系列檢測(cè)頭，具有參數(shù)更少和檢測(cè)速度更快的特點(diǎn)，可在更多移動(dòng)場(chǎng)景下使用［8］。NanoDet-Plus網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

2 基于改進(jìn)NanoDet-Plus網(wǎng)絡(luò)的小目標(biāo)病蟲(chóng)害識(shí)別模型構(gòu)建

2.1 改進(jìn)NanoDet-Plus網(wǎng)絡(luò)

由于樹(shù)木病蟲(chóng)害目標(biāo)小、背景相似度高，為了提高檢測(cè)的精度，參考張峻豪［9］、文靖杰等［10］的研究結(jié)果，對(duì)NanoDet-Plus的ShullfeNetV2主干網(wǎng)絡(luò)進(jìn)行改進(jìn)，通過(guò)協(xié)調(diào)注意力機(jī)制（Coordinate attention，CA）對(duì)小目標(biāo)權(quán)重進(jìn)行分配，從而提高網(wǎng)絡(luò)對(duì)小目標(biāo)特征的學(xué)習(xí)表達(dá)能力。相較于通道注意力機(jī)制（Squeeze and excitation，SE）和空間混合注意力機(jī)制（Convolutional block attention module，CBAM），該注意力機(jī)制在通道注意力中嵌入位置信息，從而可以同時(shí)捕獲全局和局部的通道信息與位置信息，使網(wǎng)絡(luò)更關(guān)注到檢測(cè)目標(biāo)的位置信息，降低背景信息的干擾，提高檢測(cè)精度［11］。CA注意力機(jī)制的結(jié)構(gòu)如圖2所示。

由圖2可知，為解決傳統(tǒng)全局池化難以提取空間信息以及難以表征位置信息之間的依賴關(guān)系，協(xié)調(diào)注意力機(jī)制采用平均池化操作，進(jìn)而遍歷每個(gè)通道的特征，計(jì)算式如下。

式中，[zhc（h）]、[zwc（w）]分別為垂直、水平的特征圖；i、j分別為遍歷特征圖在高度和寬度方向上的索引；[H]和[W]分別為特征圖[xc]的高度和寬度；h、w分別為第c個(gè)通道的高度和寬度。

將上述得到的垂直和水平方向的特征圖進(jìn)行拼接，并進(jìn)行1×1卷積，最后用激活函數(shù)進(jìn)行非線性操作，計(jì)算式如下。

式中，[δ（）]為Sigmoid激活函數(shù)；[F（）]和符號(hào)[]分別代表[1×1]卷積操作與拼接操作。

通過(guò)Sigmoid激活函數(shù)的非線性操作，將特征圖[f]分割為垂直與水平方向的注意力矩陣[gh]和[gw]，計(jì)算式如下。

式中，[Fh（）]和[Fw（）]均為[1×1]卷積操作；[fh]和[fw]為特征圖經(jīng)BN層與非線性層分割后的2個(gè)獨(dú)立張量。將輸入特征圖與獲得的注意力特征矩陣相乘，提高特征圖對(duì)目標(biāo)特征的表達(dá)能力。基于CA注意力機(jī)制改進(jìn)的ShullfeNetV2網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

2.2 樹(shù)木小目標(biāo)病蟲(chóng)害識(shí)別模型構(gòu)建

基于改進(jìn)NanoDet-Plus的目標(biāo)檢測(cè)網(wǎng)絡(luò)，構(gòu)建樹(shù)木小目標(biāo)病蟲(chóng)害識(shí)別模型。對(duì)采集到的疫區(qū)樹(shù)林圖像進(jìn)行增強(qiáng)和標(biāo)注，建立數(shù)據(jù)集；按7∶3的比例將數(shù)據(jù)集劃分為訓(xùn)練集和測(cè)試集，其中訓(xùn)練集用于改進(jìn)NanoDet-Plus網(wǎng)絡(luò)的訓(xùn)練［12，13］，測(cè)試集用于訓(xùn)練后改進(jìn)NanoDet-Plus網(wǎng)絡(luò)的驗(yàn)證。樹(shù)木小目標(biāo)病蟲(chóng)害識(shí)別流程如圖4所示。

3 試驗(yàn)驗(yàn)證

3.1 試驗(yàn)環(huán)境

采用Pytorch深度學(xué)習(xí)框架和Windows10操作系統(tǒng)搭建改進(jìn)NanoDet-Plus模型目標(biāo)檢測(cè)網(wǎng)絡(luò)。系統(tǒng)使用Inter（R）Xeon（R）Silver 4110 CPU@2.1GHz中央處理器和NVIDIA GeForce GTX 1080 Ti顯卡，顯存為16 GB。

3.2 數(shù)據(jù)來(lái)源

試驗(yàn)數(shù)據(jù)來(lái)源于2022年7—11月在鹽池灣國(guó)家級(jí)自然保護(hù)區(qū)管護(hù)中心通過(guò)無(wú)人機(jī)采集到的紅松林松材線蟲(chóng)圖像［14］。使用LableImg標(biāo)注軟件對(duì)圖像中感染松材線蟲(chóng)病的松樹(shù)進(jìn)行人工標(biāo)注［15］。由于采集圖像有限，按照1∶5的比例對(duì)圖像進(jìn)行擴(kuò)充與增強(qiáng)，并刪除拍攝模糊、無(wú)法辨識(shí)的無(wú)效圖像。經(jīng)過(guò)處理，最終獲得3 042張有效圖像。按照7∶3的比例，將數(shù)據(jù)集劃分為訓(xùn)練集和測(cè)試集。

由于數(shù)據(jù)集的樣本數(shù)量較少，為了提高算法的目標(biāo)檢測(cè)精度，采用裁剪、縮放、旋轉(zhuǎn)、提亮和添加噪聲等方式對(duì)樣本數(shù)據(jù)進(jìn)行增強(qiáng)。同時(shí)采用遷移學(xué)習(xí)的方法將所有模型在COCO數(shù)據(jù)集上的訓(xùn)練權(quán)重遷移至訓(xùn)練過(guò)程。

3.3 試驗(yàn)參數(shù)與訓(xùn)練方案

設(shè)NanoDet-Plus網(wǎng)絡(luò)的初始學(xué)習(xí)率為0.001，并通過(guò)余弦退火策略對(duì)學(xué)習(xí)率進(jìn)行更新。訓(xùn)練過(guò)程中，網(wǎng)絡(luò)的最大迭代次數(shù)和權(quán)重衰減分別設(shè)置為300和0.05，批大小為32。輸入模型的圖像分辨率統(tǒng)一為640 px×640 px。

為驗(yàn)證改進(jìn)NanoDet-Plus網(wǎng)絡(luò)對(duì)小目標(biāo)病蟲(chóng)害的識(shí)別效果，將其分別與Faster R-CNN網(wǎng)絡(luò)、YOLO v6s網(wǎng)絡(luò)、NanoDet網(wǎng)絡(luò)、NanoDet-Plus網(wǎng)絡(luò)進(jìn)行比較［13］。同時(shí)采用自適應(yīng)梯度下降算法對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

3.4 評(píng)價(jià)標(biāo)準(zhǔn)

真實(shí)框（A）與預(yù)測(cè)框（B）重疊程度IOU的計(jì)算式如下。

為了對(duì)網(wǎng)絡(luò)檢測(cè)精度、定位準(zhǔn)確度和檢測(cè)結(jié)果的穩(wěn)定性進(jìn)行評(píng)估，分別計(jì)算IOU在0.55、0.80和0.55～0.95時(shí)的精度、平均精度、召回率，計(jì)算式如下。

式中，Precision為精度；Recall為召回率；AP為平均精度；d為微分；TP為被識(shí)別為健康樹(shù)木的數(shù)量；FN被識(shí)別為染病樹(shù)木的數(shù)量；FP為健康樹(shù)木被識(shí)別為染病樹(shù)木的數(shù)量。

3.5 試驗(yàn)結(jié)果

3.5.1 識(shí)別的平均精度

為驗(yàn)證改進(jìn)NanoDet-Plus網(wǎng)絡(luò)對(duì)210 mm高度樹(shù)木病蟲(chóng)害的識(shí)別精度，計(jì)算IOU為0.55時(shí)網(wǎng)絡(luò)識(shí)別的平均精度，并與其他目標(biāo)檢測(cè)網(wǎng)絡(luò)進(jìn)行比較，結(jié)果如表1所示。在IOU為0.55時(shí)，與Faster R-CNN網(wǎng)絡(luò)、YOLO v6s網(wǎng)絡(luò)、NanoDet網(wǎng)絡(luò)和NanoDet-Plus網(wǎng)絡(luò)相比，改進(jìn)NanoDet-Plus網(wǎng)絡(luò)對(duì)210 mm高度樹(shù)木病蟲(chóng)害識(shí)別的平均精度最高。通過(guò)改進(jìn)注意力機(jī)制，進(jìn)一步提升NanoDet-Plus網(wǎng)絡(luò)對(duì)小目標(biāo)特征的表征能力，且平均精度達(dá)94.51%，說(shuō)明改進(jìn)NanoDet-Plus網(wǎng)絡(luò)對(duì)林業(yè)環(huán)境小目標(biāo)病蟲(chóng)害的識(shí)別效果最好。

3.5.2 網(wǎng)絡(luò)對(duì)小目標(biāo)的定位精度

為驗(yàn)證改進(jìn)NanoDet-Plus網(wǎng)絡(luò)在小目標(biāo)上的定位精度，計(jì)算IOU為0.80時(shí)網(wǎng)絡(luò)識(shí)別的平均精度，并與其他目標(biāo)檢測(cè)網(wǎng)絡(luò)進(jìn)行比較，結(jié)果如表2所示。在IOU為0.80時(shí)，5種目標(biāo)檢測(cè)網(wǎng)絡(luò)中改進(jìn)NanoDet-Plus網(wǎng)絡(luò)識(shí)別的平均精度最高，為66.57%，可以更準(zhǔn)確地對(duì)小目標(biāo)進(jìn)行定位。相較于Faster R-CNN網(wǎng)絡(luò)、YOLO v6s網(wǎng)絡(luò)和NanoDet網(wǎng)絡(luò)，通過(guò)自上而下和自下而上2條路徑對(duì)網(wǎng)絡(luò)中語(yǔ)義信息和位置信息進(jìn)行多尺度融合，提高其對(duì)不同尺度目標(biāo)的定位能力，且進(jìn)一步提升對(duì)小目標(biāo)的定位能力。

3.5.3 網(wǎng)絡(luò)檢測(cè)的穩(wěn)定性驗(yàn)證

AP_0.55∶0.95表示網(wǎng)絡(luò)在IOU為0.55～0.95時(shí)的平均精度，代表了網(wǎng)絡(luò)面對(duì)不同尺度目標(biāo)檢測(cè)的穩(wěn)定性。為驗(yàn)證改進(jìn)NanoDet-Plus網(wǎng)絡(luò)在小目標(biāo)上的檢測(cè)穩(wěn)定性，對(duì)識(shí)別的平均精度進(jìn)行統(tǒng)計(jì)和比較，結(jié)果如表3所示。在IOU為0.55～0.95時(shí)，改進(jìn)NanoDet-Plus網(wǎng)絡(luò)識(shí)別的平均精度為60.05%，相較于Faster R-CNN網(wǎng)絡(luò)、YOLOv6s網(wǎng)絡(luò)、NanoDet網(wǎng)絡(luò)和NanoDet-Plus網(wǎng)絡(luò)，分別提高4.59倍、30.30%、7.58%和4.13%。結(jié)果表明，在IOU為0.55～0.95時(shí)，改進(jìn)NanoDet-Plus網(wǎng)絡(luò)的穩(wěn)定性更強(qiáng)。

3.5.4 林業(yè)環(huán)境下模型對(duì)小目標(biāo)病蟲(chóng)害的識(shí)別結(jié)果

基于樹(shù)莓派二代B型開(kāi)發(fā)板和OpenCV軟件搭建林業(yè)環(huán)境下小目標(biāo)病蟲(chóng)害識(shí)別嵌入式系統(tǒng)，在系統(tǒng)上部署改進(jìn)NanoDet-Plus網(wǎng)絡(luò)。隨機(jī)從測(cè)試集中選取松材線蟲(chóng)病的圖片，然后利用該嵌入式系統(tǒng)進(jìn)行識(shí)別，結(jié)果表明，改進(jìn)NanoDet-Plus網(wǎng)絡(luò)具有較好的識(shí)別性能，如圖5所示。

4 小結(jié)

通過(guò)在NanoDet-Plus網(wǎng)絡(luò)中引入注意力機(jī)制對(duì)主干網(wǎng)絡(luò)進(jìn)行改進(jìn)，進(jìn)一步提高NanoDet-Plus網(wǎng)絡(luò)在復(fù)雜背景下對(duì)小目標(biāo)的識(shí)別效果。檢測(cè)結(jié)果表明，在IOU分別為0.55、0.85和0.55～0.95時(shí)，改進(jìn)NanoDet-Plus網(wǎng)絡(luò)識(shí)別的平均精度均明顯高于Faster R-CNN網(wǎng)絡(luò)、YOLO v6s網(wǎng)絡(luò)、NanoDet網(wǎng)絡(luò)和NanoDet-Plus網(wǎng)絡(luò)，且在定位精度和穩(wěn)定性上的表現(xiàn)最好。由此說(shuō)明，改進(jìn)NanoDet-Plus網(wǎng)絡(luò)具有較好的識(shí)別性能。但本研究也存在一定的不足，如由于采集樣本數(shù)量較少，網(wǎng)絡(luò)在高閾值情況下的檢測(cè)精度有限。因此，未來(lái)會(huì)采集更多的病蟲(chóng)害圖像對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，進(jìn)而提高網(wǎng)絡(luò)的識(shí)別效果，使其能被更廣泛地推廣使用。

參考文獻(xiàn)：

［1］ 周宏威，姜?dú)J嘯，劉 洋，等. 樹(shù)木病蟲(chóng)害缺陷精準(zhǔn)檢測(cè)方法的綜述和展望［J］. 昆蟲(chóng)學(xué)報(bào)， 2020， 63（9）： 1145-1152.

［2］ 陳籽君，陳 平，秦英偉. 基于X射線圖像的樹(shù)木病蟲(chóng)害檢測(cè)方法研究［J］. 國(guó)外電子測(cè)量技術(shù)， 2023， 42（10）： 184-189.

［3］ 何 穎，陳丁號(hào)，彭 琳. 基于改進(jìn)YOLO v5模型的經(jīng)濟(jì)林木蟲(chóng)害目標(biāo)檢測(cè)算法研究［J］. 中國(guó)農(nóng)機(jī)化學(xué)報(bào)， 2022， 43（4）： 106-115.

［4］ 周曉麗，周立君，伊力塔，等. 基于光譜圖像的森林病蟲(chóng)害自動(dòng)檢測(cè)方法［J］. 應(yīng)用光學(xué)， 2023， 44 （2）： 420-426.

［5］ 陳德瓊，曠丞吉. 基于YOLO v5s的茶葉病蟲(chóng)害檢測(cè)方法［J］. 福建茶葉， 2024， 46 （3）： 32-34.

［6］ 于 瓅，馬天祥. 基于改進(jìn)NanoDet和GRU的交警手勢(shì)識(shí)別研究［J］. 佳木斯大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2023， 41（5）： 10-14.

［7］ 張鶴旭. 基于Nanodet檢測(cè)算法的樹(shù)木特性識(shí)別系統(tǒng)研究［J］. 工業(yè)控制計(jì)算機(jī)， 2024， 37（1）： 106-108.

［8］ 蔣善旗，康 兵，倪嘉豪，等. 基于Nanodet-Plus的智能抄表系統(tǒng)研究與設(shè)計(jì)［J］. 電子設(shè)計(jì)工程， 2023， 31（22）： 144-148.

［9］ 張峻豪. 基于無(wú)人機(jī)圖像的松樹(shù)病蟲(chóng)害識(shí)別研究［D］. 沈陽(yáng)：沈陽(yáng)理工大學(xué)， 2023.

［10］ 文靖杰，王 勇，李金龍，等. 多頭自注意力機(jī)制的Faster R-CNN目標(biāo)檢測(cè)算法［J］. 現(xiàn)代電子技術(shù)， 2024， 47（7）： 8-16.

［11］ 孫 杰，楊 靜，丁書杰，等. 基于多注意力機(jī)制與編譯圖神經(jīng)網(wǎng)絡(luò)的高光譜圖像分類［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2024， 55（3）： 183-192.

［12］ 崔夢(mèng)銀，鄧 茵，崔盼盼. 基于深度學(xué)習(xí)的農(nóng)作物病蟲(chóng)害圖像識(shí)別方法［J］. 滄州師范學(xué)院學(xué)報(bào)， 2024， 40（1）： 15-21.

［13］ 王 玲. 花生病蟲(chóng)害發(fā)生特點(diǎn)及綜合防治技術(shù)［J］. 現(xiàn)代農(nóng)村科技， 2024（3）： 60-61.

［14］ 黃家福，吳 戀，王 院，等. 基于深度學(xué)習(xí)的水稻病蟲(chóng)害檢測(cè)系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)［J］. 電腦知識(shí)與技術(shù)， 2024， 20（4）： 19-21.

［15］ 蘭玉彬，孫斌書，張樂(lè)春，等. 基于改進(jìn)YOLO v5s的自然場(chǎng)景下生姜葉片病蟲(chóng)害識(shí)別［J］. 農(nóng)業(yè)工程學(xué)報(bào)，2024，40（1）：210-216.

收稿日期：2024-07-30

基金項(xiàng)目：祁連山國(guó)家公園酒泉分局生態(tài)監(jiān)測(cè)科技專項(xiàng)（XDA2006700）

作者簡(jiǎn)介：趙小平（1971-），女，甘肅酒泉人，高級(jí)工程師，主要從事現(xiàn)代園藝、城市園林綠化研究，（電話）18993768632（電子信箱）627803053@qq.com；通信作者，董眾祥（1969-），男，甘肅酒泉人，高級(jí)工程師，主要從事林業(yè)方向研究，（電話）13830785612（電子信箱）1098213013@qq.com。