SPVD-DETR:一种基于无人机正射影像的甘薯病毒病新型实时端到端物体检测器

《Computers and Electronics in Agriculture》:SPVD-DETR: A novel real-time end-to-end object detector of sweetpotato virus disease from unmanned aerial vehicle ortho imagery

【字体: 大 中 小 】 时间:2025年12月23日 来源:Computers and Electronics in Agriculture 10.3

编辑推荐:

  曾凡国|丁子宇|陈俊志|兰雨斌|黄立飞|刘永新|岳学军|袁琳中国浙江省水利电力大学计算机科学与技术学院,杭州,310018摘要甘薯是全球重要的粮食作物,因其经济价值与健康益处而备受重视。然而,甘薯病毒病的高发对这一产业构成了严重威胁,导致产量下降和农民经济损失。为保障粮食安全与消

  曾凡国|丁子宇|陈俊志|兰雨斌|黄立飞|刘永新|岳学军|袁琳中国浙江省水利电力大学计算机科学与技术学院,杭州,310018摘要甘薯是全球重要的粮食作物,因其经济价值与健康益处而备受重视。然而,甘薯病毒病的高发对这一产业构成了严重威胁,导致产量下降和农民经济损失。为保障粮食安全与消费者健康,高效的诊断技术至关重要。传统诊断方法虽有效,但存在操作复杂、耗时且成本高昂的问题。为应对这些挑战,本研究提出了一种基于Transformer架构的新型实时端到端检测器SPVD-DETR。通过利用无人机正射影像,可在田间尺度上实现甘薯病毒病的实时诊断。首先,借助自动化无人机工具定制航空调查任务,快速扫描甘薯田,生成高分辨率正射照片及拼接后的正射影像以供分析。随后,通过引入高效的主干网络及混合编码模块,如级联群自注意力、基于注意力的尺度融合和动态上采样,提升了物体检测器的性能。大量的消融实验与对比结果表明,SPVD-DETR在实时性能与检测精度之间取得了良好平衡。接着,该模型在甘薯病毒病图像数据集上进行微调,实现了31.3%的平均精度均值(mAP)的检测精度,同时具备每秒90帧的快速推理速度。最终,将预测结果映射回正射影像,估算出整体甘薯病毒病发病率为15%,误诊率为14%。本研究为田间尺度的甘薯病毒病检测提供了一种新思路,有助于推动精准农业中大规模、高效率的植物病害自动检测。引言甘薯(Ipomoea batatas (L.) Lam.)是一种在全球100多个国家种植的重要粮食作物,营养丰富,可作为人类和牲畜的食物来源。全球每年甘薯产量超过9000万吨,其中亚洲和非洲国家,尤其是中国,做出了重要贡献(Alam, 2021)。过去20年来,甘薯的消费量不断上升,这促使人们培育新品种、扩大种植规模,并满足日益增长的市场需求,尤其是在美国(George et al., 2024)。甘薯的根和叶富含蛋白质、纤维、维生素和矿物质,具有很高的营养价值,对于提升全球粮食安全、减少贫困以及解决营养不良问题具有重要意义(Bach et al., 2021)。然而,甘薯病毒病对全球甘薯生产与粮食安全构成了重大威胁,严重阻碍了甘薯的种植发展。这类病毒通过藤蔓等繁殖材料传播,导致种植材料中病原体积累,进而降低产量和品质。已知的病毒包括甘薯羽毛斑点病毒(SPFMV)和甘薯黄化矮化病毒(SPCSV)(Clark et al., 2012),这些病毒主要影响以甘薯为主要食物的发展中国家。多种病毒共同感染会导致严重的甘薯病毒病,使得块茎无法食用,产量可能下降98%,还会对作物造成损害(Zhang et al., 2020)。种植无病毒幼苗是一种有效的防治方法,但由于高再感染率,需要持续投入资金培育经过病毒检测的清洁幼苗,从而增加了生产成本。传统的育种方法存在主观性强、标记工作繁琐且耗时较长的问题,这就凸显出开发创新方法来监测和管理甘薯病毒病的重要性,以便降低成本,确保甘薯产业的可持续发展。目前的诊断方法,如肉眼观察,由于非病毒性疾病也会出现类似症状,因此容易导致误诊。酶联免疫吸附试验(ELISA)(Boonham et al., 2014)和聚合酶链反应(PCR)(Kokkinos and Clark, 2006)等分子检测方法虽然能更精确地检测病毒,但需要专门的设备和技术,这对小规模农户来说是个难题。这些方法不仅劳动强度大、耗时久,也不适合在大面积田间应用。此外,高昂的成本和对专业人员的需求也限制了其在发展中国家的广泛应用。为克服这些局限,研究人员正在探索更快、更准确且更实用的诊断技术,以优化甘薯病毒病的防控策略。遥感技术作为一种快速、高效且无损的植物健康监测方法,已被广泛采用,有助于及早发现病害,从而减少作物损失。通过分析植物的光谱特征,这项技术能够为潜在的植物病害风险提供重要信息(Sishodia et al., 2020)。使用低成本的高分辨率成像无人机可以提高病害检测的准确性,并在复杂环境中实现快速响应(Kouadio et al., 2023)。由于它们能与现有的图像处理软件和机器学习算法结合进行自动分析,因此成为大规模植物病害检测工作的理想选择(Shahi et al., 2023)。总体而言,尤其是结合无人机和RGB传感器的遥感技术,是精准农业中一种成本低廉且环保的植物病害管理方式。深度学习,尤其是卷积神经网络(CNNs),因能够从图像中学习复杂模式而被广泛用于植物病害检测(Joseph et al., 2023, Ding et al., 2024),无需手动设计特征。通过利用预训练模型,物体检测算法能够简化流程,提高在植物图像中定位和识别病害的精度,这对于精准病害管理和减少作物损失至关重要(Liu and Wang, 2021)。近期研究显示,基于CNN的物体检测器在检测植物病害方面具有显著优势,能够在田间条件下实现更高的检测精度和效率。例如,我们之前的研究(Zeng et al., 2023b)提出了基于CNN的SPVDet网络,成功证明了利用无人机高分辨率图像检测甘薯病毒病的可行性。同样,张等人(2022a)改进了YoloV5网络,用于检测和小麦赤霉病的记录,在复杂田间条件下能够实现高精度和快速响应的损害程度评估。尽管深度学习模型在检测精度和效率方面表现优异,显示出其在解决植物病害检测问题上的巨大潜力,尤其是在处理复杂背景和实现实时检测方面,但大多数这类模型仍基于CNN架构。在训练和推理过程中,它们依赖于锚框和非极大值抑制(NMS)等手动设计的组件,缺乏真正的端到端架构。与传统CNN相比,视觉Transformer(Dosovitskiy et al., 2020)采用了一种新方法,即将图像分割成较小的块,作为Transformer框架的输入序列。这使得图像块之间可以通过自注意力实现全局交互,从而捕捉图像中的关键上下文信息。DETR(Carion et al., 2020)首次提出利用Transformer的自注意力机制,在直接集合预测框架中预测边界框和类别。不过,DETR需要更长的训练周期才能收敛,而且在处理高分辨率特征图时,其计算和内存开销非常大。为了解决这些问题,可变形DETR(Zhu et al., 2021)通过聚焦关键采样点来降低计算和内存需求,从而加快网络收敛速度,并提升对小物体的检测性能。此外,DAB-DETR(Liu et al., 2022)通过使用动态锚框作为查询,增强了空间先验信息,进而提升了检测性能。还有DN-DETR(Li et al., 2022)通过引入查询去噪训练,同时训练原始目标框和含噪声目标框,从而加速收敛。DINO(Zhang et al., 2022b)的进步使得基于Transformer的检测器在检测精度上首次超越了传统基于CNN的检测器。虽然这些模型的检测精度可与传统基于CNN的检测器相媲美,但尤其是那些具有众多自注意力层的Transformer模型,仍然需要大量的计算资源。因此,RT-DETR(Lv et al., 2023)通过高效的特征处理和基于IoU的查询选择,解决了计算难题,实现了高精度的实时检测。它结合了CNN的快速推理速度、Transformer架构的全局注意力机制、快速收敛能力以及端到端训练的优势。不过,目前尚未充分探索利用这种架构实现植物病害检测的实时端到端物体检测的潜力。鉴于植物病害检测算法需要具备实时运行、高精度以及适应不同病害类型和环境条件等特性,本研究的重点在于以RT-DETR模型为基准,提升实时检测能力。我们对先进的主干网络进行了深入分析,并对模型进行了多项关键改进,包括在混合编码器中加入级联群自注意力模块、基于注意力的尺度序列融合模块以及动态上采样模块。通过这些重新设计,我们开发出了基于Transformer端到端架构的SPVD-DETR模型。该研究利用低空无人机遥感正射影像,实现了从冠层尺度到田间尺度的甘薯病毒病实时检测,从而得出所调查田地的整体发病率。这一成果展示了在精准农业时代,该技术有望改变未来的田间管理方式。本研究的贡献如下:•提出的SPVD-DETR是首个基于Transformer框架的实时端到端物体检测器,用于甘薯病毒病检测。•首次利用无人机正射影像实现了田间尺度甘薯病毒病的高通量检测及发病率调查。•大量的消融实验和对比试验验证了SPVD-DETR在实时检测性能方面的优势。本文的其余结构如下:第2节介绍研究材料与方法,详细说明所使用的数据集以及提出的方法,包括SPVD-DETR架构的系统设计及实现细节。第3节呈现研究结果,并对发现内容进行初步解读,包括针对SPVD-DETR的消融研究、与以往工作的性能比较,以及SPVD-DETR在田间尺度甘薯病毒病检测中的应用情况。第4节讨论SPVD-DETR模型在实时甘薯病毒病检测方面的开发与验证过程,以及当前存在的局限性和提升田间尺度检测及实际应用能力的挑战。最后,第5节对全文进行总结,并探讨未来的研究方向。片段内容基于无人机正射影像的甘薯病毒病数据集实验地点如图1所示,位于中国广东省湛江市坡头区的甘薯种植地。飞行数据采集于2023年12月25日和25日的下午,当时天气为晴朗或部分多云。这些甘薯一个月前才从幼苗移栽到田间,正处于生长初期,非常适合早期检测和观察病毒病害。值得注意的是,当地品种……SPVD-DETR的消融研究本研究以RT-DETR为基础模型,其主干网络采用ResNet-50。通过对主干网络、编码器模块以及用于边界框的IoU损失函数进行系统性的消融研究,构建了SPVD-DETR架构的原型。为提高模型训练效率,消融研究是在小规模的PASCAL VOC基准数据集上进行的,以IoU阈值为0.5时的mAP作为相应的评估指标。参数数量(M)等指标……讨论传统的基于CNN的物体检测器通常依赖于锚框先验和非极大值抑制等手动设计的组件,这些组件会增加模型复杂性,可能导致性能瓶颈。非极大值抑制的运算时间与输入预测框的数量成正比,因此在处理大量框时会出现延迟。非极大值抑制的有效性在很大程度上取决于IoU阈值和得分阈值等超参数,这些参数会影响检测结果,往往需要通过实验来确定……结论本研究提出了一种基于Transformer架构的实时端到端检测器SPVD-DETR,该检测器利用无人机正射影像实现田间尺度甘薯病毒病的实时检测。它提供了一种预测性和可视化方法,可用于调查农田中的甘薯病毒病发病率,从而实现甘薯病毒病的高通量、自动化和智能检测。SPVD-DETR的设计思路是在PASCAL VOC基准数据集上快速构建各关键组件的原型,随后进行深入比较……CRediT作者贡献声明曾凡国:撰写——初稿、可视化、验证、方法论、正式分析、概念构思。丁子宇:调研、数据整理。陈俊志:调研、数据整理。兰雨斌:资源支持。黄立飞:验证、资源支持、资金筹集。刘永新:撰写——审阅与编辑、验证。岳学军:资源支持、项目管理、资金筹集。袁琳:撰写——审阅与编辑、验证、资源支持、资金筹集。利益冲突声明作者声明不存在任何可能影响本文所述工作的已知财务利益或个人关系。致谢本研究得到了中国国家自然科学基金项目(编号42371385)、浙江省自然科学基金项目(编号LTGN23D010002)、CARS-10-甘薯专项基金、中国广东省重点领域研发计划(编号2020B020219001)、中国广东省现代农业产业技术体系甘薯创新团队(编号2023KJ111)以及广州市科技计划的资助。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号