CN119445382A 基于无人机遥感和改进PWD-YOLOv10n算法的松材线虫病树分级检测方法 （山东农业大学）

基于无人机遥感和改进PWD-YOLOv10n算法本发明公开了一种基于无人机遥感和改进PWD_YOLOv10n算法的松材线虫病树分级检测方步骤包括(1)病树遥感影像采集；(2)数据集构PWD_YOLOv10模型，在YOLOv10n模型的骨干网络中引入CAA注意力机制模块，以增强特征提取能现了在复杂环境中对松材线虫病树进行快速准2(4)评价指标选取：本发明采用以下评估指标来对比不同松材线虫病树检测模型的性2.根据权利要求1所述的基于无人机遥感和改进PWD_YOLOv10n算法的松材线虫病树分33.根据权利要求1所述的基于无人机遥感和改进PWD_YOLOv10n算法的松材线虫病树分4.根据权利要求1所述的基于无人机遥感和改进PWD_YOLOv10n算法的松材线虫病树分5.根据权利要求4所述的基于无人机遥感和改进PWD_YOLOv10n算法的松材线虫病树分利用1x11和11x1的深度可分离卷积分别在水平和垂直方向上提取空间上下文特征，增强式中，F为输入特征图，DWConv1x11和DWConv11x1分别为卷积核大小为1x11和11x1的深6.根据权利要求1所述的基于无人机遥感和改进PWD_YOLOv10n算法的松材线虫病树分4其中Xi∈R(C/4)xHxW；其中Yi∈R(C/4)xHxW；其中Y∈RCxHxW；p其中M∈RCxHxW。p7.根据权利要求1所述的基于无人机遥感和改进PWD_YOLOv10n算法的松材线虫病树分5和改进PWD_YOLOv10n算法的松材[0004]本发明旨在解决现有模型在松材线虫病树检测中存在的精度低、漏检率高的问[0006]本发明提供了一种基于无人机遥感的松材线虫病树转、翻转、饱和度调整等，以增加数据多样性；最后，根据病树的不同染病阶段，使用6[0042]①通过CAA(ContextAnchorAttention)注意机制增强模型特征提取，突出重要7随后，利用1×11和11×1的深度可分离卷积分别在水平和垂直方向上提取空间上下文特[0050]②通过C2f_EMSCP(EfficientMulti_Scale_Convplus)增强模型的感知和表达pppp[0064](4)评价指标选取：本发明采用以下评估指标来对比不同松材线虫病树检测模型的性能，包括：平均精度值(mAP)、参数量(Parameters)、检测速度(Dete模型错误分类的负样本，FN(FalseNegative)表示模型错误分类的正样本，TN(True8[0073]本发明方法公开的一种基于无人机遥感和改进PWD_YOLOv10n算法的松材线虫病9[0112]①通过CAA(ContextAnchorAttention)注意机制增强模型特征提取，突出重要随后，利用1×11和11×1的深度可分离卷积分别在水平和垂直方向上提取空间上下文特[0119]②通过C2f_EMSCP(EfficientMulti_Scale_Convplus)增强模型的感知和表达pppp模型错误分类的负样本，FN(FalseNegative)表示模型错误分类的正样本，TN(True使早期和中期病树的AP分别提升1.0％和0.9尽管漏检率略高了1.7枯死病树AP增加了0.8验证了该模块在复杂背景和病树分级检测中的优势。[0148]表中