一种针阔混交林中松材线虫病变色疫木识别方法
本发明涉及松材线虫病变色疫木检测，尤其涉及一种针阔混交林中松材线虫病变色疫木识别方法。
背景技术：
1、松材线虫病又称松树枯萎病（pine wilt disease，pwd），由松材线虫引起，被称为“松树的癌症”，是全球森林生态系统中最具危害性的病害之一。pwd具有极强的扩散性、破坏性和防治困难等高毁灭性特点，松树一旦感染，在几个月内即可死亡。可见松材线虫病不仅传播速度快、影响范围广泛而且致病力极强。因此，急需研发快速且高度准确的监测诊断技术，以确保对松材线虫病的精准识别，为有效的防治措施提供坚实支持。
2、然而，传统的人工排查方式成本高，工作量巨大，时间周期长，容易遗漏，难以全面地掌握大面积山林中疫木的空间分布情况，以致可能错过采取防治措施的最佳时机从而造成疫情快速扩散。近年来，随着深度学习及无人机近距离遥感技术的发展，松材线虫病变色疫木的识别取得了显著进展。通过结合深度学习算法和无人机高清影像，能够在林区中迅速发现变色疫木，实现早期干预，防止疾病扩散，最大限度地减少松树死亡数量。然而，森林环境的复杂性使得松材线虫病目标的外观特征多样性增加，尤其是在针叶树和阔叶树混合种植的混合林中，不同树种的叶片混合在一起，增加了图像解译的复杂度，影响对松材线虫病变色疫木识别准确性。此外，许多学者致力于改进深度学习算法以提升松材线虫病识别的准确性，但这些改进会导致模型参数量不断增加，难以部署在无人机等边缘端设备上，限制了其在实际场景中的应用和推广。
3、因此，需要一种可以在复杂的针阔混交林环境下精准识别出松材线虫病变色疫木，且可以部署在无人机等边缘端设备的方法。
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，提供一种针阔混交林中松材线虫病变色疫木识别方法，以解决针阔混交林中松材线虫病变色疫木识别模型准确性低、参数量多难以部署在边缘设备上的问题。
2、为解决上述技术问题，本发明是采用下述方案实现的：
3、本发明提供一种针阔混交林中松材线虫病变色疫木识别方法，包括：
4、将待识别的针阔混交林的松林图像输入训练好的松材线虫病变色疫木识别模型，识别出针阔混交林中松材线虫病变色疫木；
5、其中，松材线虫病变色疫木识别模型基于yolov5s模型改进，改进包括：在neck后连接特征过滤模块，构建特征增强模块替换backbone中的c3模块，构建基于多头自注意力msha的卷积-transformer模块连接在backbone的最后一层残差单元后，通过gsconv构建多尺度特征融合层替换neck中的普通卷积。
6、进一步地，特征过滤模块的计算公式为：
7、
8、其中，为特征过滤模块输出的融合空间和通道注意力的特征图，表示输入特征过滤模块的特征图， 是 sigmoid激活函数，为1×1卷积操作，为3×3卷积操作，为拼接操作，表示relu激活函数，和是沿通道维度的平均池化和最大池化操作，和是沿空间维度的平均池化和最大池化操作，表示逐元素相乘。
9、进一步地，特征增强模块的计算公式为：
10、
11、
12、其中，为特征增强模块的输出特征图，为输入特征增强模块的特征图，为各分支带有不同空洞率的空洞卷积输出，g=1,2,3，bn 为batch norm标准化操作，表示relu 激活函数，为各分支对应的空洞率，dconv 表示空洞卷积操作， 表示卷积核大小。
13、进一步地，基于多头自注意力msha的卷积-transformer模块的计算公式为：
14、
15、
16、其中，为基于多头自注意力msha的卷积-transformer模块的特征输出，为每个自注意力头的输出，为输入基于多头自注意力msha的卷积-transformer模块的特征x的一部分，分别为每个自注意力头的线性变换权重矩阵，为位置编码，为拼接操作，。
17、进一步地，训练好的松材线虫病变色疫木识别模型部署在无人机或林区监控设备上，无人机上搭载可见光相机，无人机或林区监控设备获取待识别的针阔混交林的松林图像并将待识别的针阔混交林的松林图像输入训练好的松材线虫病变色疫木识别模型，识别出针阔混交林中松材线虫病变色疫木。
18、进一步地，松材线虫病变色疫木识别模型的训练包括：
19、获取针阔混交林中不同感染阶段的松材线虫病变色疫木rgb图像；
20、对针阔混交林中不同感染阶段的松材线虫病变色疫木rgb图像进行预处理，预处理后的图像按照设定的比例划分为训练集、验证集和测试集；
21、利用lableimg工具对训练集、验证集和测试集中图像进行标注，使用矩形框标注图像中的松材线虫病变色疫木，标注出的松材线虫病变色疫木记为标签并存储；
22、将训练集中图像输入松材线虫病变色疫木识别模型进行训练，学习标签的特征，使用验证集对训练过程中的松材线虫病变色疫木识别模型进行性能评估及超参数调整，得到模型权重调整后的松材线虫病变色疫木识别模型；
23、使用测试集对模型权重调整后的松材线虫病变色疫木识别模型进行测试和性能评估，测试通过则获得训练好的松材线虫病变色疫木识别模型。
24、进一步地，感染阶段为感染早期和感染中期，性能评估采用ap、fps、parameters和flops作为性能评估指标，ap、fps、parameters和flops分别评估松材线虫病变色疫木识别模型的准确率、识别速度、参数量及计算复杂度。
25、本发明还提供一种针阔混交林中松材线虫病变色疫木识别装置，包括：
26、识别模块，用于将待识别的针阔混交林的松林图像输入训练好的松材线虫病变色疫木识别模型，识别出针阔混交林中松材线虫病变色疫木；
27、其中，松材线虫病变色疫木识别模型基于yolov5s模型改进，改进包括：在neck后连接特征过滤模块，构建特征增强模块替换backbone中的c3模块，构建基于多头自注意力msha的卷积-transformer模块连接在backbone的最后一层残差单元后，通过gsconv构建多尺度特征融合层替换neck中的普通卷积。
28、本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述针阔混交林中松材线虫病变色疫木识别方法的步骤。
29、本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述针阔混交林中松材线虫病变色疫木识别方法的步骤。
30、与现有技术相比，本发明所达到的有益效果为：本发明实现针阔混交林环境下的松材线虫病变色疫木精准识别，提升网络模型的识别精度及鲁棒性，同时降低网络模型的参数量，便于部署推广应用。
技术特征：
1.一种针阔混交林中松材线虫病变色疫木识别方法，其特征在于，包括：
2.根据权利要求1所述针阔混交林中松材线虫病变色疫木识别方法，其特征在于，特征过滤模块的计算公式为：
3.根据权利要求1所述针阔混交林中松材线虫病变色疫木识别方法，其特征在于，特征增强模块的计算公式为：
4.根据权利要求1所述针阔混交林中松材线虫病变色疫木识别方法，其特征在于，基于多头自注意力msha的卷积-transformer模块的计算公式为：
5.根据权利要求1所述针阔混交林中松材线虫病变色疫木识别方法，其特征在于，训练好的松材线虫病变色疫木识别模型部署在无人机或林区监控设备上，无人机上搭载可见光相机，无人机或林区监控设备获取待识别的针阔混交林的松林图像并将待识别的针阔混交林的松林图像输入训练好的松材线虫病变色疫木识别模型，识别出针阔混交林中松材线虫病变色疫木。
6.根据权利要求1所述针阔混交林中松材线虫病变色疫木识别方法，其特征在于，松材线虫病变色疫木识别模型的训练包括：
7.根据权利要求6所述针阔混交林中松材线虫病变色疫木识别方法，其特征在于，感染阶段为感染早期和感染中期，性能评估采用ap、fps、parameters和flops作为性能评估指标，ap、fps、parameters和flops分别评估松材线虫病变色疫木识别模型的准确率、识别速度、参数量及计算复杂度。
8.一种针阔混交林中松材线虫病变色疫木识别装置，其特征在于，包括：
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至7中任一项所述针阔混交林中松材线虫病变色疫木识别方法的步骤。
10.计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至7中任一项所述针阔混交林中松材线虫病变色疫木识别方法的步骤。
技术总结
本发明公开一种针阔混交林中松材线虫病变色疫木识别方法，包括：将待识别的针阔混交林的松林图像输入训练好的松材线虫病变色疫木识别模型，识别出针阔混交林中松材线虫病变色疫木；其中，松材线虫病变色疫木识别模型基于YOLOv5s模型改进，改进包括：在Neck后连接特征过滤模块，构建特征增强模块替换Backbone中的C3模块，构建基于多头自注意力MSHA的卷积‑Transformer模块连接在Backbone的最后一层残差单元后，通过GSConv构建多尺度特征融合层替换Neck中的普通卷积。本发明实现针阔混交林中松材线虫病变色疫木精准识别，网络模型的参数量少，便于部署推广应用。
技术研发人员：林海峰,陈涛,黎程轩,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