学术中心
基于无人机影像的曼巴模型与注意力机制融合的松材线虫病检测
发布时间：
2025-04-07
来源：
作者：
松材线虫病（PWD）是一种具有高度破坏性的全球性森林检疫病害，能够在相对较短的时间内摧毁整个松树林，造成重大经济损失和环境破坏。人工监测、生化检测和卫星遥感等方法常常无法满足松材线虫病的及时检测和控制需求。本文提出了一种融合Mamba模型和注意力机制的模型，旨在部署于无人机（UAV）上，用于检测感染的松树。实验数据集包含了由无人机拍摄的混交林中松树的图像，这些图像主要采集自2023年春季，从2月到5月期间。图像经过预处理，转化为研究数据集。该融合模型包含三个主要组件。第一个组件是以状态空间模型（SSM）为核心的Mamba骨干网络，能够高效提取松材线虫病的特征。第二个组件是注意力网络，使得我们的融合模型能够更有效地集中关注松材线虫病的特征。通过评估多种注意力机制模块，包括四种注意力模块，确定了最优配置。第三个组件是路径聚合特征金字塔网络（PAFPN），该组件有助于在不同尺度上融合和精炼数据，从而增强模型检测多尺度物体的能力。此外，模型中的卷积层被替换为深度可分离卷积层（DSconv），这一改进不仅减少了模型参数的数量，还提高了模型的检测速度。最终的融合模型在测试集上进行了验证，取得了90.0%的准确率、81.8%的召回率、86.5%的平均精度（mAP）、5.9百万的参数量以及40.16 FPS的检测速度。与Yolov8相比，准确率提高了7.1%，召回率提高了5.4%，mAP提高了3.1%。这些结果表明，我们的融合模型适合部署在无人机等边缘设备上，并能够有效检测松材线虫病。
图1 研究区域位置。
图2 左侧的图片显示了早期感染的松树，右侧的图片显示了晚期感染的松树。
图3 左侧的图片展示了仿射变换，中间的图片展示了HSV增强，右侧的图片展示了马赛克增强。
图4 融合模型的结构。
图5 VSS模块的全面示意图，SS2D表示二维选择性扫描。
图6挤压与激励模块。
图7 CBAM结构。
图8 上方的图片是通道注意力，中间的图片是空间注意力，底部的图片展示了完整的三维注意力权重。
图9 左侧是ResNet瓶颈结构，右侧是瓶颈变换器结构。
图10 PAFPN结构。
图11 Dsconv结构。
图12 不同注意力模块结果的P-R曲线。
图13 不同模型结果的P-R曲线。
图14 不同模型在检测感染树木中的效果比较分析。(a) 原始图像；(b) 基础模型；(c) Base-SimAM；(d) Base-SE；(e) Base-BoT3；(f) Base-CBAM。
图15 比较不同模型在检测中等大小感染树木目标中的表现。(a) 原始图像；(b) 融合模型；(c) YOLOv3；(d) YOLOv5；(e) YOLOv6；(f) YOLOv7；(g) YOLOv8；(h) YOLOv9。
图16 比较不同模型在检测大尺寸感染树木目标中的表现。(a) 原始图像；(b) 融合模型；(c) YOLOv3；(d) YOLOv5；(e) YOLOv6；(f) YOLOv7；(g) YOLOv8；(h) YOLOv9。
图17 比较不同模型在检测小尺寸感染树木目标中的表现。(a) 原始图像；(b) 融合模型；(c) YOLOv3；(d) YOLOv5；(e) YOLOv6；(f) YOLOv7；(g) YOLOv8；(h) YOLOv9。
图A1 不同训练轮次和不同优化器在没有注意力模块情况下的结果。
图A2 使用CBAM的融合模型结果。
Bai M, Di X, Yu L, et al. A Pine Wilt Disease Detection Model Integrated with Mamba Model and Attention Mechanisms Using UAV Imagery[J]. Remote Sensing, 2025, 17(2): 255.
编辑
王永贤
推荐新闻
视频展示
联系我们
慧诺瑞德（北京）科技有限公司
地址：北京市海淀区西三旗街道建材城中路12号院8号楼2门
电话：010-62925490、82928854、82928864、82928874、18600875228
传真：010-62925490-802
Email: info@phenotrait.com
邮编：100096
在线留言
关注我们
植物表型圈
植物表型资讯