基于平衡参数和检测精度的早期松材线虫病害识别方法

本发明涉及基于平衡参数和检测精度的早期松材线虫病害识别方法，属于松材线虫病害识别。

背景技术：

1、松材线虫病害（pine wilt disease，pwd）是由携带松材线虫（bursaphelenchusxylophilus）的媒介甲虫从枯死的树木传染给健康的树木，对全世界的松树林和木材工业构成严重威胁。松树感染松材线虫病后，通常会在几个月内死亡。松材线虫病在南京的历史始于1982年，最早的发现地位于南京中山陵风景区的紫金山。自发现以来，该病害在南京及其周边地区迅速蔓延，对当地林业资源造成了严重破坏。s松材线虫病害的迅速蔓延不仅影响林木的健康，也对生态系统的稳定产生了长期的负面影响。

2、由于松材线虫病害是一种快速传播的病害，一旦发现，应立即采取控制措施以防止其进一步扩散到健康的松树。因此，检测松材线虫病害是非常重要的，可以帮助有关部门掌握当前的感染情况，及时采取措施，避免进一步松材线虫病害进一步扩散。传统控制松材线虫病害扩散的效措施为人工定位受感染的松树，然后砍伐、焚烧或熏蒸。

3、现代研究和应用中越来越多地采用分子生物学方法，相较于人工识别提高了检测的速度和准确性，但是成本较高，操作复杂、难以直接应用于现场快速检测。

4、为了应对这些挑战，研究者开始探索使用遥感技术进行监测。初期的遥感应用主要依赖于卫星图像，允许研究人员在不直接接触受感染区域的情况下进行评估，同时能够覆盖大范围的区域，克服了人工调查的局限性。然而，卫星遥感的数据获取受限于卫星的轨道周期，导致无法实时监测松材线虫病害的快速扩散。其次，天气条件会显著影响图像的获取和解析度，限制了监测的连续性和可靠性。最后，传统卫星图像的空间分辨率相对较低，难以分辨细小的病变区域或单个受感染的树木，影响了监测的精度和细节识别能力。

5、近年来，近距离无人机遥感技术在松材线虫病害监测中展现出巨大潜力。首先，无人机可以搭载光学相机、高光谱传感器、热红外相机和lidar等设备进行拍摄，具有高空间和高时空分辨率。不仅能够揭示树冠层面的微小变化，包括色素变化和叶片萎蔫等，也能提供连续、重复的监测，有利于动态追踪病害的实时发展。其次，无人机的部署不受地形限制，可以在难以到达的区域进行飞行，这对于监测偏远或难以步行到达的松林区域尤为重要，具有良好的灵活性。

6、研究人员已经开始将无人机图像与传统的机器学习算法结合，用于识别和分析受松材线虫病害感染的树木。虽然在检测松材线虫病害时，传统的机器学习算法取得了一定进展，但是需要人工挑选和设计特征，这对于无人机拍摄的复杂的森林图像来说，既困难又耗时。同时，其可能因为森林环境的动态变化而面临准确性和稳定性的挑战，且在不同地理位置或森林类型中的泛化能力也受限。

7、近年来，深度学习迅猛发展，其通过学习数据集中的高级抽象特征，展现出较传统的机器学习更强的泛化能力，大幅提升了复杂环境中目标识别的精度，这一进步使得深度学习成为无人机图像分析领域的首选技术。但是在实际应用中，常常会存在资源受限的情况。

技术实现思路

1、本发明的目的在于克服现有技术中的不足，提供基于平衡参数和检测精度的早期松材线虫病害识别方法， 采用训练好的基于平衡参数和检测精度的松材线虫病害识别模型对松材线虫病害图像进行病害识别，泛化能力强，识别精度高。

2、为达到上述目的，本发明是采用下述技术方案实现的：

3、本发明公开了基于平衡参数和检测精度的早期松材线虫病害识别方法，包括如下步骤：

4、获取待识别的松材线虫病害图像；

5、将所述松材线虫病害图像输入至训练好的基于平衡参数和检测精度的松材线虫病害识别模型中，得到对应的松材线虫病害识别结果；

6、其中，所述松材线虫病害识别模型包括依次连接的输入模块、基于fastercsp的主干网络、基于gscsp和rfb-s的颈部网络、基于cbam注意力机制的头部网络和输出模块；

7、所述输入模块，用于输入松材线虫病害图像；

8、所述主干网络，用于对所述松材线虫病害图像进行特征提取，得到多个输出特征；

9、所述颈部网络，用于对多个输出特征进行融合和增强，得到多个融合特征；

10、所述头部网络，用于对多个融合特征进行特征表示的优化，得到多个优化特征；

11、所述输出模块，用于根据多个优化特征，输出松材线虫病害识别结果。

12、进一步的，所述松材线虫病害识别模型的训练方法如下：

13、获取训练集和验证集；

14、根据所述训练集，基于bcc损失函数对预构建的松材线虫病害识别模型进行训练，直至满足预设的迭代终止条件输出训练后的松材线虫病害识别模型；

15、根据所述验证集，基于预设的结合平衡参数和检测精度的评估函数对训练后的松材线虫病害识别模型进行性能评估，响应于评估函数值均满足对应的预设的评估函数阈值，则终止训练，输出训练好的松材线虫病害识别模型；反之则重复回到基于bcc损失函数对预构建的松材线虫病害识别模型进行训练的步骤，进行迭代训练。

16、进一步的，所述获取训练集和验证集，包括如下步骤：

17、获取松材林的巡检图像；

18、根据所述巡检图像，进行筛选得到训练松材线虫病害图像；

19、对训练松材线虫病害图像进行标注后，得到每一个松材线虫病害目标的标注框，进而得到带有标注框的数据集；

20、基于预设的划分比例将所述数据集分为训练集和验证集。

21、进一步的，所述预设的结合平衡参数和检测精度的评估函数包括交并比为0.5时的平均精确率函数和fps函数；

22、所述交并比为0.5时的平均精确率函数的表达式如下：

23、

24、式中，表示交并比为0.5时的平均精确率函数；表示松材线虫病害的类别数；表示第i种松材线虫病害类别的模型识别的平均精确率；

25、所述fps函数用于表示画面每秒帧数，表达式如下：

26、

27、式中，t表示模型对输入的所有图像完成识别的平均时间。

28、进一步的，所述交并比的表达式如下：

29、

30、式中，表示交并比；预测框面积表示松材线虫病害目标的模型预测框的面积；真实框面积表示松材线虫病害目标的标注框的面积；

31、所述第i种松材线虫病害类别的模型识别的平均精确率的表达式如下：

32、

33、式中，表示第i种松材线虫病害类别的精确率；表示第i种松材线虫病害类别的召回率；表示以精确率为y轴，召回率为x轴绘制的曲线图；表示召回率的偏导；

34、所述精确率和召回率的表达式如下：

35、

36、

37、式中，tp表示实际为松材线虫病害目标且被模型识别为松材线虫病害目标的数量；fp表示实际为非松材线虫病害目标且被模型识别为松材线虫病害目标的数量；fn表示实际为松材线虫病害目标且没有被模型识别为松材线虫病害目标的数量。

38、进一步的，所述bcc损失函数的表达式如下：

39、

40、式中，边界框损失函数；代表置信度损失函数；代表分类损失函数。

41、所述边界框损失函数公式如下：

42、

43、

44、式中，代表siou相似度量；代表松材线虫病害目标的模型预测框的面积； 代表松材线虫病害目标的标注框的面积；代表松材线虫病害目标的模型预测框中心点和松材线虫病害目标的标注框的中心点之间的欧式距离；表示松材线虫病害目标的模型预测框的宽度；表示松材线虫病害目标的模型预测框的高度；表示松材线虫病害目标的标注框的宽度；表示松材线虫病害目标的标注框的高度；

45、所述置信度损失函数公式如下：

46、

47、式中，代表松材线虫病害目标的标注框，表示是否有松材线虫病害目标；代表松材线虫病害目标的模型预测该区域中含有目标的概率；

48、所述的分类损失函数公式如下：

49、

50、式中，c代表松材线虫病害类别的总数；代表标注的松材线虫病害目标的类别的概率分布；代表模型预测的松材线虫病害目标的类别的概率分布。

51、进一步的，所述主干网络包括依次连接的第一cblr模块、第二cblr模块、第一fastercsp模块、第一maxpool模块、第二fastercsp模块、第二maxpool模块、第三fastercsp模块、第三maxpool模块和第四fastercsp模块；

52、其中，所述第一cblr模块用于输入松材线虫病害图像；第二fastercsp模块用于输出第一输出特征；第三fastercsp模块用于输出第二输出特征；第四fastercsp模块用于输出第三输出特征；

53、所述第一fastercsp模块或第二fastercsp模块或第三fastercsp模块或第四fastercsp模块的表达式如下：

54、

55、式中，表示任一fastercsp模块的输出数据；表示卷积操作；表示连接操作；表示操作；表示任一fastercsp模块的输入数据；

56、所述操作的表达式如下：

57、

58、

59、

60、式中，表示进行操作的输入数据；表示部分卷积操作；表示切分操作输出的通道数为的特征图1；表示切分操作输出的通道数为的特征图2；表示切分操作；表示切分操作通道数；表示的通道维度数；表示通道维度。

61、进一步的，所述颈部网络包括依次连接的rfb-s模块、第三gsconv模块、第一upsampled模块、第一concat模块、第一gscsp模块、第四gsconv模块、第二upsampled模块、第二concat模块、第二gscsp模块、第五gsconv模块、第三concat模块、第三gscsp模块、第六gsconv模块、第四concat模块和第四gscsp模块，且第一gscsp模块连接第三concat模块，rfb-s模块连接第四concat模块；

62、其中，所述rfb-s模块用于输入第一输出特征；所述第一concat模块还连接有第一gsconv模块，所述第一gsconv模块用于输入第二输出特征；所述第二concat模块还连接有第二gsconv模块，所述第二gsconv模块用于输入第三输出特征；所述第二gscsp模块用于输出第一融合特征；所述第三gscsp模块用于输出第二融合特征；所述第四gscsp模块用于输出第三融合特征；

63、所述rfb-s模块的表达式如下：

64、

65、式中，表示rfb-s模块的输出数据；表示激活函数；表示调节的影响比例；表示跳跃连接操作；表示卷积和全连接操作；表示连接操作；表示对于的第i分支的操作，i的值为0，1，2；表示对依次进行卷积核大小为1×1的卷积、卷积核大小为3×3的卷积和卷积核大小为3×3的卷积核且膨胀率为1的卷积；表示对依次进行卷积核大小为1×1的卷积、卷积核大小为3×3的卷积和卷积核大小为3×3的卷积核且膨胀率为3的卷积；表示对依次进行卷积核大小为1×1的卷积、卷积核大小为3×3的卷积和卷积核大小为3×3的卷积核且膨胀率为5的卷积；表示rfb-s模块的输入数据；

66、所述第一gscsp模块或第二gscsp模块或第三gscsp模块或第四gscsp模块的表达式如下：

67、

68、式中，表示任一gscsp模块的输出数据；表示卷积操作；表示任一gscsp模块的输入数据；表示进行操作，表达式如下：

69、

70、式中，表示对输入数据进行操作的输出数据；表示进行操作的输入数据；表示进行操作，表达式如下：

71、

72、式中，表示对输入数据进行操作的输出数据；表示进行操作的输入数据；表示对通道进行洗牌操作；表示分离通道卷积操作。

73、进一步的，所述头部网络包括：

74、第一cbam模块，用于基于cbam注意力机制对输入的第一融合特征进行特征表示的优化，输出初始的第一优化特征；

75、第七gsconv模块，用于对所述初始的第一优化特征进行全局稀疏卷积操作，输出最终的第一优化特征；

76、第二cbam模块，基于cbam注意力机制对输入的第二融合特征进行特征表示的优化，输出初始的第二优化特征；

77、第八gsconv模块，用于对所述初始的第二优化特征进行全局稀疏卷积操作，输出最终的第二优化特征；

78、第三cbam模块，基于cbam注意力机制对输入的第三融合特征进行特征表示的优化，输出初始的第三优化特征；

79、第九gsconv模块，用于对所述初始的第三优化特征进行全局稀疏卷积操作，输出最终的第三优化特征；

80、所述cbam注意力机制结合cam通道注意力机制和sam空间注意力机制，表达式如下：

81、

82、式中，表示任一cbam模块的输出数据；表示任一cbam模块的输入数据；表示cam通道注意力机制；表示sam空间注意力机制。

83、进一步的，所述cam通道注意力机制的表达式如下：

84、

85、式中，表示经由cam通道注意力机制处理后的输出数据；表示sigmoid激活函数；表示全连接操作；表示平均池化操作；表示最大池化操作；

86、<msub><mi> m</mi><mi>s</mi></msub><mi>(</mi><msub><mi>cbam</mi><mi>in</mi></msub><mi>)</mi><mi>=</mi><mi>σ(</mi><msup><mi>f</mi><mi>7×7</mi></msup><mi>([avgpool(</mi><msub><mi>cbam</mi><mi>in</mi></msub><mi>);maxpool(</mi><msub><mi>cbam</mi><mi>in</mi></msub><mi>)]))</mi>

87、式中，表示经由sam空间注意力机制处理后的输出数据；表示卷积核大小为7×7的卷积操作。

88、与现有技术相比，本发明所达到的有益效果：

89、本发明的基于平衡参数和检测精度的早期松材线虫病害识别方法，采用训练好的基于平衡参数和检测精度的松材线虫病害识别模型对松材线虫病害图像进行病害识别，泛化能力强，识别精度高。其中，基于模型的主干网络，采用fastercsp平衡了模型的轻量性和实时性。基于模型的颈部网络，采用gscsp降低了模型的复杂度，并提高了检测精度，采用rfb-s提高了模型的感受野，增强了模型的长距离信息收集能力。基于模型的头部网络，采用cbam注意力机制，通过分析每个通道的全局空间信息，学习不同通道的重要性，强化对空间细节的关注，使模型能够更好地关注小目标松材线虫病害，进一步提升模型的检测性能。

技术特征：

1.基于平衡参数和检测精度的早期松材线虫病害识别方法，其特征是，包括如下步骤：

2.根据权利要求1所述的基于平衡参数和检测精度的早期松材线虫病害识别方法，其特征是，所述松材线虫病害识别模型的训练方法如下：

3.根据权利要求2所述的基于平衡参数和检测精度的早期松材线虫病害识别方法，其特征是，所述获取训练集和验证集，包括如下步骤：

4.根据权利要求2所述的基于平衡参数和检测精度的早期松材线虫病害识别方法，其特征是，所述预设的结合平衡参数和检测精度的评估函数包括交并比为0.5时的平均精确率函数和fps函数；

5.根据权利要求4所述的基于平衡参数和检测精度的早期松材线虫病害识别方法，其特征是，所述交并比的表达式如下：

6.根据权利要求2所述的基于平衡参数和检测精度的早期松材线虫病害识别方法，其特征是，所述bcc损失函数的表达式如下：

7.根据权利要求1所述的基于平衡参数和检测精度的早期松材线虫病害识别方法，其特征是，所述主干网络包括依次连接的第一cblr模块、第二cblr模块、第一fastercsp模块、第一maxpool模块、第二fastercsp模块、第二maxpool模块、第三fastercsp模块、第三maxpool模块和第四fastercsp模块；

8.根据权利要求7所述的基于平衡参数和检测精度的早期松材线虫病害识别方法，其特征是，所述颈部网络包括依次连接的rfb-s模块、第三gsconv模块、第一upsampled模块、第一concat模块、第一gscsp模块、第四gsconv模块、第二upsampled模块、第二concat模块、第二gscsp模块、第五gsconv模块、第三concat模块、第三gscsp模块、第六gsconv模块、第四concat模块和第四gscsp模块，且第一gscsp模块连接第三concat模块，rfb-s模块连接第四concat模块；

9.根据权利要求8所述的基于平衡参数和检测精度的早期松材线虫病害识别方法，其特征是，所述头部网络包括：

10.根据权利要求9所述的基于平衡参数和检测精度的早期松材线虫病害识别方法，其特征是，所述cam通道注意力机制的表达式如下：

技术总结
本发明公开了基于平衡参数和检测精度的早期松材线虫病害识别方法，包括获取待识别的松材线虫病害图像，输入至训练好的基于平衡参数和检测精度的松材线虫病害识别模型中，得到对应的松材线虫病害识别结果。松材线虫病害识别模型包括输入模块；用于对所述松材线虫病害图像进行特征提取的主干网络；用于对多个输出特征进行融合和增强的颈部网络；用于对多个融合特征进行特征表示的优化的头部网络；以及输出模块。本发明采用训练好的基于平衡参数和检测精度的松材线虫病害识别模型对松材线虫病害图像进行病害识别，泛化能力强，识别精度高。

技术研发人员：林海峰,李思豪,臧焱培,周宏平
受保护的技术使用者：南京林业大学
技术研发日：
技术公布日：2024/9/23