无人机影像的松材线虫病半监督学习检测方法

王畅; 熊汉江; 涂建光; 郑先伟

doi:10.13203/j.whugis20220634

您当前的位置：

首页 >

文章列表页 >

无人机影像的松材线虫病半监督学习检测方法

摄影测量与遥感 | 更新时间：2026-11-05

- 无人机影像的松材线虫病半监督学习检测方法
- Semi-Supervised Learning Method for Pine Wilt Disease Detection in UAV Images
- 武汉大学学报（信息科学版） 2025年50卷第12期页码：2560-2568
- 作者机构：
  
  1.武汉大学测绘遥感信息工程全国重点实验室，湖北武汉，430079
  2.武汉大学遥感信息工程学院，湖北武汉，430079
- 作者简介：
  
  王畅，硕士，主要研究方向为遥感影像处理和目标检测。wangchang@whu.edu.cn
  熊汉江，博士，教授。xionghanjiang@whu.edu.cn
- 基金信息：
  
  国家自然科学基金(41871361)
- DOI：10.13203/j.whugis20220634
  中图分类号： P237
- 收稿：2023-09-29，
  
  纸质出版：2025-12-05
- 稿件说明：
移动端阅览
王畅,熊汉江,涂建光，等.无人机影像的松材线虫病半监督学习检测方法[J].武汉大学学报（信息科学版）,2025,50(12):2560-2568.

WANG Chang,XIONG Hanjiang,TU Jianguang,et al.Semi-Supervised Learning Method for Pine Wilt Disease Detection in UAV Images[J].Geomatics and Information Science of Wuhan University,2025,50(12):2560-2568.
王畅,熊汉江,涂建光，等.无人机影像的松材线虫病半监督学习检测方法[J].武汉大学学报（信息科学版）,2025,50(12):2560-2568. DOI：10.13203/j.whugis20220634

WANG Chang,XIONG Hanjiang,TU Jianguang,et al.Semi-Supervised Learning Method for Pine Wilt Disease Detection in UAV Images[J].Geomatics and Information Science of Wuhan University,2025,50(12):2560-2568. DOI：10.13203/j.whugis20220634

摘要

松材线虫病是对森林具有破坏性威胁的全球性疾病，每年在中国造成了极大的生态和经济损失，快速准确地监测和绘制松树的感染状况对于控制此类病虫害传播至关重要。为解决在少量有病害标签数据下用大量无标签数据提高模型精确率的问题，提出了一种基于深度学习的半监督目标检测方法，联合已有的标记数据和非标记数据训练YOLOv5目标检测模型，利用大范围无人机快拼图像快速自动地识别定位出感染松材线虫病的单株变色木。实验结果表明，半监督深度学习和无人机遥感结合能有效识别出疫木，精确率可达到85%以上，漏检率为9%，经过实际业务数据盲盒验证，所提算法指标满足大面积松材线虫病疫情快速动态监测要求。

Abstract

Objectives

Pine wilt disease (PWD) is a global disease with devastating threat to forests

and causes great ecological and economic losses in China every year. It is important to monitor and map the infection status of pine trees accurately for industry sectors to control the spread of such diseases timely. Traditional PWD detection methods such as manual inspection and visual interpretation of remote sensing images are inefficient. Recently

deep learning algorithms are applied in PWD detection task

bringing significant performance gains. However

the current methods usually adopt supervised learning strategy

which requires lots of professional labeling that is time-consuming and labor-intensive.

Methods

We propose a semi-supervised PWD detection method in a teacher-student mechanism. First

16 310 images are collected in Wudu River Region in Yichang City

Hubei Province

with 697 labeled images for model training and 15 613 unlabeled images for testing. Then

YOLOv5 model is adopted as a student model to learn features of input images

and the learnt features are updated by exponential moving average algorithm to build a teacher model for generating pseudo-labels of unlabeled test images. The test images with pseudo-labels are mixed with train dataset and fed into the student model to optimize features and generate a stronger teacher model. With the corporation of student and teacher model

the network is more capable to learn robust features for detecting PWD in UAV images.

Results

The extensive experiments demonstrate that the proposed semi-supervised method can effectively detect the diseased wood and achieve a promising performance with precision of 85.05% and recall of 91.36% on the test dataset

the ground truth of which is provided by third-party professionals.

Conclusions

The proposed semi-supervised object detection method uses a small portion of labeled data to robustly learn features in large scale UAV images for high-quality PWD detection. The performance on test dataset shows that the proposed method could be well applied to the application of rapid dynamic monitoring of PWD epidemics in forestry field

which could benefit for the sustainable development of forest ecosystem.

关键词

Keywords

references

汪晨，张辉辉，乐继旺，等 . 基于深度学习和遥感影像的松材线虫病疫松树目标检测［J］. 南京师大学报（自然科学版）， 2021 ， 44 （ 3 ）： 84 - 89 .

WANG Chen ， ZHANG Huihui ， LE Jiwang ， et al . Object Detection to the Pine Trees Affected by Pine Wilt Disease in Remote Sensing Images Using Deep Learning ［J］. Journal of Nanjing Normal University （Natural Science Edition）， 2021 ， 44 （ 3 ）： 84 - 89 .

SHIN S C . Pine Wilt Disease in Korea ［J］. Springer Japan ， 2008 ， 15 （ 2 ）： 1427 - 1438 .

MAMIYA Y . History of Pine Wilt Disease in Japan ［J］. Journal of Nematology ， 1988 ， 20 （ 2 ）： 219 - 226 .

ZHAO B G . Pine Wilt Disease in China ［J］. Springer Japan ， 2008 ， 10 （ 5 ）： 18 - 25 .

HAN H ， CHUNG Y J ， SHIN S C . First Report of Pine Wilt Disease on Pinus Koraiensis in Korea ［J］. Plant Disease ， 2008 ， 92 （ 8 ）： 1251 .

刘金沧，李琴，王斌，等 . 优于2m多时相影像的松材线虫病受害木识别［J］. 北京测绘， 2023 ， 37 （ 12 ）： 1638 - 1643 .

LIU Jincang ， LI Qin ， WANG Bin ， et al . Identification of Wood Infected by Pine Wilt Disease with Better than 2 m Multi-Temporal Images ［J］. Beijing Surveying and Mapping ， 2023 ， 37 （ 12 ）： 1638 - 1643 .

黄麟，张晓丽，石韧 . 森林病虫害遥感监测技术研究的现状与问题［J］. 遥感信息， 2006 ， 21 （ 2 ）： 71 - 75 .

HUANG Lin ， ZHANG Xiaoli ， SHI Ren . Current Status and Problems in Monitoring Forest Damage Caused by Diseases and Insects Based on Remote Sensing ［J］. Remote Sensing Information ， 2006 ， 21 （ 2 ）： 71 - 75 .

DENNISON P E ， BRUNELLE A R ， CARTER V A . Assessing Canopy Mortality During a Mountain Pine Beetle Outbreak Using GeoEye-1 High Spatial Resolution Satellite Data ［J］. Remote Sensing of Environment ， 2010 ， 114 （ 11 ）： 2431 - 2435 .

JOHNSON B A ， TATEISHI R ， HOAN N T . A Hybrid Pansharpening Approach and Multiscale Object-Based Image Analysis for Mapping Diseased Pine and Oak Trees ［J］. International Journal of Remote Sensing ， 2013 ， 34 （ 20 ）： 6969 - 6982 .

PARK J ， SIM W ， LEE J . Detection of Trees with Pine Wilt Disease Using Object-Based Classification Method ［J］. Journal of Forest and Environmental Science ， 2016 ， 32 （ 4 ）： 384 - 391 .

徐伟萌，杨浩，李振洪，等 . 利用无人机数码影像进行密植型果园单木分割［J］. 武汉大学学报（信息科学版）， 2022 ， 47 （ 11 ）： 1906 - 1916 .

XU Weimeng ， YANG Hao ， LI Zhenhong ， et al . Single Tree Segmentation in Close-Planting Orchard Using UAV Digital Image ［J］. Geomatics and Information Science of Wuhan University ， 2022 ， 47 （ 11 ）： 1906 - 1916 .

LECKIE D G ， JAY C ， GOUGEON F A ， et al . Detection and Assessment of Trees with Phellinus weirii （Laminated Root Rot） Using High Resolution Multi-Spectral Imagery ［J］. International Journal of Remote Sensing ， 2004 ， 25 （ 4 ）： 793 - 818 .

YU R ， LUO Y Q ， ZHOU Q ， et al . A Machine Learning Algorithm to Detect Pine Wilt Disease Using UAV-Based Hyperspectral Imagery and LiDAR Data at the Tree Level ［J］. International Journal of Applied Earth Observation and Geoinformation ， 2021 ， 101 ： 102363 .

HOSHIKAWA T ， YAMAMOTO K . Individual Tree Detection and Classification for Mapping Pine Wilt Disease Using Multispectral and Visible Color Imagery Acquired from Unmanned Aerial Vehicle ［J］. Journal of the Remote Sensing Society of Japan ， 2020 ， 40 （ 1 ）： 13 - 19 .

DENG X L ， TONG Z J ， LAN Y B ， et al . Detection and Location of Dead Trees with Pine Wilt Disease Based on Deep Learning and UAV Remote Sensing ［J］. AgriEngineering ， 2020 ， 2 （ 2 ）： 294 - 307 .

SYIFA M ， PARK S J ， LEE C W . Detection of the Pine Wilt Disease Tree Candidates for Drone Remote Sensing Using Artificial Intelligence Techniques ［J］. Engineering ， 2020 ， 6 （ 8 ）： 919 - 926 .

ZHANG R ， XIA L ， CHEN L ， et al . Recognition of Wilt Wood Caused by Pine Wilt Nematode Based on U-Net Network and Unmanned Aerial Vehicle Images ［J］. Transactions of the Chinese Society of Agricultural Engineering ， 2020 ， 36 （ 12 ）： 61 - 68 .

YU J ， ZENG P ， YU Y Y ， et al . A Combined Convolutional Neural Network for Urban Land-Use Classification with GIS Data ［J］. Remote Sensing ， 2022 ， 14 （ 5 ）： 1128 .

杨佳琪 . 面向不同标注样本场景的高光谱遥感影像分类方法研究［J］. 武汉大学学报（信息科学版）， 2024 ， 49 （ 10 ）： 1975 .

YANG Jiaqi . Research on Hyperspectral Remote Sensing Image Classification Methods for Different Annotated Sample Scenes ［J］. Geomatics and Information Science of Wuhan University ， 2024 ， 49 （ 10 ）： 1975 .

SUN H ， LI Q Q ， YU J ， et al . Deep Feature Reconstruction Learning for Open-Set Classification of Remote-Sensing Imagery ［J］. IEEE Geoscience and Remote Sensing Letters ， 2023 ， 20 ： 6009405 .

熊彪，江万寿，李乐林 . 基于高斯混合模型的遥感影像半监督分类［J］. 武汉大学学报（信息科学版）， 2011 ， 36 （ 1 ）： 108 - 112 .

XIONG Biao ， JIANG Wanshou ， LI Lelin . Gauss Mixture Model Based Semi-Supervised Classification for Remote Sensing Image ［J］. Geomatics and Information Science of Wuhan University ， 2011 ， 36 （ 1 ）： 108 - 112 .

REN S Q ， HE K M ， GIRSHICK R ， et al . Faster R-CNN： Towards Real-Time Object Detection with Region Proposal Networks ［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence ， 2017 ， 39 （ 6 ）： 1137 - 1149 .

REDMON J ， DIVVALA S ， GIRSHICK R ， et al . You Only Look Once： Unified， Real-Time Object Detection ［C］// IEEE Conference on Computer Vision and Pattern Recognition （CVPR）， Las Vegas， USA ， 2016 .

TARVAINEN A ， VALPOLA H . Mean Teachers Are Better Role Models： Weight-Averaged Consistency Targets Improve Semi-Supervised Deep Learning Results ［J］. Advances in neural information processing systems ， 2021 ， 9 （ 3 ）： 157 - 164 .

KIM M ， LEE W K ， KWON T ， et al . Early Detecting Damaged Trees by Pine Wilt Disease Using DI（Detection Index） from Portable near Infrared Camera ［J］. Journal of Korean Society of Forest Science ， 2011 ， 100 （ 3 ）： 374 - 381 .

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

夜光影像和高分辨率影像耦合的土耳其Mw 7.8地震建筑倒塌智能解译

DCMR-Net：一种面向复杂噪声地震记录的多尺度残差去噪网络

多模态遥感影像匹配进展与展望：从传统模式到深度学习

基于滞后衰减效应与主控因子筛选策略的库岸滑坡位移预测模型

朝向感知与量化集成的屋顶光伏潜力估算方法