下载文档原格式
2023年度松材线虫病防治工作方案为保护我区松林资源，保障生态安全，进一步加强松材线虫病防治，坚持“预防为主、治理为要、监管为重”防控理念，按照重点拔除、逐步压缩、全面控制的目标要求，实行分区分级管理、科学精准施策，以疫情监测、疫源管控、疫情除治为重点，控制增量、消减存量，有效遏制疫情严重发生和快速扩散势头。
为指导科学防治，切实提高防治成效，特制定本方案。
一、基本情况(-)森林资源及松林资源概况浦口区地处长江北岸，与安徽省滁州市南谯区、全椒县及马鞍山市和县相邻。
最新林业资源调查结果显示，林地面积为36775公顷，其中有林地面积35117公顷，灌木林地面1211 公顷，其他类林地面积447公顷。
全区林木覆盖率42.7%β上世纪八十年代没有发生松材线虫病疫情时，浦口区松林面积近6667公顷，目前除雪松外，松林面积只有近1333公顷。
近年来，浦口区不断加大松材线虫病的防控力度，取得了较好的效果。
通过多年的松材线虫病综合治理，松材线虫病疫情已基本趋于稳定，疫情的蔓延和暴发也得到有效控制。
(二)松材线虫病发生情况上世纪八十年代初，松材线虫病疫情在市中山陵松林内被发现。
八十年代中期开始，原江浦县出现了松材线虫病疫情。
经过近四十年的除治，目前浦口区仅剩老山林场一个疫点，其他疫点全部拔除。
老山林场涉松面积1166公顷。
2022年松材线虫病秋季普查结果显示：老山林场松材线虫病发生面积457 公顷，病死枯死树706株，疫情发生小班数量58个。
松材线虫病发生区域主要集中在中、西部管理区，感病树种主要为马尾松、黑松等。
二、目标与任务（一）防治目标按照国家及省、市主管部门“重点拔除、逐步压缩、全面控制”的目标要求，以疫情监测、疫源管控、疫情防治为重点, 控制增量消减存量,有效遏制疫情严重发生和快速扩散势头，所有病死枯死疫木要全部清理下山，集中切片（削片）处理；伐桩要药物处理后封闭覆盖或者用防虫网覆盖。
（二）防治任务1.全面清理病死枯死树。
梅州市国有洲瑞林场松材线虫病危害调查及对策分析摘要：以广东省梅州市大埔县梅州市国有洲瑞林场（以下简称“洲瑞林场”）区域内马尾松为调查研究对象，2020年3月—2020年12月为时间节点，采用每周、每月、每季定期实地的普查方式，对洲瑞林场区域内4个工区的8—14年中、幼龄马尾松树种进行松材线虫病病虫害调查研究。
研究表明，在洲瑞林场区域内所种植的马尾松在调查前期并无松材线虫病病原体，后期所犯病种皆为外来病原入侵，且马尾松密集林带犯病率较稀疏林带发病率高，人群居住密集地较人群居住稀疏地犯病率高。
通过对病树的砍伐、隔离、焚烧，在病树周边悬挂天牛诱捕器、对病树周边树种进行药物喷洒和钻孔挂药等措施能有效预防松材线虫病的传播。
但因社会防范意识不强，防疫经费短缺，无法做到有效阻绝外来病原体入侵，故林场区域内松材线虫病短期并不能完全被消灭。
关键字：马尾松；松材线虫病；外来病原；防范意识1.绪论松材线虫病，又称松树萎蔫病，是由松材线虫（Bursaphelenchus xylophilus）引起的侵染松树并导致树木迅速死亡的一种毁灭性传播疾病，是一种具有毁灭性的森林病害，又被称为松树的癌症，属我国重大外来入侵病种，其具有传播迅速、防治困难、致病力强的特点，1982年已被我国列入森林检疫重点对象。
该病自1982年传入我国以来，扩散蔓延迅速，目前全国已有14省(市、区)发生，面积达7.7万hm2，导致大量松树枯死，对我国的松林资源、自然景观和生态环境造成严重破坏，造成了严重的经济和生态损失[1]。
1 松材线虫病1.1 松材线虫病的症状松树感染松材线虫病后，受害松树针叶颜色由浅绿色或灰褐色依次转变为黄色、棕色、红褐色且不脱落，主干脱皮后变为蓝褐色，且多虫孔。
砍伐后可见树木的木材明显干燥没有树脂溢出。
受影响的树木在症状出现后几周至几个月内迅速死亡[2]。
松材线虫病是一种毁灭性虫害。
松树感病之后，最快40天就会死亡，成片松林在3-4年之内就可能全部毁灭，因其扩散快、危害大、难防治，俗称松树“癌症”。
林木病虫害监测与预警技术林木病虫害是指在林木生长发育过程中受到的病害和虫害的侵害。
它们对林木的生长和发育产生了不可忽视的影响。
为了及时掌握和预测林木病虫害的发生情况，保护林木的健康，保障林业生产的稳定，科学家们不断研发林木病虫害监测与预警技术。
本文将介绍一些常用的监测与预警技术，并探讨其应用前景。
一、无人机监测技术无人机已经成为了现代病虫害监测和预警的重要工具之一。
通过搭载红外热像仪、激光雷达等多种传感器，无人机可以对大面积林木进行高效、精准的摄影测量和图像采集。
通过无人机的遥感技术，可以快速掌握林木的生长状况和异常情况，及时发现林木病虫害的迹象，提前预警并采取相应的防治措施。
二、遥感技术遥感技术是指通过卫星、航空器等载体搭载的传感器对地表特征进行观测和测量的技术。
利用遥感技术，可以获取大范围且连续的卫星图像，对林木的健康状态进行监测。
通过对图像的分析和处理，可以准确识别林木病虫害的发生地点和程度，为防治工作提供依据。
此外，遥感技术还可以结合地理信息系统（GIS），实现对大规模林木病虫害数据的空间分析和管理。
三、生物传感器技术生物传感器技术是一种利用生物体敏感元件对特定化学、生物量进行检测和监测的技术。
在林木病虫害监测中，可以利用生物传感器技术对病原体、虫害等进行检测。
例如，利用基因工程技术构建感染特定病原体后发生荧光的植物，通过对这些植物的检测，可以迅速得知病原体的存在。
此外，生物传感器技术还可以结合纳米材料等新技术，实现对微量病原体的高灵敏度检测。
四、智能化监测系统智能化监测系统是指利用计算机、互联网等信息技术对林木病虫害进行远程监测和数据处理的系统。
通过在林地布设传感器节点，可以实时监测林木的生长状况和病虫害情况。
传感器节点会自动采集和传输数据，形成一个覆盖范围广、实时性高的监测网络。
借助人工智能技术，智能化监测系统能够准确识别病虫害特征，并及时发出预警。
研究人员和决策者可以通过互联网获取监测数据和分析结果，为防治决策提供科学依据。
松材线虫病疫木清理监管方案松材线虫病是一种由松材线虫引起的疾病，主要侵袭松树，对森林生态环境和经济发展造成了严重威胁。
为了控制和预防松材线虫病的蔓延，需要建立一套完善的疫木清理监管方案。
一、疫木清理监管的必要性松材线虫病是由松材线虫在松树体内繁殖引起的，疫木是指被松材线虫感染的松树。
疫木清理监管的目的是及时清除疫木，阻断病害传播途径，控制疫情蔓延，保护森林生态和经济。
二、疫木清理监管的基本原则1. 及时发现：通过定期巡查和监测，发现疫木，尤其是新发现的疫木，及时采取应对措施。
2. 快速处置：发现疫木后，立即将其进行标记，区分出疫区，以便后续的清理工作。
3. 彻底清除：对于被感染的疫木，要彻底清除，包括树木本体和地下根系，以防止病害扩散。
4. 合理处理：清除的疫木要进行合理处理，可以通过砍伐、烧毁、化学处理等方式进行，确保彻底销毁病原体。
5. 监管管理：建立疫木清理监管档案，记录清理的疫木数量、地点和处理方式等信息，为后续的疫情分析和防控提供依据。
三、疫木清理监管的具体措施1. 检疫站设立：在森林资源集中的地区设立检疫站，开展疫木清理监管工作，负责疫木的发现、处理和监管等工作。
2. 信息公开：通过媒体、互联网等渠道公开发布疫木清理工作的进展情况，提高公众对松材线虫病的认识和预防意识。
3. 培训指导：组织专业人员对相关从业人员进行培训，提高疫木清理监管工作的专业水平和操作技能。
4. 多部门合作：加强与林业、植物检疫、交通运输等相关部门的合作，形成合力，共同开展疫木清理监管工作。
5. 防护措施：对从事疫木清理工作的人员要提供必要的防护装备，并定期进行健康检查，确保工作人员的身体健康。
6. 疫区隔离：对于发现的疫区，要立即进行隔离，禁止人员和物品的进出，以避免疫情扩散。
7. 疫木处理：对清除的疫木进行合理处理，可将其用于能源利用、木材加工等方面，最大程度地减少资源浪费。
8. 定期复查：清理完疫木后，要定期进行复查，确保疫木清理工作的效果，防止病害复发。
无人机普查松材线虫病技术标准编制单位：农业部农业无人机应用技术中心一、前言松材线虫病是松树重大害虫病害之一，对松林的生长和发展造成严重危害。
为了及时发现、防控松材线虫病，提高森林生态环境质量，本技术标准旨在制定无人机普查松材线虫病的技术规范和操作流程。
二、适用范围本标准适用于国内森林区域无人机普查松材线虫病的技术标准，包括但不限于松林的大面积普查和细部病害识别。
三、无人机选型1. 无人机机身应具备稳定的飞行性能和载荷能力，适合在不同复杂地形和气象条件下进行飞行。
2. 机载传感器应具备高精度的松材线虫病识别能力，包括红外相机、多光谱相机等设备。
四、无人机普查技术规范1. 飞行区域划分：根据森林区域状况，合理划分无人机的飞行区域。
2. 飞行高度调整：根据松林的实际情况，调整无人机的飞行高度，确保对不同密度的林分都能够有效覆盖。
3. 飞行路径设计：合理设计无人机的飞行路径，覆盖整个目标区域，避免漏检情况发生。
4. 数据采集：无人机搭载的传感器应在飞行过程中对松林进行高频率的数据采集，保证数据准确性和完整性。
五、无人机普查操作流程1. 准备工作：包括无人机的检查、传感器的安装和校准等。
2. 飞行计划制定：根据实际任务要求，设计飞行路径和飞行高度。
3. 飞行操作：按照飞行计划进行飞行，对松林进行数据采集。
4. 数据处理：对采集的数据进行处理分析，识别松材线虫病的病害情况。
5. 报告输出：生成普查报告，包括病害分布图、病害严重程度评估等内容。
六、无人机普查质量控制1. 普查数据精度要求：对于松材线虫病的普查数据，要求其精度高，能够准确反映松林的病害情况。
2. 数据处理流程标准化：对数据处理流程进行标准化，确保数据的可靠性和准确性。
3. 校核验证：对普查结果进行校核验证，提高普查结果的可信性。
七、技术标准的意义和作用1. 提高普查效率：利用无人机技术进行松材线虫病的普查，可以大幅提高普查效率，节省人力和物力成本。
使用无人机进行林业植保和农作物遥感监测随着科技的不断进步，无人机技术在农业领域的应用越来越广泛。
特别是在林业植保和农作物遥感监测方面，无人机的出现对于提高生产效率和降低成本起到了重要的作用。
一、林业植保1.1 传统的林业植保方法存在的问题传统的林业植保方法通常是通过人工巡查和手工处理的方式来应对林木生长过程中出现的病虫害问题。
这种方法不仅效率低下，还存在一定的安全隐患，而且对于大面积的林地来说，人力资源投入太高。
因此，传统的林业植保方法亟待改进。
1.2 无人机在林业植保中的应用无人机的应用为林业植保带来了革命性的变化。
利用高清摄像设备和红外热成像技术，无人机可以从高空俯瞰整个森林，并通过图像分析软件来监测森林病虫害的情况。
同时，无人机还可以搭载喷洒装置，实现对病虫害区域的准确喷洒药剂，从而实现精准化植保，提高防治效果。
1.3 无人机林业植保的优势相比传统方法，无人机林业植保具有以下几方面的优势：首先，无人机可以快速准确地获取林地病虫害信息，提高了防治效果。
无人机可以高效地监测病虫害的分布情况，帮助林业工作者更加准确地确定防治措施。
其次，无人机可以实现大面积林地的全方位监测。
传统的人工巡查方式只能对有限的区域进行检测，而无人机可以通过飞行路径的规划，实现对整片林地的全面监测。
最后，无人机的应用可以减少人力资源的投入和劳动强度。
传统的人工巡查需要大量的人力资源投入，而无人机可以在无人操控的情况下完成任务，降低了劳动强度，提高了工作效率。
二、农作物遥感监测2.1 传统的农作物监测方法存在的问题传统的农作物监测方法通常是通过人工巡查和地面遥感方式进行的，这种方法存在着低效率、不准确等问题。
特别是在大规模农田中，人工巡查所需的时间和人力成本较高，监测结果也不够精准，限制了农业生产的提高。
2.2 无人机在农作物遥感监测中的应用无人机的应用为农作物遥感监测带来了新的机遇。
通过搭载红外线成像设备和多光谱相机，无人机可以获取农田的热量、光谱等信息，并结合图像处理技术进行农作物的监测。
在松树生长过程中，松材线虫病属于毁灭性病害，会造成松树迅速枯萎死亡。
歙县是安徽省重点林区县之一，当地松林面积约13.6万hm 2，占黄山市森林总面积的20%左右，占黄山市松林总面积的近50%。
近年来，歙县多次发生松材线虫疫病，导致松林大面积死亡的同时，直接威胁黄山风景区松林的安全。
面对严峻的松材线虫病防治形势，黄山市林业局下发《黄山市松材线虫病防治“清窗”行动实施方案》，要求松材线虫病枯死疫木清除率达到100%。
为响应上级号召，及时、有效遏制松材线虫病传播，歙县组织开展松材线虫病枯死疫木专项清理工作，为森林生态安全提供保护。
1松材线虫病发生情况歙县位于黄山脚下，地处安徽省南部山区，境内丘陵起伏、地貌多样，环境气候适宜，拥有丰富的森林资源。
歙县属于中亚热带和北亚热带过渡区，年均气温16.4℃，冬季平均气温3.8℃，夏季平均气温27.9℃，具有气候温和、雨量充沛等特点，给松材线虫病的大面积发生创造了有利条件。
为掌握歙县松林松材线虫病的发生情况，2022年9月，当地林业局通过无人机航拍监测和人工地面踏勘方式完成全面摸底调查，共发现10.5万株枯死疫木。
从总体来看，歙县多年来坚持常态化防控，积极开展检疫检查、监测普查等工作，有效延缓了松材线虫病入侵。
但由于相邻地区陆续暴发松材线虫病疫情，歙县局部地区仍发生了松林大面积染病枯死的现象。
为避免松墨天牛通过枯死疫木持续繁殖扩群，造成松材线虫病不断蔓延，歙县林业局发布《歙县2022—2023年度枯死松树清理除治实施细则》，指导各乡镇科学编制松材线虫枯死疫木专项清理方案，做到有效组织和实施疫木清理工作。
2枯死疫木专项清理方案编制2.1编制思路松树染松材线虫病后，最快将在40d 内死亡，整个松树林从最初染病到毁灭仅需3～5年。
结合黄山市松材线虫病防治经验可知，及时清理枯死疫木能有效遏制疫病蔓延。
以往通过清理黄山市高速公路、国道、省道及高铁等干线沿线的枯死疫木，同时开展A 级以上的旅游景区及周边枯死木清除，实现疫木集中收稿日期：2023-03-07作者简介：张真（1991—），女，安徽歙县人，本科，助理工程师，从事松材线虫病防治、营林造林。
如何利用无人机进行林业资源调查与监测无人机技术的发展使得林业资源调查和监测工作变得更加高效和精确。
无人机可以在林区进行航拍，用于获取高分辨率的影像数据，以及进行环境参数的测量和监测。
本文将探讨如何利用无人机进行林业资源调查与监测，并介绍相关技术和应用案例。
一、无人机在林业资源调查中的应用无人机在林业资源调查中的应用可以涵盖多个方面，如植被监测、土壤测量、环境参数监测等。
无人机配备先进的传感器和影像系统，可以提供大量的数据，用于评估森林的健康状况、植被类型和生长状态等。
1. 植被监测通过无人机航拍的高分辨率影像，可以获取植被的详细信息，如植被覆盖度、种类、高度、密度等。
这些数据对于评估森林生态系统的结构和功能具有重要意义。
例如，可以利用无人机数据来估计森林的生物多样性指数、植被物种的重要性指数等，为森林保护和管理提供科学依据。
2. 土壤测量无人机配备的多光谱传感器可以获取土壤的光谱特征，从而推断土壤的质地、水分含量、肥力等指标。
这对于决定林区的生长潜力、土壤改良和保育措施的制定具有重要意义。
利用无人机进行土壤测量可以实现对大面积区域的快速调查和监测。
3. 环境参数监测无人机可以搭载空气质量、水质、温湿度等传感器，实时监测环境因子的变化。
通过无人机获取的环境参数数据可以用于评估森林生态系统的健康状况和气候变化对其的影响，为采取相应的保护和调整措施提供科学依据。
二、无人机在林业资源调查中的技术挑战和解决方案尽管无人机在林业资源调查中的应用前景广阔，但仍然面临一些技术挑战。
例如，无人机搭载传感器和设备需要满足高精度、高稳定性的要求；数据获取和处理的复杂性以及无人机的安全性等问题。
针对这些挑战，科研人员和技术工程师提出了一系列解决方案。
1. 传感器和设备的改进为了提高数据的精确性和稳定性，科研人员不断改进无人机的传感器和设备。
例如，引入更高分辨率的摄像头和多光谱传感器，以及更精准的环境参数监测设备。
此外，还研发了针对无人机的悬停、避障等技术，以确保传感器和设备在飞行过程中的稳定性和安全性。
无人机普查松材线虫病技术标准一、引言松材线虫病是松树的重要病害之一，严重危害了松木林资源及生态环境。
为了及时发现、监测和防治松材线虫病，利用无人机技术进行普查已经成为一种有效的方法。
制定无人机普查松材线虫病技术标准对于推进松木林资源保护和生态环境建设至关重要。
二、术语和定义1. 无人机：指无人操控的飞行器，采用遥控方式进行飞行任务。
2. 松材线虫病：由松材线虫侵染引起的松木疾病。
3. 普查：通过无人机进行对特定区域进行全面的检测、观察和记录。
三、技术标准1. 仪器设备（1）无人机：选择适用于农林植物病虫害普查的多旋翼或固定翼无人机，具备高分辨率遥感成像和携带载荷能力。
（2）传感器：选择红外相机和高光谱相机等传感器，用于记录疫病松木的相关信息。
2. 装备选用应选择能在山地、林地等复杂环境中飞行的无人机，具有高稳定性、长续航时间和远程遥控功能，并且搭载高精度的照相机、红外相机和高光谱相机等传感器装备。
3. 普查程序（1）飞行计划：根据所要调研和检测的区域，制定飞行线路和计划路线。
（2）数据采集：无人机根据预定的飞行路线和计划飞行，通过传感器记录相关图像和数据。
（3）数据处理：将采集到的图像和数据进行整理、分析和处理，使用图像处理软件等工具进行数据分析和图像识别。
4. 数据处理和分析通过无人机拍摄的图像，使用图像处理软件进行处理，并结合传感器采集到的数据，分析疫病松木的位置、分布和程度，形成普查报告。
5. 技术要求（1）图像清晰度要求：拍摄的图像清晰度需达到一定的标准，以保证对松木疫病的准确识别和判定。
（2）数据精度要求：使用的传感器需具备较高的数据采集精度，以保证对区域的全面覆盖和有效数据的采集。
6. 安全要求（1）飞行安全：无人机的飞行过程中需遵守相关的飞行规定和安全标准，确保飞行过程中无意外发生。
（2）数据保护：对采集到的数据和图像进行保护和备份，防止数据意外丢失和泄露。
四、技术应用利用无人机普查松材线虫病技术，可以实现对林地范围的全面覆盖普查，能够更快速、更准确地发现疫病松木的分布和程度，为相关领域的研究和防治提供有效数据支持。
752023.6多光谱无人机在林业有害生物监测中的应用探讨章武英1，赵 强2（1.甘肃林业职业技术学院，甘肃 天水 741020；2.甘肃省天水市麦积区林业和草原局，甘肃 天水 741020）摘要：本文基于无人机搭载的多光谱传感器获取多时态、多角度、多光谱和高精度的遥感图像，综合GIS技术及Pix4D软件对数据实施配准、拼接与辐射定标，判定林区松材线虫病疫树木情况与位置信息，进而判定疑似疫木，并结合人工实地勘察对无人机技术在林业有害生物监测中的实际应用效果进行全面探讨，为提升我国林业地区疫木疑似的选择和林业有害生物监测等工作提供参考。
关键词：无人机；有害生物；林业监测；技术应用在传统的林业有害生物防治模式中，主要是通过建立人工监测点，并进行定期地巡查。
但是在2018年机构改革之后，由于林地面积较大，且缺乏专业技术人员，这些因素加大林业有害生物防治机构工作人员的工作量和工作难度，从而使监测结果的准确度大大下降。
松材线虫病是世界上全森林生态系统中最严重的病害之一，又叫作松树的“癌症”。
我国19个省（区、市）731个县级行政区发生疫情，面积超过180万公顷，致死松树数十亿株，发生区域已突破年均温10℃的理论生理环境，同时危害松树种类和威胁我国松林资源的安全。
松材线虫病具有蔓延速度快、影响面积广、治理窗口期有限等特点，严重制约着松材线虫病害的快速治理，低成本、高精度、高效率的监管巡查方式是松林监管的迫切需求。
随着无人机制造技术的迅速升级，加速无人机在森林有害生物防控工作中的推广与应用。
在森林面积较大、分散度较高的情况下，当树木上出现有害生物时，如果仅依靠人工进行防控，防控工作就会变得很困难。
而使用无人机进行药物喷洒则会极大地提升林地工作效率，同时也能通过无人机每天巡逻，及时发现害虫的同时防止害虫的扩散。
1 传统林业有害生物调查与监测方法分析1.1 直接观察法选择一定树龄的单一树种为研究对象，对其发生的危害程度、发生数量等进行了直接观测。
林业工程学报，２０２３，８（３）：１５６－１６４ＪｏｕｒｎａｌｏｆＦｏｒｅｓｔｒｙＥｎｇｉｎｅｅｒｉｎｇＤＯＩ：１０．１３３６０／ｊ．ｉｓｓｎ．２０９６－１３５９．２０２２０８０１８收稿日期：２０２２－０８－２０㊀㊀㊀㊀修回日期：２０２３－０２－２８基金项目：浙江省自然科学基金联合基金（ＬＱＹ１８Ｃ１６０００２）；国家自然科学基金（Ｕ１８０９２０８）；浙江省自然科学基金（ＬＱ２０Ｆ０２０００５）㊂作者简介：许可，男，研究方向为林业信息化㊂通信作者：夏凯，男，副教授㊂Ｅ⁃ｍａｉｌ：ｘｉａｋａｉ＠ｚａｆｕ．ｅｄｕ．ｃｎ结合注意力机制与ＹＯＬＯｖ５的松材线虫病受害木检测许可１，２，３，季卓４，夏凯１，２，３∗，杨垠辉１，２，３，冯海林１，２，３（１．浙江农林大学数学与计算机科学学院，杭州３１１３００；２．林业感知技术与智能装备国家林业和草原局重点实验室，杭州３１１３００；３．浙江省林业智能监测与信息技术研究重点实验室，杭州３１１３００；４．浙江同创空间技术有限公司，杭州３１１３００）摘㊀要：松材线虫病是我国近几十年来最严重的一种森林病害，加强疫情的监测迫在眉睫㊂本研究在自建数据集的基础上采用３种不同的注意力模块（ＣＢＡＭ㊁ＳＥ和ＣＡ）改进ＹＯＬＯｖ５算法并结合数字正射影像图自动识别松材线虫病受害木，分别对比了改进模型ＣＢＡＭ⁃ＹＯＬＯｖ５㊁ＳＥ⁃ＹＯＬＯｖ５㊁ＣＡ⁃ＹＯＬＯｖ５与ＹＯＬＯｖ５模型的识别效果，实现了对变色松树和枯死疫木检测效果的提升㊂结果表明：３种注意力改进策略的变色松树查全率㊁平均精度和Ｆ１分数显著提高，查准率不逊色于ＹＯＬＯｖ５模型；综合考量查全率和Ｆ１分数指标，ＳＥ⁃ＹＯＬＯｖ５模型的变色松树和枯死疫木检测效果最好，其Ｆ１分数分别达到８９．７％和７６．９％，比原模型分别提高了５．５％和５．４％，其检测精度分别为９１．７％和８０．３％，较ＹＯＬＯｖ５模型分别提升了４．７％和５．１％；在理想置信度阈值情况下３种注意力改进策略的变色松树和枯死疫木查全率均值分别为８５．４％和７６．６％，基本满足实际检测需求㊂对各注意力改进模型检测层的特征图和热力图进行剖析可以看出，嵌入注意力机制有利于提取高贡献度的特征成分，可以提升变色松树特征提取的准确性㊂因此，改进的ＹＯＬＯｖ５模型基本满足了在较大疫区范围内对疫情监测的需求，这对于松林资源保护和病害防治具有积极意义㊂关键词：松材线虫病；无人机影像；ＹＯＬＯ算法；注意力机制；目标检测中图分类号：Ｓ７６３㊀㊀㊀㊀㊀文献标志码：Ａ㊀㊀㊀㊀㊀文章编号：２０９６－１３５９（２０２３）０３－０１５６－０９ＤｅｔｅｃｔｉｏｎｏｆａｂｎｏｒｍａｌｌｙｄｉｓｃｏｌｏｒｅｄｔｒｅｅｓｃａｕｓｅｄｂｙｐｉｎｅｗｉｌｔｄｉｓｅａｓｅｕｓｉｎｇＹＯＬＯｖ５ａｎｄａｔｔｅｎｔｉｏｎｍｅｃｈａｎｉｓｍＸＵＫｅ１，２，３，ＪＩＺｈｕｏ４，ＸＩＡＫａｉ１，２，３∗，ＹＡＮＧＹｉｎｈｕｉ１，２，３，ＦＥＮＧＨａｉｌｉｎ１，２，３（１．ＣｏｌｌｅｇｅｏｆＭａｔｈｅｍａｔｉｃｓａｎｄＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅ，ＺｈｅｊｉａｎｇＡ＆ＦＵｎｉｖｅｒｓｉｔｙ，Ｈａｎｇｚｈｏｕ３１１３００，Ｃｈｉｎａ；２．ＫｅｙＬａｂｏｒａｔｏｒｙｏｆＦｏｒｅｓｔｒｙＰｅｒｃｅｐｔｉｏｎＴｅｃｈｎｏｌｏｇｙａｎｄＩｎｔｅｌｌｉｇｅｎｔＥｑｕｉｐｍｅｎｔ，ＮａｔｉｏｎａｌＦｏｒｅｓｔｒｙａｎｄＧｒａｓｓｌａｎｄＡｄｍｉｎｉｓｔｒａｔｉｏｎ，Ｈａｎｇｚｈｏｕ３１１３００，Ｃｈｉｎａ；３．ＺｈｅｊｉａｎｇＰｒｏｖｉｎｃｉａｌＫｅｙＬａｂｏｒａｔｏｒｙｏｆＦｏｒｅｓｔｒｙＩｎｔｅｌｌｉｇｅｎｔＭｏｎｉｔｏｒｉｎｇａｎｄＩｎｆｏｒｍａｔｉｏｎＴｅｃｈｎｏｌｏｇｙ，Ｈａｎｇｚｈｏｕ３１１３００，Ｃｈｉｎａ；４．ＺｈｅｊｉａｎｇＴｏｎｇｃｈｕａｎｇＳｐａｃｅＴｅｃｈｎｏｌｏｇｙＣｏ．Ｌｔｄ．，Ｈａｎｇｚｈｏｕ３１１３００，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：ＳｉｎｃｅｐｉｎｅｎｅｍａｔｏｄｅｄｉｓｅａｓｅｉｓｏｎｅｏｆｔｈｅｍｏｓｔｓｅｒｉｏｕｓｆｏｒｅｓｔｄｉｓｅａｓｅｓｉｎＣｈｉｎａｉｎｒｅｃｅｎｔｄｅｃａｄｅｓ，ｉｔｉｓｕｒｇｅｎｔｔｏｓｔｒｅｎｇｔｈｅｎｔｈｅｍｏｎｉｔｏｒｉｎｇｏｆｔｈｅｅｐｉｄｅｍｉｃｓｉｔｕａｔｉｏｎ．Ｂａｓｅｄｏｎａｓｅｌｆ⁃ｂｕｉｌｔｄａｔａｓｅｔ，ｔｈｉｓｓｔｕｄｙｕｓｅｄｔｈｒｅｅｄｉｆｆｅｒｅｎｔａｔ⁃ｔｅｎｔｉｏｎｍｏｄｕｌｅｓ，ｉ．ｅ．，ＣＢＡＭ，ＳＥ，ａｎｄＣＡ，ｔｏｉｍｐｒｏｖｅｔｈｅＹＯＬＯｖ５ａｌｇｏｒｉｔｈｍａｎｄｃｏｍｂｉｎｅｄｗｉｔｈｄｉｇｉｔａｌｏｒｔｈｏｐｈｏｔｏｉｍａｇｅｓｔｏａｕｔｏｍａｔｉｃａｌｌｙｉｄｅｎｔｉｆｙｐｉｎｅｎｅｍａｔｏｄｅｉｎｆｅｓｔｅｄｔｒｅｅｓ．ＴｈｅｒｅｃｏｇｎｉｔｉｏｎｅｆｆｅｃｔｓｏｆｔｈｅｉｍｐｒｏｖｅｄｍｏｄｅｌｓＣＢＡＭ⁃ＹＯＬＯｖ５，ＳＥ⁃ＹＯＬＯｖ５，ＣＡ⁃ＹＯＬＯｖ５，ａｎｄＹＯＬＯｖ５ｗｅｒｅｃｏｍｐａｒｅｄ，ｒｅｓｐｅｃｔｉｖｅｌｙ，ａｃｈｉｅｖｉｎｇｉｍｐｒｏｖｅｄｄｅｔｅｃｔｉｏｎｒｅ⁃ｓｕｌｔｓｆｏｒｄｉｓｃｏｌｏｒｅｄｐｉｎｅｔｒｅｅｓａｎｄｄｅａｄａｎｄｄｉｓｅａｓｅｄｔｒｅｅｓ．Ｔｈｅｒｅｓｕｌｔｓｓｈｏｗｅｄｔｈａｔｔｈｅｒｅｃａｌｌｒａｔｅ，ａｖｅｒａｇｅａｃｃｕｒａｃｙ，ａｎｄＦ１ｓｃｏｒｅｏｆｔｈｅｔｈｒｅｅａｔｔｅｎｔｉｏｎｉｍｐｒｏｖｅｍｅｎｔｓｔｒａｔｅｇｉｅｓｆｏｒｐｉｎｅｄｉｓｃｏｌｏｒｔｒｅｅｓｗｅｒｅｓｉｇｎｉｆｉｃａｎｔｌｙｉｍｐｒｏｖｅｄ，ａｎｄｔｈｅｐｒｅｃｉｓｉｏｎｒａｔｅｗａｓｎｏｔｉｎｆｅｒｉｏｒｔｏｔｈｅＹＯＬＯｖ５ｍｏｄｅｌ．ＢｙｃｏｍｐｒｅｈｅｎｓｉｖｅｌｙｃｏｎｓｉｄｅｒｉｎｇｔｈｅｒｅｃａｌｌｒａｔｅａｎｄＦ１ｓｃｏｒｅｉｎ⁃ｄｉｃａｔｏｒｓ，ｔｈｅｄｅｔｅｃｔｉｏｎｔａｓｋｏｆｐｉｎｅｎｅｍａｔｏｄｅｉｎｆｅｃｔｅｄｔｒｅｅｓｗａｓｃｏｎｄｕｃｔｅｄｉｎｔｗｏｔｅｓｔｐｌｏｔｓｗｉｔｈｄｉｆｆｅｒｅｎｔｅｐｉｄｅｍｉｃｌｅ⁃ｖｅｌｓ．ＴｈｅＳＥ⁃ＹＯＬＯｖ５ｍｏｄｅｌｈａｄｔｈｅｂｅｓｔｄｅｔｅｃｔｉｏｎｒｅｓｕｌｔｓｆｏｒｄｉｓｃｏｌｏｒｅｄｐｉｎｅｔｒｅｅｓａｎｄｄｅａｄａｎｄｉｎｆｅｃｔｅｄｔｒｅｅｓ，ｗｉｔｈＦ１ｓｃｏｒｅｓｏｆ８９．７％ａｎｄ７６．９％，ｒｅｓｐｅｃｔｉｖｅｌｙ，ｗｈｉｃｈｗｅｒｅ５．５ａｎｄ５．４ｐｅｒｃｅｎｔａｇｅｐｏｉｎｔｓｈｉｇｈｅｒｔｈａｎｔｈｅｏｒｉｇｉｎａｌｍｏ⁃ｄｅｌ，ａｎｄｔｈｅｉｒｄｅｔｅｃｔｉｏｎａｃｃｕｒａｃｉｅｓｗｅｒｅ９１．７％ａｎｄ８０．３％，ｒｅｓｐｅｃｔｉｖｅｌｙ，ｗｈｉｃｈｗｅｒｅ４．７％ａｎｄ５．１％ｈｉｇｈｅｒｔｈａｎｔｈｅＹＯＬＯｖ５ｍｏｄｅｌ．Ｕｎｄｅｒｔｈｅｉｄｅａｌｃｏｎｆｉｄｅｎｃｅｔｈｒｅｓｈｏｌｄ，ｔｈｅａｖｅｒａｇｅｄｅｔｅｃｔｉｏｎｒａｔｅｓｏｆｔｈｅｔｈｒｅｅａｔｔｅｎｔｉｏｎｉｍｐｒｏｖｅｍｅｎｔｓｔｒａｔｅｇｉｅｓｆｏｒＰｉｎｕｓｄｉｓｃｏｌｏｒａｎｄＰｈｙｔｏｐｈｔｈｏｒａｉｎｆｅｓｔａｎｓｗｅｒｅ８５．４％ａｎｄ７６．６％，ｒｅｓｐｅｃｔｉｖｅｌｙ，ａｎｄｔｈｅａｖｅｒａｇｅＦ１ｖａｌ⁃㊀第３期许可，等：结合注意力机制与ＹＯＬＯｖ５的松材线虫病受害木检测ｕｅｓｗｅｒｅ８８．４％ａｎｄ７５．３％，ｒｅｓｐｅｃｔｉｖｅｌｙ，ｗｈｉｃｈｂａｓｉｃａｌｌｙｍｅｔｔｈｅａｃｔｕａｌｄｅｔｅｃｔｉｏｎｒｅｑｕｉｒｅｍｅｎｔｓ．Ａｎａｌｙｚｉｎｇｔｈｅｆｅａｔｕｒｅｍａｐｓａｎｄｔｈｅｒｍａｌｍａｐｓｏｆｔｈｅｄｅｔｅｃｔｉｏｎｌａｙｅｒｓｏｆｅａｃｈａｔｔｅｎｔｉｏｎｉｍｐｒｏｖｅｍｅｎｔｍｏｄｅｌｓｈｏｗｅｄｔｈａｔｔｈｅｅｍｂｅｄｄｉｎｇｏｆｔｈｅａｔｔｅｎｔｉｏｎｍｅｃｈａｎｉｓｍｗａｓｃｏｎｄｕｃｉｖｅｔｏｅｘｔｒａｃｔｉｎｇｈｉｇｈｃｏｎｔｒｉｂｕｔｉｏｎｆｅａｔｕｒｅｃｏｍｐｏｎｅｎｔｓａｎｄｃａｎｉｍｐｒｏｖｅｔｈｅａｃｃｕｒａｃｙｏｆｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎｆｏｒｄｉｓｃｏｌｏｒｅｄｐｉｎｅｔｒｅｅｓ．Ｉｎｔｈｅｄｅｔｅｃｔｉｏｎｔａｓｋｏｆｐｉｎｅｎｅｍａｔｏｄｅｉｎｆｅｃｔｅｄｔｒｅｅｓｉｎａｌａｒｇｅｅｐｉｄｅｍｉｃａｒｅａ，ｔｈｅｒｅｃａｌｌｒａｔｅａｎｄｃｏｍｐｒｅｈｅｎｓｉｖｅｉｎｄｅｘＦ１ｏｆｐｉｎｅｄｉｓｃｏｌｏｒｔｒｅｅｓａｒｅｐａｒｔｉｃｕｌａｒｌｙｉｍｐｏｒｔａｎｔ．ＴｈｅｉｍｐｒｏｖｅｄＹＯＬＯｖ５ｍｏｄｅｌｂａｓｉｃａｌｌｙｍｅｅｔｓｔｈｅｄｅｍａｎｄｆｏｒｅｐｉｄｅｍｉｃｍｏｎｉｔｏｒｉｎｇ，ｗｈｉｃｈｈａｓｐｏｓｉｔｉｖｅｓｉｇｎｉｆｉｃａｎｃｅｆｏｒｐｉｎｅｆｏｒｅｓｔｒｅｓｏｕｒｃｅｐｒｏｔｅｃｔｉｏｎａｎｄｄｉｓｅａｓｅｐｒｅｖｅｎｔｉｏｎ．Ｋｅｙｗｏｒｄｓ：ｐｉｎｅｗｉｌｔｄｉｓｅａｓｅ；ｕｎｍａｎｎｅｄａｅｒｉａｌｖｅｈｉｃｌｅｉｍａｇｅ；ＹＯＬＯ；ａｔｔｅｎｔｉｏｎｍｅｃｈａｎｉｓｍ；ｏｂｊｅｃｔｄｅｔｅｃｔｉｏｎ㊀㊀松树（Ｐｉｎｕｓｓｐｐ．）是我国广泛分布的常绿针叶树种，其种类繁多，生命力较强㊂松材线虫病（ｐｉｎｅｗｉｌｔｄｉｓｅａｓｅ，ＰＷＤ）是一种危险性极强的森林病害，被称为松树的 癌症 ，疫情发展较快，传播迅速，疫木死亡率高，甚至能够引起整片松林毁灭㊂在亚洲，日本㊁韩国和中国受害严重，现阶段我国受害尤甚［１－２］㊂森林遭到病虫害侵袭后，树木的内部生理结构变化和外貌形态变化都会导致植被指数以及反射率异常［３］㊂从目视判读的层面上看，感染松材线虫病后的松树最显著的外部症状是树冠整体呈现黄色或黄褐色，重度感染的松材线虫病受害木针叶全部变为红褐色［４］㊂近年来，有学者尝试遥感装置的创新，如Ｊｕｎｇ等［５］将自研的远程通信遥感设备安装至松树上，利用定期收集的平均绝对偏差信号来区分松树是否感染㊂虽然通过人工手持设备实地调查手段可以进行松林疫情普查，但由于人员有限㊁山区险要等客观原因，只能进行粗略统计，识别效率较低［６］㊂考虑到松材线虫病疫情传播广泛，因此现阶段基于大范围㊁远距离和高空间分辨率的遥感影像进行病害检测是主要应用及研究方向［７］㊂无人机遥感作为一种实施成本低㊁灵活性高㊁实时快速且便于大面积数据采集的环境监测技术，在遥感测绘领域的应用越来越广泛［８－９］㊂国内外研究人员通过不同的无人机平台搭载数码相机与深度学习相结合对松材线虫病疫情的监测展开了研究，并取得了一定的进展［１０］㊂徐信罗等［１１］和Ｄｅｎｇ等［１２］通过修改锚框尺寸并结合不同检测模块改进的ＦａｓｔｅｒＲ⁃ＣＮＮ算法对包含变色松树的无人机ＲＧＢ影像进行检测㊂黄丽明等［１３］利用改进的ＹＯＬＯｖ４算法对松材线虫病受害木进行识别，在检测速度和检测精度上的表现较为平衡，基本满足松材线虫病的监测要求㊂Ｙｕ等［１４－１５］根据针叶颜色将松材线虫病受害木分为早期患病松木㊁中期患病松木和晚期患病松木制作数据集后，评估了两种目标检测算法（ＦａｓｔｅｒＲ⁃ＣＮＮ和ＹＯＬＯｖ４）和两种传统机器学习方法（随机森林和支持向量机）的识别精度㊂很多学者在松材线虫病检测上都取得了一定的成果，并且结果中各项指标的表现也比较均衡，推动了深度学习方法与无人机遥感影像相结合在病害检测领域的研究发展，但漏检的松材线虫病受害木仍会对健康松树构成潜在威胁，因此提高查全率对于检疫工作显得更为关键㊂注意力机制（ａｔｔｅｎｔｉｏｎｍｅｃｈａｎｉｓｍ）源于对人类视觉的研究，随着深度学习的发展，在计算机视觉领域得到了广泛应用，在神经网络中通常作为一个独立的模块从大量信息中筛选出重要信息［１６－１７］，它用于改进目标检测网络结构以分析颜色㊁形状㊁纹理等特征的权重，并增强特征提取和抑制无关信息的能力，从而提高检测的灵敏度㊂Ｗａｎｇ等［１８］使用卷积注意力模块ＣＢＡＭ对ＦａｓｔｅｒＲ⁃ＣＮＮ中的特征提取骨干进行优化，以提高模型对于近色背景的番茄幼果的灵敏度㊂Ｃｈｅｎ等［１９］为了准确识别复杂条件下的植物病害，在ＹＯＬＯｖ５网络结构中增加通道注意力模块ＳＥ来提高模型对通道特征的敏感性，改进后的模型对白粉病和炭疽病的检测精度值明显优于原ＹＯＬＯｖ５模型㊂刘天真等［２０］针对欲检测目标与背景的颜色差异，利用注意力模块ＳＥ改进的ＹＯＬＯｖ３算法对冬枣果实进行检测，在保证查准率一定的情况下，使其查全率提高了４．３６％㊂刘世川等［２１］使用Ｒｅｌｉｅｆ算法对不同的植被指数和颜色空间进行特征选择后筛选出疑似松材线虫病受害木像元集，通过在ＶＧＧ模型中加入ＣＢＡＭ注意力机制证明了此方法对受害木区域分类效果的有效性㊂所以本研究利用３种注意力机制（ＣＢＡＭ㊁ＳＥ㊁ＣＡ）对ＹＯＬＯｖ５算法进行改进，并采用无空间交集的训练集和测试集来验证本研究改进模型对于提高变色松树及枯死疫木查全率与检测精度的有效性㊂１㊀研究区域概况研究区位于浙江省衢州市龙游县（１１９．１７ʎＥ，２９．０２ʎＮ），地处亚热带季风气候区，四季分明㊁光热充足㊁降水充沛㊁气温适中，年均气温１６．３ １７．３７５１林业工程学报第８卷ħ，每年１０月到翌年２月全市降水量３７０ ３９２ｍｍ，降水量较大㊂实验区域是衢州市龙游县的４个乡镇，样地总面积约为８ｋｍ２，大面积植被类型为马尾松针叶林㊁针阔叶混交林和常绿阔叶林，根据该地秋冬季的森林资源二类调查数据，大部分为松树纯林，并且在优势树种为马尾松（Ｐｉｎｕｓｍａｓｓｏ⁃ｎｉａｎａ）的小班班块中，马尾松树种占比在７０％１００％㊂塔石镇区域的变色松树数量最多且密度最大，研究区域和实验样地分布如图１所示，红色闭合区域表示训练集样地，黄色闭合区域表示测试集样地㊂其中１号样地和２号样地分别位于横山镇的天池村和杨垅水库，３号样地位于石佛乡丰塘山村，４号和５号样地分别位于横山镇的下宅村和白鹤桥镇，６号样地位于塔石镇泽随村，７号样地位于小南海镇翠光岩村㊂图１㊀研究区域和实验样地分布Ｆｉｇ．１㊀Ｄｉｓｔｒｉｂｕｔｉｏｎｏｆｔｈｅｓｔｕｄｙａｒｅａａｎｄｅｘｐｅｒｉｍｅｎｔｐｌｏｔｓ２㊀研究方法２．１㊀注意力机制注意力机制目前在深度神经网络上应用较广泛，以增强有效特征提取的能力㊂假设Ｈ㊁Ｗ㊁Ｃ分别为输入特征图的高度㊁宽度和通道维数，ｒ为控制模块大小的超参数㊂卷积注意力模块（ｃｏｎｖｏｌｕｔｉｏｎａｌｂｌｏｃｋａｔｔｅｎｔｉｏｎｍｏｄｕｌｅ，ＣＢＡＭ）［２２］依次沿着通道注意力模块（ｃｈａｎｎｅｌａｔｔｅｎｔｉｏｎｍｏｄｕｌｅ，ＣＡＭ）和空间注意力模块（ｓｐａｔｉａｌａｔｔｅｎｔｉｏｎｍｏｄｕｌｅ，ＳＡＭ）推断注意力图，将注意力图乘以输入特征图以进行自适应特征修饰㊂ＣＢＡＭ结构如图２所示㊂压缩与激励网络（ｓｑｕｅｅｚｅａｎｄｅｘｃｉｔａｔｉｏｎｎｅｔ⁃ｗｏｒｋｓ，ＳＥ）［２３］首先通过压缩操作（Ｆｓｑ）将输入特征图做特征压缩；激励操作（Ｆｅｘ）为每个特征通道生成权重；最后是重标定操作（Ｆｓｃ），归一化权重并乘到每个特征通道上㊂ＳＥ结构如图３所示㊂图２㊀ＣＢＡＭ结构Ｆｉｇ．２㊀ＣＢＡＭｍｏｄｕｌｅｓｔｒｕｃｔｕｒｅ图３㊀ＳＥ结构Ｆｉｇ．３㊀ＳＥｍｏｄｕｌｅｓｔｒｕｃｔｕｒｅ坐标注意力机制（ｃｏｏｒｄｉｎａｔｅａｔｔｅｎｔｉｏｎ，ＣＡ）［２４］首先分别在宽度和高度方向上进行平均池化，将输出特征图进行卷积和拼接以降维至Ｃ／ｒ，再升维得到两个方向上的注意力权重，最后将所得权重与输入特征图做乘法加权操作㊂ＣＡ结构如图４所示㊂图４㊀ＣＡ结构Ｆｉｇ．４㊀ＣＡｍｏｄｕｌｅｓｔｒｕｃｔｕｒｅ２．２㊀改进的ＹＯＬＯｖ５网络模型ＹＯＬＯｖ５是一阶段的端到端目标检测算法，数据输入后，先由Ｂａｃｋｂｏｎｅ提取图像特征并生成语义信息，再通过Ｎｅｃｋ进行顶层和底层特征融合以增强特征表达，最后传递到Ｏｕｔｐｕｔ层进行多尺度目标检测㊂各个实验区之间有一定的空间距离，变色松树存在色彩和形态差异㊂为强化树冠的局部注意范围并提取对网络训练更有利的特征，本实验中将上述注意力模块ＣＢＡＭ㊁ＳＥ和ＣＡ分别嵌入Ｂａｃｋｂｏｎｅ中快速空间金字塔池化结构（ｓｐａｔｉａｌｐｙｒａｍｉｄｐｏｏｌｉｎｇ⁃ｆａｓｔ，ＳＰＰＦ）的前一层，进一步挖掘有效特征后再进行３次最大池化和高层特征提取融合操作，从而探究３种注意力模块对无人机正射影像图中松材线虫病受害木的特征提取能力㊂改进的ＣＢＡＭ⁃ＹＯＬＯｖ５㊁ＳＥ⁃ＹＯＬＯｖ５和ＣＡ⁃ＹＯＬＯｖ５结构如图５所示，其中注意力模块用Ａｔ⁃ｔｅｎｔｉｏｎ表示㊂８５１㊀第３期许可，等：结合注意力机制与ＹＯＬＯｖ５的松材线虫病受害木检测注：ＣＢＳ为基本卷积单元；Ｃ３为包含３个卷积模块的跨阶段局部网络残差块；ＭａｘＰｏｏｌｉｎｇ为最大池化操作；Ｃｏｎｃａｔ为特征图融合操作；Ｕｐｓａｍｐｌｅ为上采样操作；Ｂｏｔｔｌｅｎｅｃｋ为瓶颈层㊂图５㊀改进的ＹＯＬＯｖ５结构Ｆｉｇ．５㊀ＩｍｐｒｏｖｅｄＹＯＬＯｖ５ｓｔｒｕｃｔｕｒｅ３㊀数据集与实验设计３．１㊀数据采集与处理首先从浙江省衢州市的二类调查数据里删除优势树种不包含松树的小班班块，再利用ＡｒｃＧＩＳ１０．５软件的 数据管理工具 要素类 创建渔网 ，设置像元宽度和高度均为２０００，得到若干个渔网㊂根据松林密度㊁地形等因素选择实验研究样地共７个，山体海拔１００ ７００ｍ，地理坐标为１１９ʎ３ᶄ５６ᵡ １１９ʎ１３ᶄ１８ᵡＥ，２９ʎ３ᶄ８ᵡ ２９ʎ１６ᶄ２０ᵡＮ㊂设计完成后，外业工作人员于２０２１年１０月１８ ２４日采用大疆创新科技有限公司的精灵Ｐｈａｎｔｏｍ４ＰｒｏＶ２．０无人机获取石佛乡㊁塔石镇㊁小南海镇㊁横山镇共４个乡镇的无人机ＲＧＢ图像，旁向重叠率和航向重叠率为８５％，照片尺寸为５４７２ˑ３６４８，影像分辨率７ｃｍ，无人机搭载像素为２０００万的Ｆ２．８广角自动对焦镜头，型号为ＦＣ６３１０Ｓ㊂将无人机航拍得到的７个实验样地图像在ＷｅｂＯｐｅｎＤｒｏｎｅＭａｐ中进行加载并依次拼接，系统会自动识别次序相邻的图像的重合部分并融合，从而制作得到数字正射影像图（ｄｉｇｉｔａｌｏｒｔｈｏｐｈｏｔｏｍａｐ，ＤＯＭ）共７幅㊂对７幅ＤＯＭ进行裁剪后筛选，去除无受害木树冠的背景图片后共得到１１６０张尺寸为３００ˑ３００像素的图像用于深度学习网络训练和测试，实验步骤如图６所示㊂图６㊀深度学习网络训练测试流程Ｆｉｇ．６㊀Ｄｅｅｐｌｅａｒｎｉｎｇｎｅｔｗｏｒｋｔｒａｉｎｉｎｇａｎｄｔｅｓｔｉｎｇｐｒｏｃｅｓｓ９５１林业工程学报第８卷图像采集时间正处于监测窗口期，感染松材线虫病的松树大多已表现出典型的红褐色症状，占比较少的阔叶树还未变色，无须考虑变色的阔叶树对航摄监测的影响㊂往年枯死疫木的松材线虫潜伏侵染也是引起疫情蔓延的重要原因之一［２５］，恶性循环会加重生态损失，所以本研究采用的松材线虫病受害木数据集包含变色松树和枯死疫木两类㊂为保证标注过程以及后期测试的准确性，标注样本过程中也邀请实地调查人员进行指导，利用开源工具ｌａｂｅｌＩｍｇ软件进行样本标注，在裁剪后的训练图片中绘制的每个矩形框包含一棵单独的松材线虫病受害木，所有影像中的矩形框坐标信息将保存在文件中，标记完成后再经林学专家复检㊂数据集划分如表１所示㊂表１㊀数据集中变色松树和枯死疫木数量统计Ｔａｂｌｅ１㊀Ｓｔａｔｉｓｔｉｃｓｏｆｔｈｅｎｕｍｂｅｒｏｆｄｉｓｃｏｌｏｒｅｄｐｉｎｅｔｒｅｅａｎｄｄｅａｄｐｉｎｅｔｒｅｅｉｎｔｈｅｄａｔａｓｅｔ数据集样地变色松树枯死疫木训练集１，２，３，６，７４００５４９２测试集４，５９８１１３０总计㊀４９８６６２２３．２㊀评估指标本研究使用在测试集上取得的查准率（ｐｒｅｃｉ⁃ｓｉｏｎ，Ｐ）㊁查全率（ｒｅｃａｌｌ，Ｒ）㊁平均精度（ａｖｅｒａｇｅｐｒｅ⁃ｃｉｓｉｏｎ，Ｐａ）和Ｆ１分数（Ｆ１⁃ｓｃｏｒｅ，Ｆ１）４个指标以评估模型性能表现㊂其中，查全率表示在整个测试集的实际正样本中被检测到的正样本所占的比例；查准率表示在所有被检测为正样本的结果中实际正样本所占的比例；平均精度等于ｐｒｅｃｉｓｉｏｎ⁃ｒｅｃａｌｌ曲线与坐标轴围成的面积㊂在衡量检测器性能时，由于查准率和查全率是一对相互矛盾的度量指标，为了更好地评估模型，同时考量查准率和查全率，所以采用Ｐ和Ｒ的调和平均数Ｆ１分数㊂相关计算公式如下：Ｐ＝ＴＰＴＰ＋ＦＰ（１）Ｒ＝ＴＰＴＰ＋ＦＮ＝ＴＰＧＴ（２）Ｐａ＝ʏ１０ＰＲ()ｄＲ（３）Ｆ１＝２ˑＰˑＲＰ＋Ｒ（４）式中：ＴＰ为正确检测的样本数量；ＦＰ为被误检为正确样本的数量；ＦＮ为未检测到的正确样本数量；ＧＴ为正确样本的总量；Ｐ（Ｒ）为在［０，１］上的Ｐ⁃Ｒ曲线㊂３．３㊀实验平台与参数配置本研究使用的计算机操作系统是Ｗｉｎｄｏｗｓ１１（６４位，专业版），ＣＰＵ为Ｃｏｒｅ（ＴＭ）ｉ９⁃１０９００Ｋ，ＧＰＵ为ＮＶＩＤＩＡＧｅＦｏｒｃｅＲＴＸ３０９０，显存为２４Ｇ，ＣＵＤＡ版本为１１．３，实验基于Ｐｙｔｈｏｎ３．９和ＰｙＴｏｒｃｈ１．９搭建的深度学习框架，输入图片尺寸为３００ˑ３００㊂采用迁移学习微调策略，优化器及参数为Ａｄａｍ（０．９３７），初始学习率选取０．０１，最终学习率为０．２，权重衰减系数为０．０００３６㊂设置若持续迭代１００次精度未提升则停止训练，为加快训练速度，批次大小设为３２㊂将ＹＯＬＯｖ５与上述３种注意力机制改进模型在预训练模型（ｙｏｌｏｖ５ｓ．ｐｔ）的基础上进行训练，预设迭代次数为３００，每次实验大约在２００次迭代左右，模型收敛至训练结束后保存最优模型，用其进行测试和图像推理㊂４㊀结果与分析４．１㊀不同模型检测性能３种注意力改进模型和ＹＯＬＯｖ５模型的检测性能如表２所示，本实验中主要考虑置信度阈值为０．５时的检测能力㊂表２㊀不同模型检测性能对比Ｔａｂｌｅ２㊀Ｃｏｍｐａｒｉｓｏｎｏｆｐｅｒｆｏｒｍａｎｃｅｏｆｄｉｆｆｅｒｅｎｔｍｏｄｅｌｓ类别模型Ｐ／％Ｒ／％Ｆ１／％ＹＯＬＯｖ５９３．７７６．４８４．２ＣＢＡＭ⁃ＹＯＬＯｖ５９１．８８３．７８７．６变色松树ＳＥ⁃ＹＯＬＯｖ５９１．５８８．０８９．７ＣＡ⁃ＹＯＬＯｖ５９１．９８４．５８８．０平均值９１．７８５．４８８．４ＹＯＬＯｖ５７５．９６７．７７１．５ＣＢＡＭ⁃ＹＯＬＯｖ５７５．６７６．１７５．９枯死疫木ＳＥ⁃ＹＯＬＯｖ５７６．９７６．９７６．９ＣＡ⁃ＹＯＬＯｖ５６９．４７６．９７３．０平均值７４．０７６．６７５．３㊀㊀由表２可知：在变色松树的检测效果上，改进后的模型查准率无明显波动，而查全率均值提高了９．０％，其中ＳＥ⁃ＹＯＬＯｖ５的查全率最高，为８８．０％，大大提高了检出数量，其Ｆ１也最高，综合查准率和查全率则其对变色松树的检测效果最理想；在枯死疫木的检测效果上，ＣＢＡＭ⁃ＹＯＬＯｖ５和ＳＥ⁃ＹＯＬＯｖ５模型与ＹＯＬＯｖ５的查准率不相上下，相较于ＹＯＬＯｖ５查全率都提高了９．０％左右，Ｆ１均提升了５．０％左右㊂在不同置信度阈值下各模型的检测结果如表３所示，改进模型的Ｒ和Ｆ１的最高值已加粗显示㊂０６１㊀第３期许可，等：结合注意力机制与ＹＯＬＯｖ５的松材线虫病受害木检测查全率越高，正确检出的目标越多，ＳＥ⁃ＹＯＬＯｖ５的变色松树查全率均值高于ＣＢＡＭ⁃ＹＯＬＯｖ５，枯死疫木的查全率均值则相反，说明前者的变色松树检测能力较强，后者的枯死疫木检测能力较好㊂置信度阈值为０．７时，ＣＢＡＭ⁃ＹＯＬＯｖ５的变色松树和枯死疫木查全率都高于ＳＥ⁃ＹＯＬＯｖ５，说明此时ＣＢＡＭ⁃ＹＯＬＯｖ５的两类别检出能力较强㊂表３㊀不同置信度阈值下模型检测性能对比Ｔａｂｌｅ３㊀Ｃｏｍｐａｒｉｓｏｎｏｆｔｈｅｍｏｄｅｌｐｅｒｆｏｒｍａｎｃｅｉｎｄｉｆｆｅｒｅｎｔｃｏｎｆｉｄｅｎｃｅｔｈｒｅｓｈｏｌｄｓ类别评估指标模型置信度阈值０．３０．４０．５０．６０．７平均值变色松树Ｐ／％ＹＯＬＯｖ５９３．７９３．７９３．５９３．７９４．６ＣＢＡＭ⁃ＹＯＬＯｖ５８９．５９０．５９１．８９２．５９４．０ＳＥ⁃ＹＯＬＯｖ５９１．３９１．３９１．５９３．２９６．３ＣＡ⁃ＹＯＬＯｖ５９１．９９１．９９１．９９３．６９５．９Ｒ／％ＹＯＬＯｖ５７６．４７６．４７６．４７５．８６９．９７５．０ＣＢＡＭ⁃ＹＯＬＯｖ５８８．１８６．６８３．７８１．３７６．７８３．３ＳＥ⁃ＹＯＬＯｖ５８８．４８８．４８８．０８２．９７４．４８４．４ＣＡ⁃ＹＯＬＯｖ５８４．５８４．５８４．５８０．４７３．８８１．５Ｆ１／％ＹＯＬＯｖ５８４．２８４．２８４．２８３．８８０．４ＣＢＡＭ⁃ＹＯＬＯｖ５８８．８８８．５８７．６８６．６８４．５ＳＥ⁃ＹＯＬＯｖ５８９．８８９．８８９．７８７．８８４．０ＣＡ⁃ＹＯＬＯｖ５８８．０８８．０８８．０８６．５８３．４枯死疫木Ｐ／％ＹＯＬＯｖ５７５．９７５．９７５．９７５．９７７．９ＣＢＡＭ⁃ＹＯＬＯｖ５６９．０７１．１７５．６７９．５８７．５ＳＥ⁃ＹＯＬＯｖ５７６．５７６．５７６．９８６．５９３．５ＣＡ⁃ＹＯＬＯｖ５６９．４６９．４６９．４７０．７８１．４Ｒ／％ＹＯＬＯｖ５６７．７６７．７６７．７６６．９６２．３６６．５ＣＢＡＭ⁃ＹＯＬＯｖ５８３．８８１．５７６．１７１．５５９．２７４．４ＳＥ⁃ＹＯＬＯｖ５８０．０８０．０７６．９６４．６４４．６６９．２ＣＡ⁃ＹＯＬＯｖ５７６．９７６．９７６．９７０．８６３．８７３．１Ｆ１／％ＹＯＬＯｖ５７１．５７１．５７１．５７１．０６９．２ＣＢＡＭ⁃ＹＯＬＯｖ５７５．７７６．０７５．９７５．３７０．６ＳＥ⁃ＹＯＬＯｖ５７８．２７８．２７６．９７４．０６０．４ＣＡ⁃ＹＯＬＯｖ５７３．０７３．０７３．０７０．７７１．６㊀㊀所有模型检测的Ｐ⁃Ｒ曲线如图７所示㊂从图７可以看出，ＳＥ⁃ＹＯＬＯｖ５的Ｐ⁃Ｒ曲线覆盖范围最大，说明Ｐａ值最高，计算与坐标轴围成的面积可得变色松树和枯死疫木的Ｐａ值分别为９１．７％和８０．３％，ＹＯＬＯｖ５模型的两类别Ｐａ值分别为８７．０％和７５．２％㊂这表明ＳＥ⁃ＹＯＬＯｖ５在受害木的检测任务上能获得更高的检测精度㊂ＳＥ⁃ＹＯＬＯｖ５和ＹＯＬＯｖ５在４号和５号测试样地的检测结果如表４所示，前者变色松树和枯死疫木的Ｒ㊁Ｐａ和Ｆ１表现更均衡㊂这表明ＳＥ⁃ＹＯＬＯｖ５在不同测试样地检测的综合性能更好㊂图７㊀变色松树和枯死疫木的Ｐ⁃Ｒ曲线Ｆｉｇ．７㊀Ｐ⁃Ｒｃｕｒｖｅｓｏｆｄｉｓｃｏｌｏｒｅｄｐｉｎｅｔｒｅｅａｎｄｄｅａｄｐｉｎｅｔｒｅｅ１６１林业工程学报第８卷表４㊀ＹＯＬＯｖ５和ＳＥ⁃ＹＯＬＯｖ５在两个测试样地的检测结果Ｔａｂｌｅ４㊀ＲｅｓｕｌｔｓｏｆＹＯＬＯｖ５ａｎｄＳＥ⁃ＹＯＬＯｖ５ｐｅｒｆｏｒｍａｎｃｅｓｉｎｔｗｏｔｅｓｔｐｌｏｔｓ测试样地类别ＧＴ模型Ｐ／％Ｒ／％Ｆ１／％Ｐａ／％ＴＰＦＰＦＮ４号样地变色松树２１２ＹＯＬＯｖ５９１．８８４．４８８．０８９．８１７９１６３３ＳＥ⁃ＹＯＬＯｖ５９２．０９３．４９２．７９５．４１９８１７１４枯死疫木４４ＹＯＬＯｖ５８０．６５６．８６６．７７０．９２５６１９ＳＥ⁃ＹＯＬＯｖ５８０．６６５．９７２．５７４．４２９７１５５号样地变色松树７６９ＹＯＬＯｖ５９４．１７４．８８３．４８６．２５７５３６１９４ＳＥ⁃ＹＯＬＯｖ５９１．８８６．３８９．０９０．７６６４６０１０５枯死疫木８６ＹＯＬＯｖ５７２．７７４．４７３．６７４．４６４２４２２ＳＥ⁃ＹＯＬＯｖ５７５．４８２．６７８．８８３．９７１２３１５注：绿色实线框表示人工标注的变色松树真实框；红色实线框表示变色松树检测框；白色数字表示置信度㊂图８㊀不同注意力模块和改进ＹＯＬＯｖ５算法检测结果Ｆｉｇ．８㊀ＤｅｔｅｃｔｉｏｎｒｅｓｕｌｔｓｏｆｄｉｆｆｅｒｅｎｔａｔｔｅｎｔｉｏｎｍｏｄｕｌｅｓａｎｄｉｍｐｒｏｖｅｄＹＯＬＯｖ５ａｌｇｏｒｉｔｈｍ㊀㊀综上所述，不同的注意力机制对于受害木的检测都有不同程度的积极作用，且３种改进策略的变色松树及枯死疫木Ｒ和Ｆ１均值较ＹＯＬＯｖ５都有提高，表明注意力机制有助于增强对二者的检测能力㊂４．２㊀检测结果误差分析对比上述检测结果后可以发现，ＹＯＬＯｖ５的注意力机制改进策略可以有效地提高受害木的查全率㊂ＹＯＬＯｖ５和３种改进模型的检测结果见图８，其中图８ａ中原模型将具有相似颜色特征的裸地误判成了变色松树，但本研究改进模型未出现错检现象㊂图８ｂ和图８ｃ是高林分郁闭度松林场景，前者光照强度较低，可以观察到ＹＯＬＯｖ５均出现了变色松树漏检现象，３种改进模型均以较高的置信度全部检出，识别能力更强㊂图８ｄ是包含松林㊁竹林和水系的复杂场景，ＹＯＬＯｖ５未检出２棵变色松树，ＣＢＡＭ⁃ＹＯＬＯｖ５和ＳＥ⁃ＹＯＬＯｖ５全部正确检出，ＣＡ⁃ＹＯＬＯｖ５漏检１棵㊂由此可见，添加注意力机制能在网络模型训练过程中强调感兴趣区域的同时抑制不相关背景区域㊂２６１㊀第３期许可，等：结合注意力机制与ＹＯＬＯｖ５的松材线虫病受害木检测４．３㊀网络特征图及热力图分析为了更好地理解模型的识别过程，利用梯度加权的类激活热力图技术（ｇｒａｄｉｅｎｔ⁃ｗｅｉｇｈｔｅｄｃｌａｓｓａｃｔｉ⁃ｖａｔｉｏｎｍａｐｐｉｎｇ，Ｇｒａｄ⁃ＣＡＭ）［２６］来可视化分析模型的关注区域㊂在神经网络训练的过程中，越远离底层的特征图语义信息越抽象，每个模块提取图像特征并完成特征转换的过程是无法直观体现的㊂因此，为了进一步分析注意力机制对松林遥感影像中变色松树精细特征提取的效果，对ＹＯＬＯｖ５（改进的ＹＯＬＯｖ５）Ｂａｃｋｂｏｎｅ中第９（１０）层的Ｃ３模块（Ａｔｔｅｎｔｉｏｎ模块）㊁Ｎｅｃｋ网络中第１８（１９）㊁２１（２２）和２４（２５）层３个并行的Ｃ３ˑ３模块生成如表５所示的特征图和热力图㊂热力图中红色越深表示模型对此部分图像关注度越高，模型对黄色部分图像的关注度次之，蓝色部分特征表示对变色松树识别的影响较小，模型认为此部分为冗余信息㊂由此可见，注意力改进模型更加关注变色松树区域的图像特征，减少了图像中健康松林部分对识别结果的贡献程度㊂表５㊀特征图与热力图分析Ｔａｂｌｅ５㊀Ａｎａｌｙｓｉｓｏｆｆｅａｔｕｒｅｍａｐｓａｎｄｈｅａｔｍａｐｓ原始图像注意力机制检测图第９（１０）层第１８（１９）层第２１（２２）层第２４（２５）层特征图热力图特征图热力图特征图热力图特征图热力图ˑＣＢＡＭＳＥＣＡ㊀㊀针对植物病害检测的部分研究表明，模型的鲁棒性在光照不足条件下相较于光照充足条件下略差［２７］㊂本研究的无人机图像主要是在１０：００１６：００晴朗或多云天气光照充分条件下采集的，且本研究采用可见光成像传感器采集数据，其对光照变化稳健性很好，图像颜色和纹理特征明显㊂因此，本研究未验证在光照不充分条件下注意力机制改进模型的检测效果是否更好，也未探究光照强度对受害木检测的影响㊂松材线虫病受害木颜色变化是一个动态的过程，不同病害阶段的受害木颜色不同［２８］㊂本研究中的方法只能对中后期变色松树和枯死疫木进行识别，无法有效检测变色不明显的早期变色松树㊂虽然本研究的样本经严格确认，可保证准确性，但由于本研究的方法是基于颜色和纹理特征来识别松材线虫病受害木，因此在本实验样地之外的受害区检测应用中，不能排除因其他病害或自然环境恶劣引起松树呈现相似的颜色特征而导致的识别错误㊂５㊀结㊀论本研究结合注意力机制改进ＹＯＬＯｖ５算法，并使用４种模型在疫情程度不同的２个测试样地进行松材线虫病受害木检测任务，使用ＣＢＡＭ㊁ＳＥ和ＣＡ改进后的３种模型变色松树较ＹＯＬＯｖ５模型检测性能更好，且查全率和Ｆ１分数有显著提升，３种改进模型的查全率均值和Ｆ１分数均值分别达到了８５．４％和８８．４％㊂在大范围松林的病害检测任务中，变色松树查全率和综合指标Ｆ１分数显得尤为重要，所有改进模型的这两项指标表现均优于原模型，能够更好地完成林区病害的监测㊂参考文献（Ｒｅｆｅｒｅｎｃｅｓ）：［１］叶建仁．松材线虫病在中国的流行现状㊁防治技术与对策分析［Ｊ］．林业科学，２０１９，５５（９）：１－１０．ＤＯＩ：１０．１１７０７／ｊ．１００１－７４８８．２０１９０９０１．ＹＥＪＲ．ＥｐｉｄｅｍｉｃｓｔａｔｕｓｏｆｐｉｎｅｗｉｌｔｄｉｓｅａｓｅｉｎＣｈｉｎａａｎｄｉｔｓｐｒｅ⁃ｖｅｎｔｉｏｎａｎｄｃｏｎｔｒｏｌｔｅｃｈｎｉｑｕｅｓａｎｄｃｏｕｎｔｅｒｍｅａｓｕｒｅｓ［Ｊ］．ＳｃｉｅｎｔｉａＳｉｌｖａｅＳｉｎｉｃａｅ，２０１９，５５（９）：１－１０．［２］ＣＡＲＮＥＧＩＥＡＪ，ＶＥＮＮＴ，ＬＡＷＳＯＮＳ，ｅｔａｌ．ＡｎａｎａｌｙｓｉｓｏｆｐｅｓｔｒｉｓｋａｎｄｐｏｔｅｎｔｉａｌｅｃｏｎｏｍｉｃｉｍｐａｃｔｏｆｐｉｎｅｗｉｌｔｄｉｓｅａｓｅｔｏＰｉ⁃ｎｕｓｐｌａｎｔａｔｉｏｎｓｉｎＡｕｓｔｒａｌｉａ［Ｊ］．ＡｕｓｔｒａｌｉａｎＦｏｒｅｓｔｒｙ，２０１８，８１（１）：２４－３６．ＤＯＩ：１０．１０８０／０００４９１５８．２０１８．１４４０４６７．［３］ＡＢＤＥＬ⁃ＧＨＡＮＹＮＭ，ＡＢＤＥＬ⁃ＡＺＩＺＳＥ，ＭＡＲＥＩＳＳ．Ａｒｅ⁃ｖｉｅｗ：ａｐｐｌｉｃａｔｉｏｎｏｆｒｅｍｏｔｅｓｅｎｓｉｎｇａｓａｐｒｏｍｉｓｉｎｇｓｔｒａｔｅｇｙｆｏｒｉｎ⁃ｓｅｃｔｐｅｓｔｓａｎｄｄｉｓｅａｓｅｓｍａｎａｇｅｍｅｎｔ［Ｊ］．ＥｎｖｉｒｏｎｍｅｎｔａｌＳｃｉｅｎｃｅａｎｄＰｏｌｌｕｔｉｏｎＲｅｓｅａｒｃｈ，２０２０，２７（２７）：３３５０３－３３５１５．ＤＯＩ：１０．１００７／ｓ１１３５６－０２０－０９５１７－２．［４］理永霞，张星耀．松材线虫病致病机理研究进展［Ｊ］．环境昆３６１林业工程学报第８卷虫学报，２０１８，４０（２）：２３１－２４１．ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１６７４－０８５８．２０１８．０２．１．ＬＩＹＸ，ＺＨＡＮＧＸＹ．Ｒｅｓｅａｒｃｈａｄｖａｎｃｅｏｆｐａｔｈｏｇｅｎｉｃｍｅｃｈａｎｉｓｍｏｆｐｉｎｅｗｉｌｔｄｉｓｅａｓｅ［Ｊ］．ＪｏｕｒｎａｌｏｆＥｎｖｉｒｏｎｍｅｎｔａｌＥｎ⁃ｔｏｍｏｌｏｇｙ，２０１８，４０（２）：２３１－２４１．［５］ＪＵＮＧＳＫ，ＰＡＲＫＳＢ，ＳＨＩＭＢＳ．Ｄｉａｇｎｏｓｉｓｏｆｐｉｎｅｗｉｌｔｄｉｓｅａｓｅｕｓｉｎｇｒｅｍｏｔｅｗｉｒｅｌｅｓｓｓｅｎｓｉｎｇ［Ｊ］．ＰＬｏＳＯｎｅ，２０２１，１６（９）：ｅ０２５７９００．ＤＯＩ：１０．１３７１／ｊｏｕｒｎａｌ．ｐｏｎｅ．０２５７９００．［６］ＺＨＡＮＧＪＣ，ＨＵＡＮＧＹＢ，ＰＵＲＬ，ｅｔａｌ．Ｍｏｎｉｔｏｒｉｎｇｐｌａｎｔｄｉｓ⁃ｅａｓｅｓａｎｄｐｅｓｔｓｔｈｒｏｕｇｈｒｅｍｏｔｅｓｅｎｓｉｎｇｔｅｃｈｎｏｌｏｇｙ：ａｒｅｖｉｅｗ［Ｊ］．ＣｏｍｐｕｔｅｒｓａｎｄＥｌｅｃｔｒｏｎｉｃｓｉｎＡｇｒｉｃｕｌｔｕｒｅ，２０１９，１６５：１０４９４３．ＤＯＩ：１０．１０１６／ｊ．ｃｏｍｐａｇ．２０１９．１０４９４３．［７］ＣＡＬＶÃＯＴ，ＤＵＡＲＴＥＣＭ，ＰＩＭＥＮＴＥＬＣＳ．Ｃｌｉｍａｔｅａｎｄｌａｎｄ⁃ｓｃａｐｅｐａｔｔｅｒｎｓｏｆｐｉｎｅｆｏｒｅｓｔｄｅｃｌｉｎｅａｆｔｅｒｉｎｖａｓｉｏｎｂｙｔｈｅｐｉｎｅｗｏｏｄｎｅｍａｔｏｄｅ［Ｊ］．ＦｏｒｅｓｔＥｃｏｌｏｇｙａｎｄＭａｎａｇｅｍｅｎｔ，２０１９，４３３：４３－５１．ＤＯＩ：１０．１０１６／ｊ．ｆｏｒｅｃｏ．２０１８．１０．０３９．［８］张继贤，刘飞，王坚．轻小型无人机测绘遥感系统研究进展［Ｊ］．遥感学报，２０２１，２５（３）：７０８－７２４．ＺＨＡＮＧＪＸ，ＬＩＵＦ，ＷＡＮＧＪ．Ｒｅｖｉｅｗｏｆｔｈｅｌｉｇｈｔ⁃ｗｅｉｇｈｔｅｄａｎｄｓｍａｌｌＵＡＶｓｙｓｔｅｍｆｏｒａｅｒｉａｌｐｈｏｔｏｇｒａｐｈｙａｎｄｒｅｍｏｔｅｓｅｎｓｉｎｇ［Ｊ］．ＪｏｕｒｎａｌｏｆＲｅｍｏｔｅＳｅｎｓｉｎｇ，２０２１，２５（３）：７０８－７２４．［９］ＹＡＯＨ，ＱＩＮＲＪ，ＣＨＥＮＸＹ．Ｕｎｍａｎｎｅｄａｅｒｉａｌｖｅｈｉｃｌｅｆｏｒｒｅ⁃ｍｏｔｅｓｅｎｓｉｎｇａｐｐｌｉｃａｔｉｏｎｓ Ａｒｅｖｉｅｗ［Ｊ］．ＲｅｍｏｔｅＳｅｎｓｉｎｇ，２０１９，１１（１２）：１４４３．ＤＯＩ：１０．３３９０／ｒｓ１１１２１４４３．［１０］陶欢，李存军，程成，等．松材线虫病变色松树遥感监测研究进展［Ｊ］．林业科学研究，２０２０，３３（３）：１７２－１８３．ＤＯＩ：１０．１３２７５／ｊ．ｃｎｋｉ．ｌｙｋｘｙｊ．２０２０．０３．０２２．ＴＡＯＨ，ＬＩＣＪ，ＣＨＥＮＧＣ，ｅｔａｌ．Ｐｒｏｇｒｅｓｓｉｎｒｅｍｏｔｅｓｅｎｓｉｎｇｍｏｎｉｔｏｒｉｎｇｆｏｒｐｉｎｅｗｉｌｔｄｉｓｅａｓｅｉｎｄｕｃｅｄｔｒｅｅｍｏｒｔａｌｉｔｙ：ａｒｅｖｉｅｗ［Ｊ］．ＦｏｒｅｓｔＲｅｓｅａｒｃｈ，２０２０，３３（３）：１７２－１８３．［１１］徐信罗，陶欢，李存军，等．基于ＦａｓｔｅｒＲ⁃ＣＮＮ的松材线虫病受害木识别与定位［Ｊ］．农业机械学报，２０２０，５１（７）：２２８－２３６．ＤＯＩ：１０．６０４１／ｊ．ｉｓｓｎ．１０００－１２９８．２０２０．０７．０２６．ＸＵＸＬ，ＴＡＯＨ，ＬＩＣＪ，ｅｔａｌ．ＤｅｔｅｃｔｉｏｎａｎｄｌｏｃａｔｉｏｎｏｆｐｉｎｅｗｉｌｔｄｉｓｅａｓｅｉｎｄｕｃｅｄｄｅａｄｐｉｎｅｔｒｅｅｓｂａｓｅｄｏｎｆａｓｔｅｒＲ⁃ＣＮＮ［Ｊ］．ＴｒａｎｓａｃｔｉｏｎｓｏｆｔｈｅＣｈｉｎｅｓｅＳｏｃｉｅｔｙｆｏｒＡｇｒｉｃｕｌｔｕｒａｌＭａｃｈｉｎｅｒｙ，２０２０，５１（７）：２２８－２３６．［１２］ＤＥＮＧＸＬ，ＴＯＮＧＺＪ，ＬＡＮＹＢ，ｅｔａｌ．ＤｅｔｅｃｔｉｏｎａｎｄｌｏｃａｔｉｏｎｏｆｄｅａｄｔｒｅｅｓｗｉｔｈｐｉｎｅｗｉｌｔｄｉｓｅａｓｅｂａｓｅｄｏｎｄｅｅｐｌｅａｒｎｉｎｇａｎｄＵＡＶｒｅｍｏｔｅｓｅｎｓｉｎｇ［Ｊ］．ＡｇｒｉＥｎｇｉｎｅｅｒｉｎｇ，２０２０，２（２）：２９４－３０７．ＤＯＩ：１０．３３９０／ａｇｒｉｅｎｇｉｎｅｅｒｉｎｇ２０２００１９．［１３］黄丽明，王懿祥，徐琪，等．采用ＹＯＬＯ算法和无人机影像的松材线虫病异常变色木识别［Ｊ］．农业工程学报，２０２１，３７（１４）：１９７－２０３．ＤＯＩ：１０．１１９７５／ｊ．ｉｓｓｎ．１００２－６８１９．２０２１．１４．０２２．ＨＵＡＮＧＬＭ，ＷＡＮＧＹＸ，ＸＵＱ，ｅｔａｌ．Ｒｅｃｏｇｎｉｔｉｏｎｏｆａｂｎｏｒ⁃ｍａｌｌｙｄｉｓｃｏｌｏｒｅｄｔｒｅｅｓｃａｕｓｅｄｂｙｐｉｎｅｗｉｌｔｄｉｓｅａｓｅｕｓｉｎｇＹＯＬＯａｌ⁃ｇｏｒｉｔｈｍａｎｄＵＡＶｉｍａｇｅｓ［Ｊ］．ＴｒａｎｓａｃｔｉｏｎｓｏｆｔｈｅＣｈｉｎｅｓｅＳｏｃｉｅｔｙｏｆＡｇｒｉｃｕｌｔｕｒａｌＥｎｇｉｎｅｅｒｉｎｇ，２０２１，３７（１４）：１９７－２０３．［１４］ＹＵＲ，ＬＵＯＹＱ，ＺＨＯＵＱ，ｅｔａｌ．ＥａｒｌｙｄｅｔｅｃｔｉｏｎｏｆｐｉｎｅｗｉｌｔｄｉｓｅａｓｅｕｓｉｎｇｄｅｅｐｌｅａｒｎｉｎｇａｌｇｏｒｉｔｈｍｓａｎｄＵＡＶ⁃ｂａｓｅｄｍｕｌｔｉｓｐｅｃ⁃ｔｒａｌｉｍａｇｅｒｙ［Ｊ］．ＦｏｒｅｓｔＥｃｏｌｏｇｙａｎｄＭａｎａｇｅｍｅｎｔ，２０２１，４９７：１１９４９３．ＤＯＩ：１０．１０１６／ｊ．ｆｏｒｅｃｏ．２０２１．１１９４９３．［１５］ＹＵＲ，ＲＥＮＬＬ，ＬＵＯＹＱ．ＥａｒｌｙｄｅｔｅｃｔｉｏｎｏｆｐｉｎｅｗｉｌｔｄｉｓｅａｓｅｉｎＰｉｎｕｓｔａｂｕｌｉｆｏｒｍｉｓｉｎｎｏｒｔｈＣｈｉｎａｕｓｉｎｇａｆｉｅｌｄｐｏｒｔａｂｌｅｓｐｅｃ⁃ｔｒｏｍｅｔｅｒａｎｄＵＡＶ⁃ｂａｓｅｄｈｙｐｅｒｓｐｅｃｔｒａｌｉｍａｇｅｒｙ［Ｊ］．ＦｏｒｅｓｔＥｃｏ⁃ｓｙｓｔｅｍｓ，２０２１，８（３）：５８３－６０１．［１６］刘建伟，刘俊文，罗雄麟．深度学习中注意力机制研究进展［Ｊ］．工程科学学报，２０２１，４３（１１）：１４９９－１５１１．ＤＯＩ：１０．１３３７４／ｊ．ｉｓｓｎ２０９５－９３８９．２０２１．０１．３０．００５．ＬＩＵＪＷ，ＬＩＵＪＷ，ＬＵＯＸＬ．Ｒｅｓｅａｒｃｈｐｒｏｇｒｅｓｓｉｎａｔｔｅｎｔｉｏｎｍｅｃｈａｎｉｓｍｉｎｄｅｅｐｌｅａｒｎｉｎｇ［Ｊ］．ＣｈｉｎｅｓｅＪｏｕｒｎａｌｏｆＥｎｇｉｎｅｅｒｉｎｇ，２０２１，４３（１１）：１４９９－１５１１．［１７］ＣＡＲＲＡＳＣＯＭ．Ｖｉｓｕａｌａｔｔｅｎｔｉｏｎ：ｔｈｅｐａｓｔ２５ｙｅａｒｓ［Ｊ］．ＶｉｓｉｏｎＲｅｓｅａｒｃｈ，２０１１，５１（１３）：１４８４－１５２５．ＤＯＩ：１０．１０１６／ｊ．ｖｉｓｒｅｓ．２０１１．０４．０１２．［１８］ＷＡＮＧＰ，ＮＩＵＴ，ＨＥＤＪ．ＴｏｍａｔｏｙｏｕｎｇｆｒｕｉｔｓｄｅｔｅｃｔｉｏｎｍｅｔｈｏｄｕｎｄｅｒｎｅａｒｃｏｌｏｒｂａｃｋｇｒｏｕｎｄｂａｓｅｄｏｎｉｍｐｒｏｖｅｄｆａｓｔｅｒＲ⁃ＣＮＮｗｉｔｈａｔｔｅｎｔｉｏｎｍｅｃｈａｎｉｓｍ［Ｊ］．Ａｇｒｉｃｕｌｔｕｒｅ，２０２１，１１（１１）：１０５９．ＤＯＩ：１０．３３９０／ａｇｒｉｃｕｌｔｕｒｅ１１１１１０５９．［１９］ＣＨＥＮＺＹ，ＷＵＲＨ，ＬＩＮＹＹ，ｅｔａｌ．ＰｌａｎｔｄｉｓｅａｓｅｒｅｃｏｇｎｉｔｉｏｎｍｏｄｅｌｂａｓｅｄｏｎｉｍｐｒｏｖｅｄＹＯＬＯｖ５［Ｊ］．Ａｇｒｏｎｏｍｙ，２０２２，１２（２）：３６５．ＤＯＩ：１０．３３９０／ａｇｒｏｎｏｍｙ１２０２０３６５．［２０］刘天真，滕桂法，苑迎春，等．基于改进ＹＯＬＯｖ３的自然场景下冬枣果实识别方法［Ｊ］．农业机械学报，２０２１，５２（５）：１７－２５．ＤＯＩ：１０．６０４１／ｊ．ｉｓｓｎ．１０００－１２９８．２０２１．０５．００２．ＬＩＵＴＺ，ＴＥＮＧＧＦ，ＹＵＡＮＹＣ，ｅｔａｌ．Ｗｉｎｔｅｒｊｕｊｕｂｅｆｒｕｉｔｒｅ⁃ｃｏｇｎｉｔｉｏｎｍｅｔｈｏｄｂａｓｅｄｏｎｉｍｐｒｏｖｅｄＹＯＬＯｖ３ｕｎｄｅｒｎａｔｕｒａｌｓｃｅｎｅ［Ｊ］．ＴｒａｎｓａｃｔｉｏｎｓｏｆｔｈｅＣｈｉｎｅｓｅＳｏｃｉｅｔｙｆｏｒＡｇｒｉｃｕｌｔｕｒａｌＭａｃｈｉｎｅｒｙ，２０２１，５２（５）：１７－２５．［２１］刘世川，王庆，唐晴，等．基于多特征提取与注意力机制深度学习的高分辨率影像松材线虫病树识别［Ｊ］．林业工程学报，２０２２，７（１）：１７７－１８４．ＤＯＩ：１０．１３３６０／ｊ．ｉｓｓｎ．２０９６－１３５９．２０２０１１０１５．ＬＩＵＳＣ，ＷＡＮＧＱ，ＴＡＮＧＱ，ｅｔａｌ．Ｈｉｇｈ⁃ｒｅｓｏｌｕｔｉｏｎｉｍａｇｅｉｄｅｎ⁃ｔｉｆｉｃａｔｉｏｎｏｆｔｒｅｅｓｗｉｔｈｐｉｎｅｗｏｏｄｎｅｍａｔｏｄｅｄｉｓｅａｓｅｂａｓｅｄｏｎｍｕｌｔｉ⁃ｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎａｎｄｄｅｅｐｌｅａｒｎｉｎｇｏｆａｔｔｅｎｔｉｏｎｍｅｃｈａｎｉｓｍ［Ｊ］．ＪｏｕｒｎａｌｏｆＦｏｒｅｓｔｒｙＥｎｇｉｎｅｅｒｉｎｇ，２０２２，７（１）：１７７－１８４．［２２］ＷＯＯＳ，ＰＡＲＫＪ，ＬＥＥＪＹ，ｅｔａｌ．ＣＢＡＭ：ｃｏｎｖｏｌｕｔｉｏｎａｌｂｌｏｃｋａｔｔｅｎｔｉｏｎｍｏｄｕｌｅ［Ｍ］／／ＣｏｍｐｕｔｅｒＶｉｓｉｏｎ–ＥＣＣＶ２０１８．Ｃｈａｍ：ＳｐｒｉｎｇｅｒＩｎｔｅｒｎａｔｉｏｎａｌＰｕｂｌｉｓｈｉｎｇ，２０１８：３－１９．ＤＯＩ：１０．１００７／９７８－３－０３０－０１２３４－２＿１．［２３］ＨＵＪ，ＳＨＥＮＬ，ＡＬＢＡＮＩＥＳ，ｅｔａｌ．Ｓｑｕｅｅｚｅ⁃ａｎｄ⁃ｅｘｃｉｔａｔｉｏｎｎｅｔ⁃ｗｏｒｋｓ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＰａｔｔｅｒｎＡｎａｌｙｓｉｓａｎｄＭａｃｈｉｎｅＩｎｔｅｌｌｉｇｅｎｃｅ，２０２０，４２（８）：２０１１－２０２３．ＤＯＩ：１０．１１０９／ＴＰＡＭＩ．２０１９．２９１３３７２．［２４］ＨＯＵＱＢ，ＺＨＯＵＤＱ，ＦＥＮＧＪＳ．Ｃｏｏｒｄｉｎａｔｅａｔｔｅｎｔｉｏｎｆｏｒｅｆｆｉ⁃ｃｉｅｎｔｍｏｂｉｌｅｎｅｔｗｏｒｋｄｅｓｉｇｎ［ＥＢ／ＯＬ］．（２０２１－０３－０４）［２０２２－０８－２０］．ｈｔｔｐｓ：／／ａｒｘｉｖ．ｏｒｇ／ａｂｓ／２１０３．０２９０７．［２５］理永霞，陈友吾，王璇，等．松材线虫病的潜伏侵染［Ｊ］．北京林业大学学报，２０２１，４３（９）：１４－１８．ＤＯＩ：１０．１２１７１／ｊ．１０００－１５２２．２０２１０２１８．ＬＩＹＸ，ＣＨＥＮＹＷ，ＷＡＮＧＸ，ｅｔａｌ．Ｌａｔｅｎｔｉｎｆｅｃｔｉｏｎｏｆｐｉｎｅｗｉｌｔｄｉｓｅａｓｅ［Ｊ］．ＪｏｕｒｎａｌｏｆＢｅｉｊｉｎｇＦｏｒｅｓｔｒｙＵｎｉｖｅｒｓｉｔｙ，２０２１，４３（９）：１４－１８．［２６］ＳＥＬＶＡＲＡＪＵＲＲ，ＣＯＧＳＷＥＬＬＭ，ＤＡＳＡ，ｅｔａｌ．Ｇｒａｄ⁃ＣＡＭ：ｖｉｓｕａｌｅｘｐｌａｎａｔｉｏｎｓｆｒｏｍｄｅｅｐｎｅｔｗｏｒｋｓｖｉａｇｒａｄｉｅｎｔ⁃ｂａｓｅｄｌｏｃａｌｉ⁃ｚａｔｉｏｎ［Ｊ］．ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌｏｆＣｏｍｐｕｔｅｒＶｉｓｉｏｎ，２０２０，１２８（２）：３３６－３５９．ＤＯＩ：１０．１００７／ｓ１１２６３－０１９－０１２２８－７．［２７］ＬＩＳＦ，ＬＩＫＹ，ＱＩＡＯＹ，ｅｔａｌ．Ａｍｕｌｔｉ⁃ｓｃａｌｅｃｕｃｕｍｂｅｒｄｉｓｅａｓｅｄｅｔｅｃｔｉｏｎｍｅｔｈｏｄｉｎｎａｔｕｒａｌｓｃｅｎｅｓｂａｓｅｄｏｎＹＯＬＯｖ５［Ｊ］．Ｃｏｍ⁃ｐｕｔｅｒｓａｎｄＥｌｅｃｔｒｏｎｉｃｓｉｎＡｇｒｉｃｕｌｔｕｒｅ，２０２２，２０２：１０７３６３．ＤＯＩ：１０．１０１６／ｊ．ｃｏｍｐａｇ．２０２２．１０７３６３．［２８］ＤＯＳＳＡＮＴＯＳＣＳＳ，ＤＥＶＡＳＣＯＮＣＥＬＯＳＭＷ．ＩｄｅｎｔｉｆｉｃａｔｉｏｎｏｆｇｅｎｅｓｄｉｆｆｅｒｅｎｔｉａｌｌｙｅｘｐｒｅｓｓｅｄｉｎＰｉｎｕｓｐｉｎａｓｔｅｒａｎｄＰｉｎｕｓｐｉｎｅａａｆｔｅｒｉｎｆｅｃｔｉｏｎｗｉｔｈｔｈｅｐｉｎｅｗｏｏｄｎｅｍａｔｏｄｅ［Ｊ］．ＥｕｒｏｐｅａｎＪｏｕｒｎａｌｏｆＰｌａｎｔＰａｔｈｏｌｏｇｙ，２０１２，１３２（３）：４０７－４１８．ＤＯＩ：１０．１００７／ｓ１０６５８－０１１－９８８６－ｚ．（责任编辑㊀田亚玲）４６１。
林业工程学报，２０２３，８（２）：２１－２９ＪｏｕｒｎａｌｏｆＦｏｒｅｓｔｒｙＥｎｇｉｎｅｅｒｉｎｇＤＯＩ：１０．１３３６０／ｊ．ｉｓｓｎ．２０９６－１３５９．２０２２０３００８收稿日期：２０２２－０３－０４㊀㊀㊀㊀修回日期：２０２２－０４－２６基金项目：宁夏回族自治区重点研发计划（东西部合作专项）（２０２０ＢＦＧ０２０１３）；陕西省重点研发计划项目（２０２１ＧＹ－１０２）；西安市科技计划项目（２１ＲＧＺＮ００１２）㊂作者简介：李卫斌，男，教授，研究方向为遥感影像智能处理等㊂Ｅ⁃ｍａｉｌ：ｗｅｉｂｉｎｌｉ＠ｘｉｄｉａｎ．ｅｄｕ．ｃｎ基于无人机遥感影像的松材线虫病监测方法概述李卫斌１，２，安炳贞１，２，孔玉辉１，２，杜建超３（１．西安电子科技大学人工智能学院，西安７１００７５；２．西安电子科技大学北斗时空智能研究中心，西安７１００７５；３．西安电子科技大学通信工程学院，西安７１００７５）摘㊀要：松树是我国森林资源中重要的组成树种之一，占我国人工林面积的７０％以上，但近几年松树资源受外来有害生物松材线虫的侵害，大量松树死亡，给我国林业生产和生态环境造成了巨大的经济损失㊂鉴于松材线虫病致病力强㊁发病时间短㊁传播速度快㊁治理难度大等特点，目前最有效的办法是及时发现和准确定位被松材线虫病感染的疫木并及时处置㊂人工踏查和卫星遥感在复杂林区监测方面存在局限性㊂无人机遥感以其实时㊁低成本和高空间分辨率的优点被广泛应用于农林业低空遥感，目前多使用无人机遥感影像开展松材线虫罹病木监测㊂笔者全面总结近几年使用人工特征提取算法和深度学习算法在松材线虫病识别领域的相关研究，从准确率㊁召回率㊁精确率等指标以及数据集等多方面对各种处理方法进行对比分析㊂从现有研究成果来看，基于Ｉｎ⁃ｃｅｐｔｉｏｎｖ３和ＡｄａＢｏｏｓｔ算法的检测模型，其泛化能力和识别精度优于其他算法，但基于ＦａｓｔｅｒＲ⁃ＣＮＮ和ＹＯＬＯｖ４算法能够识别不同感染阶段的罹病木㊂通过结合无人机遥感和深度学习算法能监测受害区域染病松树的生长现状和分布情况，为后续罹病木的处理提供了支持㊂未来，融合深度学习与传统机器学习的优点，结合多传感器的遥感数据协同监测林业病虫害将成为趋势㊂关键词：林业病虫害；松材线虫；遥感监测；深度学习；无人机影像中图分类号：Ｓ７６３㊀㊀㊀㊀㊀文献标志码：Ａ㊀㊀㊀㊀㊀文章编号：２０９６－１３５９（２０２３）０２－００２１－０９ＡｒｅｖｉｅｗｏｆｍｏｎｉｔｏｒｉｎｇｍｅｔｈｏｄｓｆｏｒｐｉｎｅｗｉｌｔｄｉｓｅａｓｅｂａｓｅｄｏｎＵＡＶｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅｓＬＩＷｅｉｂｉｎ１，２，ＡＮＢｉｎｇｚｈｅｎ１，２，ＫＯＮＧＹｕｈｕｉ１，２，ＤＵＪｉａｎｃｈａｏ３（１．ＳｃｈｏｏｌｏｆＡｒｔｉｆｉｃｉａｌＩｎｔｅｌｌｉｇｅｎｃｅ，ＸｉｄｉａｎＵｎｉｖｅｒｓｉｔｙ，Ｘｉ ａｎ７１００７５，Ｃｈｉｎａ；２．ＢｅｉｄｏｕＳｐａｃｅ⁃ＴｉｍｅＩｎｔｅｌｌｉｇｅｎｃｅＲｅｓｅａｒｃｈＣｅｎｔｅｒ，ＸｉｄｉａｎＵｎｉｖｅｒｓｉｔｙ，Ｘｉ ａｎ７１００７５，Ｃｈｉｎａ；３．ＳｃｈｏｏｌｏｆＣｏｍｍｕｎｉｃａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇ，ＸｉｄｉａｎＵｎｉｖｅｒｓｉｔｙ，Ｘｉ ａｎ７１００７５，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：ＴｈｅｐｉｎｅｔｒｅｅｉｓｏｎｅｏｆｔｈｅｉｍｐｏｒｔａｎｔｃｏｎｓｔｉｔｕｅｎｔｔｒｅｅｓｐｅｃｉｅｓｉｎＣｈｉｎａ ｓｆｏｒｅｓｔｒｅｓｏｕｒｃｅｓ．Ｉｔａｃｃｏｕｎｔｓｆｏｒｍｏｒｅｔｈａｎ７０％ｏｆｔｈｅｐｌａｎｔａｔｉｏｎａｒｅａｉｎＣｈｉｎａ．Ｈｏｗｅｖｅｒ，ｉｎｒｅｃｅｎｔｙｅａｒｓ，ｐｉｎｅｒｅｓｏｕｒｃｅｓｈａｖｅｂｅｅｎｉｎｆｒｉｎｇｅｄｂｙｅｘｏｔｉｃｐｅｓｔｓｏｆｐｉｎｅｗｏｏｄｎｅｍａｔｏｄｅｓ，ｒｅｓｕｌｔｉｎｇｉｎｔｈｅｄｅａｔｈｏｆａｌａｒｇｅｎｕｍｂｅｒｏｆｐｉｎｅｔｒｅｅｓ．ＴｈｅｅｍｅｒｇｅｎｃｅｏｆｐｉｎｅｗｏｏｄｎｅｍａｔｏｄｅｈａｓｃｒｅａｔｅｄａｇｒｅａｔｉｍｐａｃｔｏｎＣｈｉｎｅｓｅｆｏｒｅｓｔｒｙｐｒｏｄｕｃｔｉｏｎａｎｄｅｃｏｌｏｇｉｃａｌｅｎｖｉｒｏｎｍｅｎｔｓ，ｃａｕｓｉｎｇｈｕｇｅｅｃｏｎｏｍｉｃｌｏｓｓｅｓｔｏｔｈｅｐｉｎｅｗｏｏｄｆｏｒｅｓｔｒｙ．Ｃｏｎｓｉｄｅｒｉｎｇｔｈｅｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆｐｉｎｅｗｉｌｔｄｉｓｅａｓｅｃａｕｓｅｄｂｙｐｉｎｅｗｏｏｄｎｅｍａｔｏｄｅｓｓｕｃｈａｓｔｈｅｓｔｒｏｎｇｐａｔｈｏｇｅｎｉｃｉｔｙ，ｓｈｏｒｔｏｎｓｅｔｔｉｍｅ，ｆａｓｔ⁃ｓｐｒｅａｄｉｎｇｓｐｅｅｄ，ａｎｄｈｉｇｈｄｉｆｆｉｃｕｌｔｙｉｎｔｒｅａｔｍｅｎｔ，ｔｈｅｍｏｓｔｅｆｆｅｃｔｉｖｅｗａｙｔｏｃｏｎｔｒｏｌｔｈｅｓｐｒｅａｄｏｆｐｉｎｅｗｉｌｔｄｉｓｅａｓｅａｔｐｒｅｓｅｎｔｉｓｔｏｔｉｍｅｌｙｄｅｔｅｃｔａｎｄａｃｃｕｒａｔｅｌｙｌｏｃａｔｅｄｉｓｅａｓｅｄｔｒｅｅｓｉｎｆｅｃｔｅｄｗｉｔｈｐｉｎｅｗｉｌｔｄｉｓｅａｓｅ．Ｔｒａｄｉｔｉｏｎａｌｍｏｎｉｔｏｒｉｎｇｍｅｔｈｏｄｓｓｕｃｈａｓｍａｎｕａｌｓｕｒｖｅｙｓａｎｄｓａｔｅｌｌｉｔｅｒｅｍｏｔｅｓｅｎｓｉｎｇｈａｖｅｌｉｍｉｔａ⁃ｔｉｏｎｓｉｎｍｏｎｉｔｏｒｉｎｇｃｏｍｐｌｅｘｆｏｒｅｓｔａｒｅａｓ．Ｄｕｅｔｏｔｈｅａｄｖａｎｔａｇｅｓｏｆｒｅａｌ⁃ｔｉｍｅ，ｌｏｗｃｏｓｔ，ａｎｄｈｉｇｈｓｐａｔｉａｌｒｅｓｏｌｕｔｉｏｎｏｆｔｈｅｕｎｍａｎｎｅｄａｅｒｉａｌｖｅｈｉｃｌｅ（ＵＡＶ）ｒｅｍｏｔｅｓｅｎｓｉｎｇ，ＵＡＶｓａｒｅｗｉｄｅｌｙｕｓｅｄｉｎｔｈｅｌｏｗ⁃ａｌｔｉｔｕｄｅｒｅｍｏｔｅｓｅｎｓｉｎｇｉｎｔｈｅａｇｒｉｃｕｌｔｕｒｅａｎｄｆｏｒｅｓｔｒｙ．Ａｔｐｒｅｓｅｎｔ，ｔｈｅＵＡＶｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅｓａｒｅｏｆｔｅｎｕｓｅｄｔｏｍｏｎｉｔｏｒｐｉｎｅｗｉｌｔｄｉｓｅａｓｅｔｒｅｅｓ．Ｔｈｉｓａｒｔｉｃｌｅｃｏｍｐｒｅｈｅｎｓｉｖｅｌｙｓｕｍｍａｒｉｚｅｓｔｈｅｌａｔｅｓｔａｌｇｏｒｉｔｈｍｓｉｎｔｈｅｆｉｅｌｄｏｆｐｉｎｅｗｉｌｔｄｉｓｅａｓｅｉｄｅｎｔｉｆｉｃａｔｉｏｎ，ｓｕｃｈａｓａｒｔｉｆｉｃｉａｌｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎａｌｇｏｒｉｔｈｍｓａｎｄｄｅｅｐｌｅａｒｎｉｎｇａｌｇｏｒｉｔｈｍｓｉｎｒｅｃｅｎｔｙｅａｒｓ．Ａｆｔｅｒｃｏｍｐａｒｉｎｇａｎｄａｎａｌｙｚｉｎｇｔｈｅｉｒａｄｖａｎｔａｇｅｓａｎｄｄｉｓａｄｖａｎｔａｇｅｓｆｒｏｍｔｈｅｖｉｅｗｏｆａｃｃｕｒａｃｙ，ｒｅｃａｌｌ，ｐｒｅｃｉｓｉｏｎ，ａｎｄｄａｔａｓｅｔ，ｔｈｅｍｅｔｈｏｄｓｂａｓｅｄｏｎＩｎｃｅｐｔｉｏｎｖ３ａｎｄＡｄａＢｏｏｓｔａｒｅｂｅｔｔｅｒｔｈａｎｏｔｈｅｒｓｆｏｒｔｈｅｉｒｇｅｎｅｒａｌｉｚａｔｉｏｎａｂｉｌｉｔｙａｎｄｒｅｃｏｇｎｉｔｉｏｎａｃｃｕｒａｃｙａｃｃｏｒｄｉｎｇｔｏｔｈｅｅｘｉｓｔｉｎｇｒｅｓｅａｒｃｈｒｅｓｕｌｔｓ．Ｈｏｗｅｖｅｒ，ｔｈｅｄｉｓｅａｓｅｄｔｒｅｅｓａｔｄｉｆｆｅｒｅｎｔｓｔａｇｅｓｏｆｉｎｆｅｃｔｉｏｎｃａｎｂｅｉｄｅｎｔｉｆｉｅｄｕｓｉｎｇｔｈｅＦａｓｔｅｒＲ⁃ＣＮＮ（ＦａｓｔｅｒＲｅｇｉｏｎＣｏｎｖｏｌｕｔｉｏｎａｌＮｅｕｒａｌＮｅｔｗｏｒｋｓ）ａｎｄＹＯＬＯｖ４（ＹｏｕＯｎｌｙＬｏｏｋＯｎｃｅｖ４）ａｌｇｏｒｉｔｈｍｓ．林业工程学报第８卷ＢｙｃｏｍｂｉｎｉｎｇＵＡＶｒｅｍｏｔｅｓｅｎｓｉｎｇａｎｄｄｅｅｐｌｅａｒｎｉｎｇａｌｇｏｒｉｔｈｍｓ，ｔｈｅｇｒｏｗｔｈｓｔａｔｕｓａｎｄｄｉｓｔｒｉｂｕｔｉｏｎｏｆｉｎｆｅｃｔｅｄｐｉｎｅｔｒｅｅｓｉｎｔｈｅｅｐｉｄｅｍｉｃａｒｅａｃａｎｂｅｍｏｎｉｔｏｒｅｄ，ｗｈｉｃｈｐｒｏｖｉｄｅｓｓｕｐｐｏｒｔｆｏｒｔｈｅｓｕｂｓｅｑｕｅｎｔｔｒｅａｔｍｅｎｔｏｆｄｉｓｅａｓｅｄｔｒｅｅｓ．Ｉｎｔｈｅｆｕｔｕｒｅ，ｔｈｅｄｅｅｐｌｅａｒｎｉｎｇａｎｄｔｒａｄｉｔｉｏｎａｌｍａｃｈｉｎｅｌｅａｒｎｉｎｇｗｉｌｌｂｅｃｏｍｂｉｎｅｄｗｉｔｈｍｕｌｔｉ⁃ｓｅｎｓｏｒｒｅｍｏｔｅｓｅｎｓｉｎｇｄａｔａｔｏｃｏｌｌａｂｏｒａｔｉｖｅｌｙｄｅｔｅｃｔｆｏｒｅｓｔｒｙｐｅｓｔｓａｎｄｄｉｓｅａｓｅｓ．Ｋｅｙｗｏｒｄｓ：ｆｏｒｅｓｔｒｙｐｅｓｔａｎｄｄｉｓｅａｓｅ；ｐｉｎｅｗｉｌｔｄｉｓｅａｓｅ；ｒｅｍｏｔｅｓｅｎｓｉｎｇｍｏｎｉｔｏｒｉｎｇ；ｄｅｅｐｌｅａｒｎｉｎｇ；ＵＡＶｉｍａｇｅ㊀㊀森林资源是全球最重要的自然资源之一，然而近年来随着全球气候变暖，受森林火灾㊁乱砍滥伐㊁病虫害等方面的影响，我国的森林资源利用与可持续发展受到严重威胁㊂我国主要林业有害生物包括松材线虫（Ｂｕｒｓａｐｈｅｌｅｎｃｈｕｓｘｙｌｏｐｈｉｌｕｓ）㊁美国白蛾（Ｈｙｐｈａｎｔｒｉａｃｕｎｅａ）和薇甘菊（Ｍｉｋａｎｉａｍｉｃｒａｎｔｈａ）等㊂近几年松材线虫病（ｐｉｎｅｗｉｌｔｄｉｓｅａｓｅ，ＰＷＤ）疫情呈快速扩散蔓延态势，已经成为全球森林草原生态系统中最具危险性㊁毁灭性的病害［１－３］（图１）㊂目前主要分布于美国㊁法国㊁加拿大㊁墨西哥㊁韩国㊁朝鲜㊁日本㊁葡萄牙和中国９个国家，该病主要危害松类树种，通过自然传播（松墨天牛等）和人为传播两种方式扩散［４－５］㊂自１９８２年首次在南京中山陵发现松材线虫病以来，我国感染松材线虫病的松树种类和数量就不断增多，尤其２０１７年以来松材线虫病发生面积快速增大㊂我国目前共有１９个省（区㊁市）７３５个县级行政区受到松材线虫病的侵害［６］图１㊀２０１１—２０２０年４种主要林业有害生物发生情况［２］Ｆｉｇ．１㊀Ｏｃｃｕｒｒｅｎｃｅｓｏｆｆｏｕｒｍａｊｏｒｆｏｒｅｓｔｒｙｐｅｓｔｓｆｒｏｍ２０１１ｔｏ２０２０健康松树在正常情况下从染病㊁变色到枯死仅需２个月左右的时间㊂目前主要通过树脂分泌㊁生长活力和针叶的颜色来确定感染阶段㊂从针叶的颜色上来看，墨绿色针叶的健康松树在受到松材线虫病胁迫后，针叶开始变黄（早期），大部分针叶陆续变为黄褐色（中期），然后松树干枯针叶全部变为红褐色（晚期），最后整株枯死［７－９］㊂研究表明，由于叶绿素和水分含量的不同，健康松树和不同感染阶段的罹病木之间光谱曲线差异明显，这为基于遥感的松材线虫病识别提供了重要的基础［１０－１２］㊂松材线虫病的防治包括疫情普查㊁疫木除治㊁媒介昆虫防治㊁检疫封锁和疫木处理等措施［１３］㊂４月初是松墨天牛羽化初期和盛期［１４］，此时为松材线虫数量增长高峰期；９月上旬是松墨天牛幼虫期，具有非传播期㊁易防治等特点㊂因此多在每年春秋季对疫区松材线虫病开展疫情普查［１５］㊂现阶段林业病虫害防治工作中主要有五大缺陷：一是缺乏强有效的监测预警机制；二是病虫害发病机理与传播机理研究不够完善；三是大面积使用化学农药防治，不利于生态保护和可持续发展；四是缺乏科学的防治策略及科学手段对疫情和防治策略进行评估；五是病虫害监测技术手段较为薄弱，还不具备及时㊁准确㊁智能化㊁大范围的疫情掌握能力㊂无人机遥感技术能够实时㊁快速获取林业病虫害高分辨率影像数据，考虑其飞行时间灵活㊁飞行高度可控等优点，笔者主要对基于无人机遥感影像的松材线虫病自动监测技术进行综述㊂虽然无人机遥感技术在林业病虫害监测已显现出其所具有的优势，但在实际的应用中还存在多方面的不足㊂如无人机影像受地形起伏影响，影像地面分辨率存在差异，海拔变化大会导致无人机影像重叠度过高，起飞降落不便且续航时间较短［１６］㊂另外，无人机影像由于受飞行高度㊁相机视角的影响，单张无人机影像所覆盖的区域面积不大，在特定任务中需要对多张影像进行拼接，从而导致拼接工作量大㊁精度低㊁易出现偏差等问题［１７］，且在无人机图像处理过程中，对于较稠密的林区，图像拼接存在变形，导致树木定位精度不高；因此无人机林业病虫害监测技术适应于地形起伏程度较小的林区，且不适合密林覆盖的区域㊂早期的松材线虫病图像识别方法依赖于从图像中提取人工设计特征，使用这些特征来训练浅层分类器算法，如支持向量机㊁随机森林㊁人工神经网络等［１８］，其主要步骤可分为４步：图像采集㊁图像预处理㊁特征提取㊁识别与分类㊂但早期识别方法难以提取高级语义特征，存在时间复杂度高㊁依赖人工设计特征㊁缺乏鲁棒性等问题㊂近年来，以自动特征提取的深度学习方法在图像识别领域取得极大的成功㊂不同于早期识别方法，深度学习网络具有强大的特征学习和特征表达能力，如ＡｌｅｘＮｅｔ㊁ＧｏｏｇＬｅＮｅｔ㊁Ｒ⁃ＣＮＮ㊁ＹＯＬＯ等㊂考虑到无人机遥感影像中复杂背景的干扰问题，如红色阔叶树㊁裸土㊁２２㊀第２期李卫斌，等：基于无人机遥感影像的松材线虫病监测方法概述农田和枯死草地等，许多学者提出了基于人工设计特征和深度学习融合的松材线虫病识别方法来提高模型的识别精度㊂１㊀图像处理技术在松材线虫病监测方法中的应用１．１㊀松材线虫病遥感监测的精度评价方法为了评价松材线虫病虫害检测模型的有效性，一般采用准确率（ａｃｃｕｒａｃｙ，Ａ）㊁精确率（ｐｒｅｃｉｓｉｏｎ，Ｐ）㊁召回率（ｒｅｃａｌｌ，Ｒ）㊁Ｆ１参数和平均精度（ａｖｅｒａｇｅｐｒｅｃｉｓｉｏｎ，ＡＰ）作为评价指标㊂ＴＰ（ｔｒｕｅｐｏｓｉｔｉｖｅ，ＴＰ）表示正样本被预测为正样本，ＦＰ（ｆａｌｓｅｐｏｓｉｔｉｖｅ，ＦＰ）表示负样本被预测为正样本，ＦＮ（ｆａｌｓｅｎｅｇａｔｉｖｅ，ＦＮ）表示正样本被预测为负样本，ＴＮ（ｔｒｕｅｎｅｇａｔｉｖｅ，ＴＮ）表示负样本被预测为负样本㊂１）精确率㊁召回率和准确率㊂Ｐ为预测为正样本中正确预测的比例；Ｒ为实际正样本中正确预测为正样本的比例；Ａ为所有预测正确的样本占总样本的比例㊂计算公式如下：Ｐ＝ＴＰＴＰ＋ＦＰˑ１００％（１）Ｒ＝ＴＰＴＰ＋ＦＮˑ１００％（２）Ａ＝ＴＰ＋ＴＮＴＰ＋ＴＮ＋ＦＰ＋ＦＮˑ１００％（３）２）综合性能指标Ｆ１⁃ｓｃｏｒｅ㊁平均精度（ＡＰ）㊁均值平均精度（ＭＡＰ）㊂Ｆ１⁃ｓｃｏｒｅ为精确率和召回率的调和平均数，可综合反映整体结果的质量㊂ＡＰ是衡量某一类别检测的平均精度值，利用精确率对召回率的积分㊂ＭＡＰ是衡量所有类别检测精度的指标，指所有类别检测的平均精度值除以所有类别㊂计算公式如下：Ｆ１＝２ＰＲＰ＋Ｒ（４）ＡＰ＝ʏ１０ＰｄＲ（５）ＭＡＰ＝ðＣｃＡＰｃ()／Ｃ（６）式中，Ｃ为图像检测的类别数㊂３）生产者精度（ＰＡ）㊁用户精度（ＵＡ）㊁总体分类精度（ＯＡ）和Ｋａｐｐａ系数㊂ＵＡ是指每一类的预测结果中，正确分类的样本数量所占的比例；ＰＡ是指每一类中正确分类的样本数量占该类中所有样本数量的比例；Ｋａｐｐａ系数是一种用于检验模型预测结果和实际分类结果是否一致的指标，也是一种衡量分类精度的指标；Ｐｏ为每一类预测正确的样本数量占总样本数的比例，也叫做总体分类精度；Ｐｅ为每一类的实际样本数量与预测结果中该类样本数量的乘积和与总样本数平方之比㊂计算公式如下：Ｋａｐｐａ＝Ｐｏ－Ｐｅ１－Ｐｅ（７）Ｐｏ＝（ＴＰ＋ＴＮ）／（ＴＰ＋ＴＮ＋ＦＰ＋ＦＮ）（８）Ｐｅ＝［（ＴＮ＋ＦＮ）ˑ（ＴＮ＋ＦＰ）＋（ＦＰ＋ＴＰ）ˑ（ＦＮ＋ＴＰ）］／（ＴＰ＋ＴＮ＋ＦＰ＋ＦＮ）２（９）１．２㊀基于人工设计特征的松材线虫病监测方法对遥感数据中的罹病木进行特征提取和识别分类是林业病虫害检测的主要任务㊂在计算机视觉领域，建立图像的特征表达是一个研究重点，较常用的图像特征有：颜色特征㊁纹理特征㊁形状特征㊁空间关系特征等㊂由于罹病木内部生理结构发生变化导致其外表也发生改变，其比较明显的区别在于其颜色和纹理特征㊂刘遐龄等［１９］利用面向对象分类和多尺度分割方法提取松林目标区域，通过分析松树在不同感染阶段呈现的颜色和纹理特征，对不同感染阶段的罹病木设置了多个模板，在模板匹配算法（ｔｅｍｐｌａｔｅｍａｔｃｈｉｎｇ，ＴＭ）中使用模糊Ｃ均值聚类的方法对样本进行初步分类，以及采用马氏距离作为识别的判断标准㊂阈值分割法是一种基于区域的经典图像分割方法，陶欢等［２０］分析了不同背景下罹病木和其他地物在ＨＳＶ色彩空间上的差异，设定松材线虫病不同通道的最优阈值范围，以此去除健康松树㊁其他阔叶树㊁枯死杂草㊁裸土㊁阴影等㊂从比较结果可以看出，ＨＳＶ色彩空间比ＲＧＢ效果更好，总体分类精度达到５８％ ６５％㊂Ｓｙｉｆａ等［２１］证明了支持向量机（ｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ，ＳＶＭ）分类器比人工神经网络（ａｒｔｉｆｉｃｉａｌｎｅｕｒａｌｎｅｔｗｏｒｋ，ＡＮＮ）识别效果更好，从Ｋａｐｐａ系数可以看出，ＳＶＭ可以更好地将罹病木和其他类型地物进行分类㊂胡根生等［２２］使用了一种基于像素的分类识别方法，从双光谱遥感图像样本中提取健康松树㊁罹病木和其他地物的颜色特征和局部特征㊂根据颜色特征使用阈值法去除部分健康松树，然后根据局部特征构建特征向量并使用加权小波支持向量数据描述（ｗｅｉｇｈｔｅｄｗａｖｅｌｅｔｓｕｐｐｏｒｔｖｅｃｔｏｒｄａｔａｄｅｓｃｒｉｐｔｉｏｎ，ＷＷＳＶＤＤ）将测试样本进行分类识别㊂从实验结果可看出，该方法对于不同感染阶段的罹病木分类具有一定的可行性，总体分类精度最高达到９４．９２％㊂在前期的研究中，只能识别出健康松树和罹病３２林业工程学报第８卷木，但松树的病害等级并未实现㊂Ｙｕ等［２３］提出了基于高光谱影像（ｈｙｐｅｒｓｐｅｃｔｒａｌｉｍａｇｅ，ＨＩ）和激光雷达（ｌｉｇｈｔｄｅｔｅｃｔｉｏｎａｎｄｒａｎｇｉｎｇ，ＬｉＤＡＲ）影像的一种森林健康监测方法，利用随机森林算法［２４］（ｒａｎｄｏｍｆｏｒｅｓｔ，ＲＦ）识别不同感染阶段的罹病木树冠，发现同时使用ＨＩ和ＬｉＤＡＲ影像对罹病木进行分类的总体分类精度（７３．９６％）要优于单独使用ＨＩ（６６．８６％）和单独使用ＬｉＤＡＲ影像（４５．５６％）㊂但ＬｉＤＡＲ影像能够区分松树和红色阔叶树，精确地获得单个树冠直径和位置信息，尤其适用于识别晚期罹病木㊂Ｉｏｒｄａｃｈｅ等［２５］对获取的多光谱影像（ｍｕｌｔｉｓｐｅｃｔｒａｌｉｍａｇｅ，ＭＩ）和高光谱影像也分别采用了一种基于ＲＦ算法的树冠像素分类算法㊂为了让罹病木在输出结果中更突出地显示，在使用区域生长分割算法提取树冠和随机森林算法进行分类之前，采用一种基于光谱数据㊁空间滤波和冠层高度模型的处理技术，其中冠层高度模型用于去除冠层高度较低的树木，光谱数据用于去除阴影部分，空间滤波用于去除噪声㊂从检测结果（图２）可以看出健康松树到罹病木随时间的演变过程，其中黄色代表健康的松树树冠像素，红色代表疑似染病的松树树冠像素，蓝色代表已确定染病的松树树冠像素㊂可以看出蓝色范围在不断地扩增，这表明罹病木处于更严重的感染阶段㊂图２㊀健康松树到罹病木时间演变图［２５］Ｆｉｇ．２㊀Ｔｉｍｅｅｖｏｌｕｔｉｏｎｆｒｏｍｈｅａｌｔｈｙｐｉｎｅｔｒｅｅｓｔｏｄｉｓｅａｓｅｔｒｅｅｓ近几年使用人工特征提取方法在松材线虫病识别领域的相关研究，及每个方法所用的数据集㊁处理技术和优缺点见表１，其中基于加权小波支持向量数据描述模型的总体分类精度最高，但计算量较大，效率较低㊂而随机森林算法可识别不同感染阶段的罹病木㊂表１㊀人工特征提取方法在松材线虫病识别中的应用比较Ｔａｂｌｅ１㊀Ａｐｐｌｉｃａｔｉｏｎｃｏｍｐａｒｉｓｏｎｏｆａｒｔｉｆｉｃｉａｌｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎｍｅｔｈｏｄｓｉｎｐｉｎｅｗｉｌｔｄｉｓｅａｓｅｉｎｄｅｎｔｉｆｉｃａｔｉｏｎ数据集处理技术优点缺点文献５３５个罹病木样本面向对象分类提取松林区域，模板匹配用于分类效率高于目视解译法无法匹配旋转或大小发生变化的目标，对光照㊁亮度比较敏感；且不适合地物类型复杂的区域识别罹病木［１９］１８３个罹病木样本，１５７个其他地物样本ＲＧＢ到ＨＳＶ转换，阈值去除健康松树和其他地物实现简单，计算量小，考虑了不同背景下的松林依赖于颜色特征，一旦出现裸地或与罹病木相近的物体等干扰时，仍会造成松材线虫病的误检；且目视判读易忽视体态较小的病木和影像阴影区［２０］５００个罹病木像素，１２００个健康松树像素，８００个其他地物像素根据提取的颜色特征，阈值去除部分健康松树；根据局部特征构造特征向量，使用ＷＷＳＶＤＤ进行分类可将病害松树与其他干扰地物进行分类大量训练样本和基于像素的分类方法导致效率较低；且基于双光谱的方法需要配备不同波段的主动光源，对设备的要求高㊁成本高［２２］健康松树：５１㊂早期：５０㊂中期：２２㊂晚期：２２㊂枯死松树：２４㊂阔叶树：６６采用点云分割方法对ＬｉＤＡＲ数据分割提取树冠，采用基于对象的分割方法对ＨＩ提取树冠，最后利用ＲＦ算法对树冠进行分类可对不同感染阶段的罹病木进行分类㊂考虑了阴影㊁红色阔叶数和树冠遮挡带来的影响对早期感染松树的识别精度较低（ＯＡ为５０％，ＰＡ为６４．１％）；对高光谱数据的分割结果进行了手动调整，不适合大规模数据，且高分辨率数据来源成本相对较高［２３］多光谱影像中有７８个松树树冠样本，高光谱影像中有６８个松树树冠样本采用基于光谱数据㊁空间滤波和冠层高度模型的处理技术去除干扰目标，最后采用区域生长分割算法提取树冠和ＲＦ算法对树冠像素进行分类可以看出健康松树到罹病木随时间的演变过程多光谱和高光谱数据来源成本相对较高；没有考虑阔叶树带来的影响；效率较低且持续观察比较耗时，并且除松材线虫病感染外，其他因素也会导致松树变色㊂［２５］１．３㊀基于深度学习的松材线虫病监测方法近年来，卷积神经网络（ｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋ，ＣＮＮ）图像分类和识别问题已逐渐成为当前的研究热点［２６］㊂基于卷积神经网络的目标检测算法不断提出和改进，其检测精度和速度也在不断地提升㊂Ｔａｏ等［２７］在纯林＋平坦地形㊁纯林＋复杂地形以及混合人工林＋红色阔叶树３个区域使用ＣＮＮ和ＴＭ算法来检测松材线虫病，证明了与传统ＴＭ方法相比，ＣＮＮ实现了更高的识别准确率，由于纯林与平坦地形的背景干扰性低，其检测结果最好，纯林与复杂地形次之，混合人工林与红色阔叶树检测结果最差㊂李凤迪等［２８］提出了一种基于４２㊀第２期李卫斌，等：基于无人机遥感影像的松材线虫病监测方法概述ＹＯＬＯｖ３⁃ＣＩｏＵ算法的松材线虫病检测模型，并构建了不同高度的罹病木数据㊂为解决ＹＯＬＯｖ３模型在训练期间损失置空的问题，使预测框更接近真实框的位置，将兼容重叠率（ｃｏｍｐａｔｉｂｌｅｉｎｔｅｒｓｅｃｔｉｏｎｏｖｅｒｕｎｉｏｎ，ＣＩｏＵ）损失函数作为损失函数替代原先ＹＯＬＯｖ３模型所使用的均方误差函数㊂ＣＩｏＵ是一种边界框回归定位损失函数，其考虑了目标真实框和预测框之间的重叠面积㊁中心点距离㊁尺度㊂从结果来看，在相同的测试集中ＹＯＬＯｖ３⁃ＣＩｏＵ的识别精度更高，因此利用ＹＯＬＯｖ３⁃ＣＩｏＵ算法生成的检测框更贴近于罹病木的边缘（图３）㊂图３㊀ＹＯＬＯｖ３和ＹＯＬＯｖ３⁃ＣＬｏＵ检测结果对比［２８］Ｆｉｇ．３㊀ＣｏｍｐａｒｉｓｏｎｏｆＹＯＬＯｖ３ａｎｄＹＯＬＯｖ３⁃ＣＩｏＵｔｅｓｔｒｅｓｕｌｔｓ在罹病木检测过程中，采集和标注大量病树图像需要消耗大量的人力㊁物力和财力㊂对于罹病木来说，染病早期和中期不易被察觉，难以采集㊂在深度学习领域中，除了模型本身的优化，数据集的质量和数量也影响到模型最后的检测效果㊂因此对于松材线虫病害检测模型，扩增数据量有重要意义㊂主要有两种数据增强方法，一是通过传统的图像旋转㊁镜像㊁平移㊁修改对比度和亮度等方法对图像进行扩增㊂传统的数据增强技术虽然解决了数据集样本不足的问题，但数据质量差且样本多样性不足，容易造成过拟合，影响深度学习算法的分类性能［２９］㊂生成对抗网络（ｇｅｎｅｒａｔｉｖｅａｄｖｅｒｓａｒｉａｌｎｅｔ⁃ｗｏｒｋｓ，ＧＡＮ）是Ｇｏｏｄｆｅｌｌｏｗ等［３０］在２０１４年提出的一种基于 二人博弈 思想的生成模型，其是在深度学习生成模型的基础上发展而来，由生成网络和判别网络两部分构成㊂利用ＧＡＮ不仅能进行数据增强，还能提高图像分辨率［３１－３２］，如深度卷积生成对抗网络［３３］（ｄｅｅｐｃｏｎｖｏｌｕｔｉｏｎａｌｇｅｎｅｒａｔｉｖｅａｄｖｅｒｓａｒｉａｌｎｅｔｗｏｒｋｓ，ＤＣＧＡＮ）增强训练集样本数量，减少过拟合，提高识别效果；使用条件生成对抗网络（ｃｏｎｄｉｔｉｏｎａｌｇｅｎｅｒａｔｉｖｅａｄｖｅｒｓａｒｉａｌｎｅｔｗｏｒｋ，ＣＧＡＮ）生成番茄叶子的合成图像提高了番茄病害的检测精度［３４］㊂Ｄｅｎｇ等［３５］提出了一种改进ＦａｓｔｅｒＲ⁃ＣＮＮ的模型，首先通过旋转㊁翻转㊁对比度等方式对样本进行数据增强，由原始的３４０扩增为１７００个样本，然后将ＦａｓｔｅｒＲ⁃ＣＮＮ［３６］模型的特征提取网络ＶＧＧ１６替换为Ｒｅｓｎｅｔ１０１，将原来的多分类ｓｏｆｔｍａｘ损失函数改为单分类ｓｉｇｍｏｄ损失函数，模型ｍＡＰ值由７２．５％提高为８０．２％，最后根据罹病木的冠幅大小修改区域生成网络中的锚框尺寸，模型的ｍＡＰ值达到了８９．１％㊂为去除背景干扰，精确识别罹病木，Ｈｕ等［３７］提出一种基于ＭｏｂｉｌｅＮｅｔ和ＦａｓｔｅｒＲ⁃ＣＮＮ算法的松材线虫病识别方法，其中ＭｏｂｉｌｅＮｅｔ用于去除背景，Ｆａｓｔｅｒ⁃ＲＣＮＮ用于识别罹病木㊂同时使用ＤＣＧＡＮ网络来增强训练样本数量，并比较了输入图像的大小和数量对研究结果的影响㊂为避免单株罹病木信息的丢失㊁突出病害特征和抑制背景干扰，Ｑｉｎ等［３８］提出了一种基于多光谱图像的ＳＣＡＮｅｔ（ｓｐａｔｉａｌ⁃ｃｏｎｔｅｘｔ⁃ａｔｔｅｎｔｉｏｎｎｅｔｗｏｒｋ）图像分割网络，由空间信息保留模块㊁上下文信息模块以及注意力优化模块组成，同时使用多尺度分割法来提高样本的数量和多样性㊂松材线虫病的早期监测是防治松材线虫病的关键㊂为了研究可行且准确的早期罹病木（松树树冠未出现明显颜色变化之前）检测方法，许多学者开始探索基于无人机的遥感影像对ＰＷＤ早期检测的可行性㊂Ｗｕ等［３９］在不同时间获取同一地域的松树影像，并通过多时相观察来识别早期罹病木，发现砍伐罹病木后保留在原地可以降低松树感染数量，松材线虫可以在砍倒的松树体内存活㊂Ｙｕ等［４０］认为在实际的森林病虫害监测中需要一次确定罹病木的位置，然后采取相应的措施移除，而Ｉｏｒｄａｃｈｅ等［２５］和Ｗｕ等［３９］使用的多时相方法更适合于致病机制的研究㊂Ｙｕ等［４０］分别采用ＦａｓｔｅｒＲ⁃ＣＮＮ和ＹＯＬＯｖ４［４１］两种目标检测算法对获取的多光谱影像进行不同感染阶段的罹病木识别，发现标记阔叶树可以提高罹病木在感染早期的识别准确性，防止将松树误判为阔叶树㊂１．４㊀基于人工设计特征和深度学习融合的松材线虫病监测方法㊀㊀殷存军［４２］将获取的数据集分为两组，一组为健康样本㊁松材线虫病样本和阴影样本，另一组为其他类样本，然后采用数据增广方式和ＤＣＧＡＮ网络对松材线虫病样本进行扩增，并利用Ｉｎｃｅｐｔｉｏｎｖ３网络去除无人机图像中的田地㊁裸土等复杂信息的干扰，然后根据罹病木㊁健康松树及阴影区域之间不同的颜色和纹理特征，使用一种基于多个单层决５２林业工程学报第８卷策树组成的ＡｄａＢｏｏｓｔ分类器对其进行分类，最后引入了形态学操作去除微小区域的背景干扰㊂图４中红色斑点代表检测结果，黄框代表正确检测的样本点，可以看出单独使用Ｉｎｃｅｐｔｉｏｎｖ３网络将很多正样本误检为负样本，而Ｉｎｃｅｐｔｉｏｎｖ３和ＡｄａＢｏｏｓｔ网络的结合大大降低了模型的误检率㊂该方法与Ｈｕ等［３７］提出的方法都使用了背景去除算法，从检测结果上来看，Ｈｕ等［３７］所用的方法虽然能将所有图４㊀Ｉｎｃｅｐｔｉｏｎｖ３和Ｉｎｃｅｐｔｉｏｎｖ３＋ＡｄａＢｏｏｓｔ检测结果对比［４２］Ｆｉｇ．４㊀ＣｏｍｐａｒｉｓｏｎｏｆＩｎｃｅｐｔｉｏｎｖ３ａｎｄＩｎｃｅｐｔｉｏｎｖ３＋ＡｄａＢｏｏｓｔｄｅｔｅｃｔｉｏｎｒｅｓｕｌｔｓ的罹病木检测出来，但误检数量太多，导致人工砍伐罹病木的成本增加和工作效率降低㊂而殷存军［４２］使用的方法可以在保证召回率的前提下，提高模型的精确率和Ｆ１值㊂对近几年使用深度学习方法在松材线虫病识别领域的相关研究进行总结，每个方法所用的数据集㊁ＣＮＮ架构㊁模型性能以及存在的缺点见表２㊂主要是从准确率㊁精确率㊁召回率㊁平均精度和综合性能指标Ｆ１⁃ｓｃｏｒｅ来衡量模型的性能㊂其中基于ＹＯＬＯｖ３⁃ＣＩｏＵ的算法精确度最高，但模型的泛化能力不强，没有考虑其他复杂背景的影响；从单株罹病木的识别效果来看，ＳＣＡＮｅｔ能够识别定位到单株罹病木的位置，抑制背景干扰；从模型的泛化能力和精确度来看，基于Ｉｎｃｅｐｔｉｏｎｖ３和ＡｄａＢｏｏｓｔ的算法优于其他算法，适用于复杂背景下检测罹病木，但基于ＦａｓｔｅｒＲ⁃ＣＮＮ和ＹＯＬＯｖ４的算法能够识别不同感染阶段（中晚期）的罹病木㊂表２㊀深度学习方法在松材线虫病识别中的应用比较Ｔａｂｌｅ２㊀Ａｐｐｌｉｃａｔｉｏｎｃｏｍｐａｒｉｓｏｎｏｆｄｅｅｐｌｅａｒｎｉｎｇｍｅｔｈｏｄｓｉｎｐｉｎｅｗｉｌｔｄｉｓｅａｓｅｉｎｄｅｎｔｉｆｉｃａｔｉｏｎ数据集ＣＮＮ架构性能指标缺点文献１０００个罹病木样本，１０００个其他地物样本ＧｏｏｇＬｅＮｅｔ，ＡｌｅｘＮｅｔ在纯林＋平坦地形区域ＡｌｅｘＮｅｔ的准确率和召回率最高，分别为８０％和７０％；而在混合人工林＋红色阔叶树区域ＧｏｏｇＬｅＮｅｔ准确率和召回率最高，分别为５５％和３６％㊂该方法虽然考虑了复杂区域和红色阔叶树的影响，但罹病木漏检数量较多［２７］８３６个罹病木样本ＹＯＬＯｖ３⁃ＣＩｏＵ精确率为１００％，准确率为９８．８８％，召回率为９８．８８％模型的泛化能力不强，尤其是对分布密集㊁相互遮挡等复杂区域；没有考虑红色阔叶树和其他枯死树的影响［２８］原有３４０个罹病木样本，数据增强后为１７００个ＦａｓｔｅｒＲ⁃ＣＮＮ，ＡＰ为８９．０％，准确率为８９．１％，召回率为９０％［３５］原有２５个罹病木样本，数据增强后为１７４３个ＦａｓｔｅｒＲ⁃ＣＮＮ，ＤＣＧＡＮ精确率为４１．２％，召回率为１００％，Ｆ１⁃ｓｃｏｒｅ为５８．３％误检数量较多，将很多未感染的松树检测为罹病木；背景信息没有去除完全；没有考虑红色阔叶树和其他枯死树的影响［３７］原有２４个罹病木样本，数据增强后为６９６个Ｉｎｃｅｐｔｉｏｎｖ３，ＡｄａＢｏｏｓｔＤＣＧＡＮ精确率为７７．８％，召回率为９５．５０％，Ｆ１⁃ｓｃｏｒｅ为８５．７％［４２］训练样本包括４８６２个罹病木样本ＳＣＡＮｅｔＯＡ为７９．３３％，精确率为８６％，召回率为９１％考虑了单株罹病木的信息丢失问题，但多光谱数据来源成本相对较高［３８］１５２９个罹病木样本，３７６个阔叶树样本ＦａｓｔｅｒＲ⁃ＣＮＮ，ＹＯＬＯｖ４ＦａｓｔｅｒＲ⁃ＣＮＮ和ＹＯＬＯｖ４的早期ＡＰ值为４８．８８％和４６．０８％，中期ＡＰ值为７５．４５％和７１．３％，晚期ＡＰ值为７８．２３％和７４．５５％虽然考虑了阔叶树对罹病木识别的影响，但对阔叶树和早期罹病木的识别精度较低［４０］㊀㊀衡量一个算法的好坏除了模型检测准确率，还需要考虑其检测速度㊂不同检测模型对应的平均单张图像检测速度不同，笔者对５种深度学习模型单张图像的检测效率进行了比较，即ＡｌｅｘＮｅｔ㊁ＧｏｏｇＬｅＮｅｔ㊁ＭｏｂｉｌｅＮｅｔＶ２㊁ＦａｓｔｅｒＲ⁃ＣＮＮ㊁ＹＯＬＯｖ３㊂其中数据集的所有图像都是在同一背景下获得的，图像分类的数据集包括１２８个健康松树样本和１２８个染病松树样本，图像目标检测的数据集包括１５１个染病松树样本㊂将数据集中的每一类划分为３个子集，训练集㊁验证集和测试集的比例为６ʒ２ʒ２㊂实验操作平台为Ｕｂｕｎｔｕ２０．０４计算机，Ｉｎｔｅｌ（Ｒ）Ｃｏｒｅ（ＴＭ）ｉ９⁃１０９００ＫＣＰＵ＠３．７０ＧＨｚ，ＮＶＩＤＩＡＣｏｒｐｏｒａｔｉｏｎＤｅｖｉｃｅ２２０８，使用Ｐｙｔｏｒｃｈ作为深度学习框架㊂在测试程序运行过程中，可以看出图像分类的３个检测模型中ＡｌｅｘＮｅｔ的单张图像平均检测速度较快，而目标检测的两个模型中ＹＯＬＯｖ３的检测速度较快（表３）㊂６２㊀第２期李卫斌，等：基于无人机遥感影像的松材线虫病监测方法概述表３㊀不同检测模型的单张图像平均检测时间Ｔａｂｌｅ３㊀Ａｖｅｒａｇｅｄｅｔｅｃｔｉｏｎｔｉｍｅｐｅｒｉｍａｇｅｆｏｒｄｉｆｆｅｒｅｎｔｄｅｔｅｃｔｉｏｎｍｏｄｅｌｓ检测模型单张图像平均检测时间／ｍｓＡｌｅｘＮｅｔ１．３６ＧｏｏｇＬｅＮｅｔ６．７９ＭｏｂｉｌｅＮｅｔＶ２４．８５ＦａｓｔｅｒＲ⁃ＣＮＮ５６．３７ＹＯＬＯｖ３２５．９３２㊀松材线虫病罹病木监测难点及发展趋势２．１㊀松材线虫病遥感监测中存在的问题在林业病虫害识别分类方面，传统基于人工设计特征的检测方法虽然能一定程度提高人工目视判读的效率，但对于复杂背景的病害目标识别不够理想，尤其是在裸岩㊁裸土㊁阴影㊁其他枯死树等处理上，往往会因为颜色特征以及纹理特征与罹病木差异性小等问题产生误检错检的情况㊂由于森林数目种类多㊁变化大㊁罹病木和健康松树之间边界复杂以及无人机图像中罹病木尺寸小等原因，在监测罹病木的过程中存在漏判问题，如高度较低的罹病木以及相互遮挡的相邻罹病木㊂缺乏大量㊁标注良好㊁高度可变的图像数据集是基于深度学习的松材线虫病识别模型的主要障碍㊂罹病木的检测受健康松树㊁建筑物㊁裸土㊁落叶松树㊁红色阔叶树㊁光照以及地形等影响，目前大多研究者的检测模型适应于特定区域的罹病木，对其他区域的罹病木检测泛化能力较弱，且目前研究的深度学习算法对早期罹病木的识别精度较低㊂２．２㊀松材线虫病遥感监测发展趋势松材线虫病的发生发展常受到许多环境因子的影响和制约，这些因子包括植物分布㊁土壤因素㊁林分基本特征㊁地形因素等㊂对于松材线虫病检测而言，单株罹病木的识别至关重要，而罹病木往往零星分布，要在无人机图像中将一株罹病木从复杂背景中自动区分开是一个世界难题㊂未来将融合光谱信息㊁时间信息，空间信息㊁上下文信息㊁激光雷达等来解决这一难题：光谱信息可以准确识别健康松树和罹病木［３９，４３］；其复杂背景的时间信息用来解决落叶树㊁棕色草本和植被稀疏区域季节性变色带来的干扰；空间信息用来减少低级信息的丢失（小目标）；上下文信息用来扩大感受野，增强高级特征的提取（减少复杂背景的干扰）［３８，４４］；激光雷达能够获取树木的结构特征，准确地收集松树的三维信息并精确分割树冠，解决树冠的阴影和重叠造成的光谱混淆问题［４５］㊂尽管光谱信息被广泛用于监测松材线虫病，但松材线虫病的早期识别很少有人研究㊂未来将会构建不同感染阶段的罹病木光谱库，综合分析不同染病程度㊁不同生长环境下罹病木的光谱特征，构建可以完备描述罹病木光学特征的冠层发射率高光谱模型，筛选早期罹病木的敏感波段，即最能表现其光谱特征且不易受其他因素影像的波段［９，１１，４０］㊂最后通过光谱㊁树冠㊁纹理㊁时空等多维信息进行有效融合，从复杂场景精准识别早期罹病木㊂当前无人机获取遥感影像的技术已日趋成熟，国产高分辨率遥感卫星也正在逐步发展，北斗定位㊁物联网㊁云计算㊁人工智能㊁大数据等新技术不断涌现，多源遥感协同监测在应对重大突发事件中发挥着越来越重要的作用㊂为了实现单株罹病木的精细化管理，北斗高精度定位技术将融合卫星遥感影像㊁无人机影像实现罹病木的单株精准定位㊂３㊀结㊀语回顾松材线虫病监测方法的发展历程，可以看到深度学习技术已经取代了传统人工设计特征方法㊂如果训练数据集足够大㊁足够精确，深度学习技术将更高精度㊁更高效率地识别松材线虫病㊂而在缺乏大量数据集的情况下，数据增强已被证明可以改变模型的性能，包括传统的数据增强技术和ＧＡＮ生成新的合成图像㊂从现有的文献中可以看出，大部分基于深度学习算法的监测方法都依赖于著名的ＣＮＮ架构，如用于图像分类的ＡｌｅｘＮｅｔ㊁ＧｏｏｇＬｅＮｅｔ㊁Ｉｎｃｅｐｔｉｏｎｖ３㊁ＭｏｂｉｌｅＮｅｔ，可提取图像特征，具有良好的特征表达能力；常作用于其他视觉任务的基准模型，如用于图像检测任务的ＦａｓｔｅｒＲ⁃ＣＮＮ㊁ＹＯＬＯＸ系列等算法，可利用其提取出来的特征识别目标㊂由近期相关报道也可以看出，从复杂的背景中分割出罹病木可以提高识别精度，而传统的手动裁剪感兴趣区域耗时耗力，因此使用背景去除和松材线虫罹病木分类的自动检测技术，对从复杂背景中提取松材线虫罹病木具有重大的意义㊂未来该领域的研究将结合高光谱高分辨率遥感卫星数据㊁无人机数据㊁北斗高精度定位以及物联网实时监测数据，达到 空天地网 一体化监测，从而准确识别早期罹病木，实现松材线虫病的精确检测与全过程动态监测㊂参考文献（Ｒｅｆｅｒｅｎｃｅｓ）：［１］方兴．研究无人机监测松材线虫病的应用实践［Ｊ］．经济技术７２。
松材线虫病项目实施计划项目名称：松材线虫病项目实施计划目标：通过采取一系列措施，有效防控松材线虫病的传播和蔓延，提高松木资源的保护和利用效率。
一、项目背景松材线虫病是一种危害严重的林业病害，会导致松树枯死，对林木资源造成巨大损失。
为了保护松木资源，提高林业经济效益，有必要制定一项松材线虫病的项目实施计划。
二、项目目标1. 形成针对松材线虫病的防治综合措施。
2. 提高林地管理和监测能力，加强对松木资源的保护和利用。
3. 健全法规体系，加强对松材线虫病的监督和执法力度。
三、项目实施计划1. 建立项目组织与管理机制- 成立项目管理小组，负责项目的组织、协调和监督。
- 配备项目专员，协助项目管理小组进行项目工作。
2. 研究制定防治方案- 对不同地区的松材线虫病状况进行调研分析。
- 抽取典型样本，进行实验室检测和病原学研究。
- 结合实际情况，制定相应的防治方案。
3. 加强宣传教育和技术培训- 开展宣传教育活动，提高公众对松材线虫病的认识。
- 组织技术培训，提高从业人员的防治能力。
4. 建立病原监测网络- 在各个重点地区建立病原监测点，进行定期监测。
- 建立信息共享平台，及时汇总和分析病原监测数据。
5. 密切合作与国际交流- 加强与国内外相关科研机构、专家的交流与合作。
- 学习借鉴国际先进技术和经验，提升防治水平。
6. 完善法规体系- 修订和完善相关法律法规，提高对松材线虫病的监管力度。
- 健全处罚措施，加大对违法行为的打击力度。
7. 项目评估与总结- 定期对项目进行评估，及时发现和解决问题。
- 结束后进行项目总结，总结经验，并提出改进意见。
四、项目预算本项目预算约为XXX万元，具体预算将按照各项工作内容确定。
五、项目风险管理1. 技术风险：通过引进先进技术、合作研究等方式降低技术风险。
2. 资金风险：完善预算管理制度，确保项目经费的安全和有效利用。
3. 管理风险：建立完善的组织与管理机制，加强项目监督和考核。
松材线虫病疫木清理监管方案松材线虫病是由松材线虫侵染松树引起的一种严重病害，对松林的健康和生态环境造成严重影响。
为了有效防控松材线虫病，保护森林资源，相关部门制定了松材线虫病疫木清理监管方案。
一、方案背景松材线虫病是一种难以控制和治愈的病害，对松树造成严重危害。
该病害通过松树内的松材线虫传播，进一步感染其他松树，导致松林的大规模死亡。
为了遏制病害的传播，保护松林资源，制定松材线虫病疫木清理监管方案势在必行。
二、方案目标该方案的主要目标是及时清理已感染松材线虫的疫木，阻断病害的传播途径，减少病害对松林的危害。
通过清理感染疫木，降低松材线虫的种群密度，减少其传播风险，保护松林生态系统的稳定性。
三、方案内容1. 疫木调查：相关部门将组织专业人员对松林进行疫木调查，确定感染松材线虫的疫木分布情况和严重程度。
调查应覆盖松林主要分布区域，确保全面了解疫木情况。
2. 疫木清理：根据调查结果，制定疫木清理计划，有针对性地清理感染松材线虫的疫木。
清理过程中，应采取科学有效的防护措施，防止疫木带来的线虫进一步传播。
3. 疫木处理：清理出的疫木应按照规定进行处理，避免线虫再次传播。
处理方法可包括烧毁、浸泡消毒等，确保线虫被有效杀灭。
4. 监管和执法：相关部门应加强对松林的监管，加大执法力度，确保疫木清理工作的顺利进行。
同时，加强对疫木清理人员的培训和督导，提高工作效率和质量。
5. 预防措施：除了清理感染疫木，还应加强松林的预防措施，避免松材线虫的再次侵染。
预防措施可包括松林间距的合理设置、定期检查和监测等，提前发现和处理感染疫木。
四、方案实施1. 组织协调：相关部门应组织各方力量，建立联合工作机制，共同推进疫木清理工作。
各级政府、林业部门、科研机构和专业团队应加强沟通协作，形成合力。
2. 宣传引导：通过宣传和教育活动，提高公众对松材线虫病的认知和防范意识，引导广大群众积极参与疫木清理工作，共同保护松林资源。
3. 资金支持：为了保障疫木清理工作的顺利进行，相关部门应加大资金投入，提供足够的经费支持。
利用无人机进行林业病虫害监测与防控的最佳实践引言：无人机技术的快速发展为各个领域的应用带来了巨大的潜力。
在林业领域，利用无人机进行病虫害监测与防控成为了一种创新且高效的方式。
本文将介绍无人机在林业病虫害监测与防控中的最佳实践，探讨其优势、挑战以及未来发展趋势。
一、无人机在林业病虫害监测中的优势无人机具有以下优势，使其成为林业病虫害监测的理想工具。
1.高效准确：传统的林业病虫害监测方式往往需要人工逐一巡查，耗时且不准确。
而无人机可以快速覆盖大面积的森林，高清图像和遥感数据可以提供准确的信息，帮助精准判断病虫害的分布和严重程度。
2.远程操作：通过操作遥控器或预设路径，可以远程控制无人机执行任务。
这解决了传统巡查中人力不足和易受限制的问题，极大地提高了林业病虫害监测的灵活性和效率。
3.安全性：林业病虫害监测常常需要人们进入森林，面对陡峭山路、野生动物等危险情况。
而通过无人机进行监测，可以避免人员伤亡和意外事故的风险，提高工作安全性。
二、无人机在林业病虫害防控中的应用案例无人机在林业病虫害防控中的应用已经取得了一些成功案例。
1.病虫害区域的定位：无人机可以快速侦测到森林中的病虫害区域，通过高清图像和红外线摄像头等设备获得的数据，可以迅速判断植被的生长情况和受损程度。
2.病虫害分布的识别：利用无人机搭载的多光谱相机，可以获取植被的多光谱图像，进而分析各种植被的光谱特征，准确判断病虫害的种类和分布情况。
3.病虫害的监测与预警：通过搭载传感器和气象仪器，无人机可以收集环境数据、空气质量等相关信息，帮助预测病虫害的爆发风险，并及时发出预警，为病虫害防控提供可靠依据。
三、无人机在林业病虫害监测与防控中的挑战虽然无人机在林业病虫害监测与防控方面具有巨大潜力，但仍面临一些挑战。
1.技术限制：目前无人机的续航能力和飞行高度仍受到限制，难以在大面积森林中保持长时间的监测。
此外，图像数据的处理与分析也需要专业人员来完成。
2.法律和隐私问题：无人机在林业病虫害监测中可能涉及私人土地和隐私权的问题，需要完善的法律和规章制度来约束其使用。
无人机普查松材线虫病技术标准为了有效防控松材线虫病，在现代农业和林业管理中，利用无人机技术进行线虫病的普查和监测已成为一种趋势。
本文旨在制定一份关于无人机普查松材线虫病技术标准，以指导相关工作的进行。
一、无人机选择1. 任务需求根据不同的任务需求，选择合适的无人机。
针对松材线虫病的普查和监测，需选择具有较长续航时间和稳定飞行能力的专业无人机。
2. 飞行平台选择具有良好稳定性和适应性的飞行平台，如四旋翼或多旋翼无人机，以满足复杂地形下的飞行需求。
3. 航拍设备选用高清晰度、高分辨率的红外热像传感器和光学摄像头，以获取准确的数据和图像信息。
二、飞行计划1. 区域划分根据实地情况，将工作区域划分为不同的网格或区块，有序进行无人机飞行检测。
2. 飞行高度根据病情严重程度和画幅要求，设定合适的飞行高度，以获得清晰的影像和数据。
3. 飞行路线制定合理的飞行路线，经过重点监测区域，保证全面覆盖并避免重复扫描。
4. 飞行时间根据无人机续航时间和病情分布情况，合理安排飞行时间，确保对整个区域进行全面监测。
三、数据获取1. 图像采集利用红外热像传感器和光学摄像头，进行图像采集，确保各类数据的准确性和完整性。
2. 数据处理对获取的图像和数据进行处理，并生成对应的地图、热成像图和病情分布图，为后续分析和决策提供依据。
四、信息分析1. 数据整合将采集到的数据进行整合和比对，确保准确性和一致性。
2. 病情评估根据监测数据和图像信息，对松材线虫病的分布、程度和趋势进行评估和分析。
3. 报告输出生成相应的监测报告，指明病情分布情况和建议的防控措施。
五、技术保障1. 安全管理加强对无人机飞行的安全管理，确保无人机飞行过程安全可靠。
2. 设备维护定期对无人机和相关设备进行维护保养，确保其正常工作状态。
以上是一份关于无人机普查松材线虫病技术标准的基本要求和流程。
通过严格遵守这些标准，能够提高线虫病普查和监测的效率和准确性，为相关防控工作提供有力的技术支持。
无人机监测松材线虫病枯死木项目
一、采购项目：无人机监测松材线虫病枯死木
二、资质要求
1、具有独立承担民事责任能力的法人，经营范围须具有无人机拍摄、监测服务等相关内容；
2、须同时取得监测区域空管部门飞行管制室许可协议；
3、拥有无人机的拥有权或使用权，提供相关产权或使用权证明材料原件；
4、具有不少于两名无人机操作手，具备中国航空运动协会飞行员执照原件；若无人机操作手为外聘人员的须具有聘用协议原件及中国航空运动协会飞行员执照原件；
5、能做到协助性无人机飞行，满足甲方单位山林紧急救援等无人机飞行需求。
6、中标人应接到需要服务或者故障通知后1小时内做出响应，2小时内到达现场，3小时内完成服务.
7、招标公告发布之日前三年内无行贿犯罪等重大违法记录。
三、技术要求及说明：
1.1本章内容是根据采购项目的实际需求制定的。
1.2投标人所报价格应为含税全包价，包含提供相关服务的所有费用，合同存续期间采购人不额外支付任何费用。
1.3属于信息网络开发服务的，投标人中标后应向招标人提供源代码以及文档等技术资料。
2.服务要求（包括附件、图纸等）
在2017年秋季（9-10月），利用无人机航空监测技术对昆嵛山重点监控区域松林（15万亩）进行立体式监测。
2.1.1形成电子图。
将数据作为信息源, 由 GPS定位和导航，准确定位枯死松树位置，形成电子分布图；
2.1.2数据综合分析。
利用 GIS对图像数据进行综合分析处理, 提供动态的资源数据和图文数表, 再提出决策实施方案；
2.1.3图像处理。
对枯死树坐标信息进行后台数据处理, 建立的集监测、预警与优化管理为一体的松材线虫病数据库。
★2.2服务具体要求：
2.2.1航拍相机采用高性能的全幅相机，搭配定焦镜头。
2.2.2航拍相机有效像元数不小于4000万像素，支持GPS功能，存储空间≥128GB。
2.2.3获取影像的地面分辨率优于5厘米，重叠率航向百分之八十，旁向百分之六十，图像定位精度不低于10米。
2.2.4拟投入项目无人机必须具备2种以上起飞方式和2种以上降落方式。
2.3其他要求
★2.3.1在服务期内，确保不发生飞行事故。
若发生飞行事故，责任由中标单位全部负责并赔偿所有损失。
开标时，投标人需提供相关内容承诺书，与资格、资信等证明文件一并密封递交。
★2.3.2投标人保证在规定的时间内完成监测作业，自
行负责飞行及机组人员安全保障。
开标时，投标人需提供相关内容承诺书，与资格、资信等证明文件一并密封递交。
2.3.3中标人不得提供虚假业绩、荣誉、认证等资料，如出现上述情形，招标人向监督部门提出申请并经批准后，可取消其中标资格，并与其立即解除合同，由此引起的经济损失全部由中标人承担，招标人有保留追究中标人相关法律责任的权力。
招标人允许偏离范围或者幅度如下：
3.商务条件
★3.1服务期限：
监测结束后必须在20天内提交监测成果，2017年11月10日前交付监测全部成果。
3.2服务地点：
招标人指定地点。
3.3付款方式：
立体式监测完成服务成果后30日内支付。
3.4服务成果验收
服务期满或完成服务成果后，招标人应对服务的成果进行详细而全面的检验。
招标人有权限根据检验结果要求中标
人立即调整或者提出索赔要求。
检验合格后，由招标人组成的验收小组签署验收报告，作为付款凭据之一。
3.5质量保证期
3.5.1执行国家主管部门或者行业标准，具体在合同中约定。
3.5.2质量保证期内，如果证实服务成果是有缺陷的，包括潜在的缺陷或者使用不符合要求等，中标人应立即免费调整或者重新监测，保证达到合同规定的服务要求。
如果中标人在收到通知后3天内未能免费调整或者弥补缺陷，招标人可自行采取必要的补救措施，但风险和费用由中标人承担，招标人同时保留通过法律途径进行索赔的权利。
3.6服务保障
中标人应接到需要服务或者故障通知后1小时内做出响应，2小时内到达现场，3小时内完成服务。
能做到协助性无人机飞行，满足甲方单位山林紧急救援等无人机飞行需求。
注：上述要求以及标注中：
带“★”条款为实质性条款，投标人必须按照招标文件的要求做出实质性响应。
