摘 要：針對(duì)小尺寸松材線蟲病受害木檢測(cè)精度及檢測(cè)效率低的問(wèn)題，提出了一種融合深度網(wǎng)絡(luò)和注意力機(jī)制的小尺寸松材線蟲智能檢測(cè)模型。采用無(wú)人機(jī)（ＵＡＶ）搭載小型相機(jī)在２２０ｍ高度拍攝小尺寸松材線蟲受害木圖像，應(yīng)用圖像旋轉(zhuǎn)、縮放、添加高斯噪聲和模擬光照強(qiáng)度等數(shù)據(jù)處理方式擴(kuò)充數(shù)據(jù)集，設(shè)計(jì)輕量級(jí)深度網(wǎng)絡(luò)ＮａｎｏＤｅｔ和ＳｉｍＡＭ 注意力模塊融合模型ＮａｎｏＤｅｔ-ＳｉｍＡＭ對(duì)小尺寸松材線蟲受害木進(jìn)行精準(zhǔn)檢測(cè)。結(jié)果表明，該模型相較于ＦａｓｔｅｒＲＣＮＮ、Ｙｏｌｏｖ４、Ｙｏｌｏｖ５ｓ及ＮａｎｏＤｅｔ等檢測(cè)網(wǎng)絡(luò)模型，具有更高的檢測(cè)精度、速度和穩(wěn)定性。

關(guān) 鍵 詞：松材線蟲??；目標(biāo)檢測(cè)；輕量級(jí)網(wǎng)絡(luò)ＮａｎｏＤｅｔ；注意力機(jī)制；無(wú)參注意力；遷移學(xué)習(xí)；數(shù)據(jù)增強(qiáng)；小尺寸

中圖分類號(hào)：ＴＰ３９１ 文獻(xiàn)標(biāo)志碼：Ａ 文章編號(hào)：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(shù)非松屬針葉樹(shù)，具有極強(qiáng)的傳染性與潛伏性。及時(shí)發(fā)現(xiàn)并治理松材線蟲病受害木是防止疫情擴(kuò)散的重要措施。

目前，林區(qū)中受害木的監(jiān)測(cè)手段主要有人工踏查、無(wú)人機(jī)遙感和衛(wèi)星遙感等方式。人工踏查受害木監(jiān)測(cè)方式具有勞動(dòng)強(qiáng)度及人力成本高的特點(diǎn)，不利于大范圍林區(qū)疫情監(jiān)測(cè)；衛(wèi)星遙感受害木監(jiān)測(cè)方式具有覆蓋域廣、勞動(dòng)強(qiáng)度低的特點(diǎn)，但受拍攝時(shí)間與環(huán)境因素制約，且拍攝設(shè)備成本高，難以滿足實(shí)際工作需求；無(wú)人機(jī)憑借機(jī)載設(shè)備豐富、機(jī)動(dòng)靈活、實(shí)時(shí)性強(qiáng)的特點(diǎn)，在松材線蟲病監(jiān)測(cè)與管理領(lǐng)域得到廣泛應(yīng)用［１］。

無(wú)人機(jī)進(jìn)行松材線蟲病樹(shù)識(shí)別與檢測(cè)的研究方法主要分為傳統(tǒng)機(jī)器學(xué)習(xí)識(shí)別研究和深度學(xué)習(xí)檢測(cè)研究?jī)纱箢?。劉金滄等［２］根?jù)受害木圖像特點(diǎn)，提取圖像目標(biāo)的顏色及紋理特征，設(shè)計(jì)多特征條件隨機(jī)場(chǎng)（ＣＲＦ）模型進(jìn)行分類識(shí)別。ＹＵ等［３］采用高光譜圖像特征數(shù)據(jù)指數(shù)，基于植被指數(shù)（ＶＩ）、紅邊參數(shù)（ＲＥＰ）及水分指數(shù)（ＭＩ）等綜合指標(biāo)，構(gòu)建隨機(jī)森林ＲＦ模型區(qū)分健康樹(shù)木和感染樹(shù)木。徐航煌等［４］針對(duì)圖像中目標(biāo)顏色特征，提出超綠算法結(jié)合最大類間方差法（ＥＸＧＯＳＴＵ）來(lái)識(shí)別分割模型，對(duì)受害木的病害程度進(jìn)行識(shí)別與分類。上述方法雖從不同角度建立了受害木的識(shí)別分類模型，并取得了較好效果，但不能直接從圖像中檢測(cè)目標(biāo)，缺少對(duì)小尺寸受害木的識(shí)別研究。

基于深度學(xué)習(xí)受害木檢測(cè)方法，根據(jù)目前主流的一階段檢測(cè)網(wǎng)絡(luò)ＹＯＬＯ［５］和二階段檢測(cè)網(wǎng)絡(luò)ＦａｓｔｅｒＲＣＮＮ［６］構(gòu)建檢測(cè)模型。相比于二階段檢測(cè)網(wǎng)絡(luò)，一階段檢測(cè)網(wǎng)絡(luò)預(yù)測(cè)推理過(guò)程相對(duì)簡(jiǎn)單，實(shí)現(xiàn)了提速目的，但也增加了檢測(cè)難度［７］。ＹＵ等［８］分別采用ＦａｓｔｅｒＲＣＮＮ和ＹＯＬＯｖ４檢測(cè)網(wǎng)絡(luò)實(shí)現(xiàn)對(duì)不同感染階段的受害木檢測(cè)。黃麗明等［９］以ＹＯＬＯｖ４網(wǎng)絡(luò)模型為基礎(chǔ)，使用深度可分離卷積和倒殘差結(jié)構(gòu)對(duì)網(wǎng)絡(luò)進(jìn)行改進(jìn)，提升了ＹＯＬＯｖ４網(wǎng)絡(luò)識(shí)別松材線蟲病樹(shù)的精度和效率。ＤＥＮＧ等［１０］將區(qū)域生成網(wǎng)絡(luò)ＲＰＮ和ＲｅｓＮｅｔ網(wǎng)絡(luò)融合于ＦａｓｔｅｒＲＣＮＮ網(wǎng)絡(luò)模型中，優(yōu)化了ＲＰＮ中的損失函數(shù)和錨點(diǎn)，提高了松材線蟲受害木的識(shí)別精度。深度學(xué)習(xí)算法能夠同時(shí)完成目標(biāo)的定位和分類，更符合森林監(jiān)管的實(shí)際需求。

盡管目前現(xiàn)有的深度學(xué)習(xí)受害木檢測(cè)方式已實(shí)現(xiàn)自動(dòng)檢測(cè)，并在檢測(cè)精度方面取得了一些成果，但對(duì)小尺寸松材線蟲受害木檢測(cè)研究較少，尤其是兼顧速度和準(zhǔn)確性的小尺寸受害木檢測(cè)模型的建立仍是林業(yè)管理亟待解決的難點(diǎn)。針對(duì)現(xiàn)有主流目標(biāo)檢測(cè)網(wǎng)絡(luò)識(shí)別小尺寸受害木識(shí)別精度低、檢測(cè)速度慢的問(wèn)題，本文提出了一種ＮａｎｏＤｅｔ-ＳｉｍＡＭ融合檢測(cè)模型，利用無(wú)參注意力ＳｉｍＡＭ模塊的空域注意力分配機(jī)制和通道注意力分配機(jī)制提高ＮａｎｏＤｅｔ網(wǎng)絡(luò)對(duì)小尺寸受害木的特征提取能力，將ＣＯＣＯ數(shù)據(jù)集中預(yù)訓(xùn)練權(quán)重遷移到受害木識(shí)別模型，提升網(wǎng)絡(luò)初始參數(shù)的優(yōu)化性能，實(shí)現(xiàn)快速、精準(zhǔn)檢測(cè)小尺寸松材線蟲病受害木的目的。

１ 數(shù)據(jù)采集與處理

１.１ 實(shí)驗(yàn)區(qū)域與樣本采集

本文的數(shù)據(jù)由課題聯(lián)合研究單位東北林草危險(xiǎn)性有害生物防控國(guó)家林草局重點(diǎn)實(shí)驗(yàn)室提供，拍攝裝置為Ｐｈａｎｔｏｍ４ＰｒｏＶ２.０型無(wú)人機(jī)和ＦＣ６３１０Ｓ型相機(jī)，相機(jī)配備１１英寸２０００萬(wàn)像素圖像傳感器和等效廣角鏡頭。研究區(qū)域位于中國(guó)遼寧省撫順市顏家溝地區(qū)，觀測(cè)對(duì)象主要為紅松和油松，采集時(shí)間為２０２０年８月和１０月。根據(jù)國(guó)際光學(xué)工程學(xué)會(huì)（ＳＰＩＥ）定義，目標(biāo)像素小于圖像像素０１２％為小目標(biāo)［１１］。為了獲取小目標(biāo)數(shù)據(jù)集，將無(wú)人機(jī)飛行相對(duì)高度設(shè)置為２２０ｍ，使目標(biāo)面積占圖像面積比例小于０.１０％。經(jīng)過(guò)核驗(yàn)，最終獲取有效目標(biāo)圖像２０９張，圖像尺寸為５４７２像素×３０７８像素，標(biāo)記目標(biāo)面積占圖像面積的０.００７％ ～０.０９９７％。

１.２ 數(shù)據(jù)增強(qiáng)

松材線蟲受害木在感染初期呈現(xiàn)淺黃色，感染中期呈現(xiàn)橘黃色和黃色，感染晚期呈現(xiàn)褐色和淺灰色。受害木顏色特征的差異性小，目標(biāo)結(jié)構(gòu)信息的相似性與匱乏性均為松材線蟲受害木有效識(shí)別帶來(lái)了巨大挑戰(zhàn)?？紤]到無(wú)人機(jī)拍攝有效圖像過(guò)少，為加快模型的訓(xùn)練速度，提升模型的檢測(cè)質(zhì)量，對(duì)無(wú)人機(jī)拍攝的２０９張有效圖像按１∶６進(jìn)行數(shù)據(jù)擴(kuò)充與增強(qiáng)，采用旋轉(zhuǎn)變換和縮放變換增加圖像的多樣性和多變性，通過(guò)添加高斯噪聲和調(diào)節(jié)圖像的亮暗程度豐富圖像信息，模擬自然環(huán)境的多變性。目標(biāo)尺寸、視角、背景及光照等重要因素的變化能夠降低檢測(cè)模型對(duì)圖像的敏感度，增強(qiáng)模型檢測(cè)的泛化能力。數(shù)據(jù)增強(qiáng)后的數(shù)據(jù)集共包含圖像１２４５張（去除無(wú)效數(shù)據(jù)），采用ＬａｂｌｅＩｍｇ軟件對(duì)具有松材線蟲病感染特征的松樹(shù)進(jìn)行手動(dòng)標(biāo)注，單張數(shù)據(jù)增強(qiáng)圖像和標(biāo)注情況如圖１所示。