基于改进YOLOv7的松材线虫病疫木检测

摘要

松树是世界上分布广泛的树种之一，具有重要的生态和经济价值。松材线虫病（PWD）是一种毁灭性的全球性森林疾病，致病力强、发病时间短、传播速度快，对松树生态系统构成重大威胁，造成严重的生态和经济损失。无人机航拍和基于深度学习目标检测算法的应用是目前监测PWD的一种常用手段。但为了在短时间内完成大面积的航拍，无人机往往处于较高的飞行高度，导致获取的地面影像分辨率低，疫木目标较小，因而疫木检测识别精度偏低。针对这一问题，该研究提出了一种基于YOLOv7的松材线虫病疫木检测算法DSEN-YOLOv7。该算法将YOLOv7骨干网络MP模块中的CNN替换为可变形卷积DCNv2,使网络能够适应疫木形状的变化；引入新的度量算法NWD替换原有损失函数CIoU,提高模型收敛速度和小目标检测的性能；引入注意力机制EMA,增加网络对小目标特征的提取能力；用SPPFCSPC空间金字塔池化模块代替SPPCSPC,提升模型的精度。实验结果表明，改进后得到的DSEN-YOLOv7模型在测试集上mAP@0.5、mAP@0.5∶0.95分别达到81.0%和41.4%,比原YOLOv7模型分别提高了4.0和1.9个百分点，与当前其他主流目标检测模型如YOLOv8、YOLOv5i、Faster R-CNN、SSD相比，模型的F₁和mAP也均有提升。该模型的推理速度为175帧/s,模型大小为71.89 MB。本研究提出的改进型DSEN-YOLOv7模型基本满足PWD疫情大规模实时检测的需求，为实现高效率的松林管理提供了重要的技术支持。

关键词

YOLOv7算法 / 目标检测 / 深度学习 / 无人机 / 松材线虫病