｛“状态”：“正常”，“消息类型”：“工作”，“消息版本”：“1.0.0”，“消息”：｛“索引”：｛“日期部分”：[[2024,5,24]]，“日期时间”：“2024-05-24T04:35:35Z”，“时间戳”：1716525335456｝，“引用计数”：49，“发布者”：“MDPI AG”，“发布”：“10”，“许可证”：[｛“开始”：｛“日期部分”：[[2023,5,20]]，“日期时间”：“2023-05-20T00:00:00Z”，“时间戳”：1684540800000}中，“content-version”：“vor”，“delay-in-days”：0，“URL”：“https:\/\/creativecommons.org\/licenses\/by\/4.0\/”}]，“资助者”：[{“DOI”：“10.13039\/501100001809”，“名称”：“中国自然科学基金会”，“DOI-asserted-by”：“publisher”，“奖项”：[“42101346”]}，{“DOI”：”10.13039\/501100002858“，”名称“：“中国博士后科学基金”，“DOI-asserted-by”：“publisher”，“adward”：[“2020M680109”]}]，“content-domain”：{“domain”（域）：[]，“crossmark-restriction”（交叉标记限制）：false}，“short-container-title”（短容器时间）：[“遥感”]，“abstract”（摘要）：“近年来，卫星和无人机成像等遥感技术已被用于监测松树萎蔫病（PWD），这是一种导致松树物种死亡的广泛森林疾病。研究人员探索了如何使用遥感图像和深度学习算法来提高单树级PWD检测的准确性。本研究介绍了一种新的PWD检测框架，该框架将高分辨率RGB无人机图像与自由访问的Sentinel-2卫星多光谱图像相结合。所提出的方法包括一个名为YOLOv5 PWD的PWD感染树检测模型和一种有效的数据扩充方法。为了评估该框架，我们收集了数据并在中国咸宁市创建了一个数据集，包括PWD中后期受感染树木的目标检测样本。实验结果表明，YOLOv5-PWD检测模型的mAP比原来的YOLOv 5模型高1.2%，应用我们的数据集增强方法后，mAP进一步提高了1.9%，这表明了所提出的PWD检测框架的有效性和潜力<\/jats:p>“，”DOI“：”10.3390\/rs15102671“，”type“：”journal-article“，”created“：{”date-parts“：[[2023,5,22]]，”date-time“：”2023-05-2T06:00:27Z“，”timestamp“：1684735227000}，”page“：“2671”，“source”：“Crossref”，“is-referenced-by-count”：6，“title”：[“利用无人机和卫星图像检测松树萎蔫病的单株植物：以中国咸宁为例“]，”前缀“：”10.3390“，”卷“：”15“，”作者“：[{”给定“：”培华“，”家族“：”蔡“，”序列“：”第一“，”隶属“：[}”名称“：”长江大学地质学院，武汉430010“}，{”姓名“：”武汉大学测绘与遥感信息工程国家重点实验室，武汉430079，中国武汉“}]}，{“ORCID”：“http://\/ORCID.org\/00000-0003-0733-9122”，“authenticated-ORCID”：false，“given”：”广州“，“family”：“Chen”，“sequence”：“additional”，“affiliation”：[{“name”：“武汉大学测绘与遥感信息工程国家重点实验室，武汉430079给定“：“Xianwei”，“family”：“Li”，“sequence”：“additional”，“affiliation”：[{“name”：“武汉大学测绘与遥感信息工程国家重点实验室，武汉430079”}]}，{“ORCID”：“http://\/ORCID.org\/00000-0001-6279-9215”，“authenticated-ORCID”：false，“given”：affiliation“：[{”name“：”解放军战略保障部队信息工程大学地理空间信息研究所，中国郑州450001“}]}，{”ORCID“：”http://\/ORCID.org\/0000-0002-3915-0175“，”authenticated-ORCID“：false，”given“：“Tong”，”family“：”Wang“，”sequence“：”additional“，”affiliance“：[[{“name”：“武汉大学测绘与遥感信息工程国家重点实验室，武汉430079给定“：”蒙迪“，”家族“：”汉族“，”序列“：”附加“，”隶属“：[{”名称“：”长江大学地质学院，武汉430010，中国“}，{”姓名“：”武汉大学测绘遥感信息工程国家重点实验室，武汉430079affiliation“：[{“name”：“武汉大学测绘与遥感信息工程国家重点实验室，中国武汉430079”}，{“name”：“湖北省土地测绘研究所，武汉430034”}]}，“given”：“Qing”，“family”：“Wang”，“sequence”：“additional”，“affiliance”：长江大学地质学院，武汉430010reference“：[{”key“：”ref_1“，”first page“：“170”，”article-title“：“基于无人飞行器遥感图像的松材线虫监测技术研究”，“volume”：“41”，“author”：“Li”，“year”：“2020”，“journal title”：“J.Chin.Agric.Mech.”}，{”key“：松材线虫病遥感监测研究进展”，“卷”：“38”，“作者”：“张”，“年份”：“2022年”，“期刊标题”：“转。下巴。Soc.农业。工程“}，{”key“：”ref_3“，”first-page“：”172“，“article-title”：“松材线虫病致树木死亡遥感监测进展：综述”，“volume”：“33”，“author”：“Huan”，“year”：“2020”，“journal-title“：”for.Res.“}”，{“key”：”ref_4“，”doi-asserted-by“”：“crossref”，“first-page:”919“，”doi“：”10.1016\/j.Eng.2020.07.001“，”article-Ti标题“：”使用人工智能技术检测无人机遥感的松材线虫病候选树”，“卷”：“6”，“作者”：“Syifa”，“年份”：“2020”，“新闻标题”：“工程”}，{“关键”：“ref_5”，“doi-asserted-by”：“crossref”，“非结构化”：“Kim，S.R.，Lee，W.K.，Lim，C.H.，Kim，M.，Kafatos，M.C.，Lee、S.H.，and Lee，S.S.S.S.（2018）对松材线虫病进行高光谱分析，以确定最佳检测指标。森林，9.“，”DOI“：”10.3390\/f9030115“}，{”key“：”ref_6“，”DOI-asserted-by“：”crossref“，”first page“：“44”，”DOI:“10.1186\/s40663-021-00328-6”，“article-title”：“利用野外便携式光谱仪和无人机高光谱图像早期检测华北油松松材线虫病”，“volume”：“8”，“author”：“Yu”，“year”：“2021”，“journal-title“：”对于。生态系统。“}，{”key“：”ref_7“，”doi-asserted-by“：”crossref“，”first-page“：”119493“，”doi“：”10.1016\/j.foreco.2021.11993“，”article-title“：”使用深度学习算法和基于无人机的多光谱图像早期检测松材线虫病“，”volume“：：“102363”，“article-title“：“使用基于无人机的高光谱图像和激光雷达数据在树级检测松材线虫病的机器学习算法”，“体积”：“101”，“作者”：“余”，“年份”：“2021”，“期刊标题”：“国际应用杂志”。地球观测地理信息。“｝，｛”key“：”ref_9“，”doi断言“：”crossref“，”非结构化“：”Zhang，Y.，Dian，Y.，Zhou，J.，Peng，S.，Hu，Y.，Hu，L.，Han，Z.，Fang，X.，and Cui，H.（2021）。中国亚热带松材线虫爆发的空间模式特征。遥感，13.“，”doi“：”10.3390\/rs1324682“｝，｛”key“：”ref_10“，”doi断言“：”crossref“，”首页“：”1401“，”DOI“：”10.1007\/s11676-021-01423-8“，”文章标题“：”高分辨率卫星监测松材线虫病“，”卷“：”33“，”作者“：”周“，”年份“：”2022“，”期刊标题“：“J.For。研究“}，{”key“：”ref_11“，”first-page“：”185“，”article-title“：”利用残差网络从遥感图像中自动识别木虱“，“volume”：“7”，“author”：“Zhou”，“year”：“2022”，“journal-title”：“J.For.Eng.”}，”{“key”：基于多特征提取和注意机制深度学习的松材线虫病树木高分辨率图像识别”，“卷”：“7”，“作者”：“刘”，“年份”：“2022”，“期刊标题”：“J.For。工程“}，{”key“：”ref_13“，”doi-asserted-by“：”crossref“，”first page“：“118986”，”doi“：”10.1016\/j.foreco.2021.118986“，”article-title“：”基于常规无人机的高通量目标检测在通过深度学习早期诊断松材线虫病中的应用“，”volume“：ref_14“，”doi-asserted-by“：”crossref“，”first page“：”66346“，”doi“：”10.1109\/ACCESS.2021.3073929“，”article-title“：”基于遥感和机载边缘计算的松材线虫病检测系统“，”volume“：“9”，”author“：”Li“，“year”：“2021”，“journal-title”：“IEEE ACCESS”}，{“key”：“ref_15”，“doi-assert-by”：“Crosref”，”first-page:“8350”，“doi”：“10.1109 \/JSTARS.2021.3102218“，”article-title“：”使用多光谱无人机图像检测松材线虫病疑似树木的多通道目标检测“，”volume“：”14“，”author“：”Park“，”year“：”2021“，”journal-title”：“IEEE J.Sel。顶部。应用。Earth Obs.Remote Sens.“}，{”key“：”ref_16“，”doi-asserted-by“：”crossref“，”unstructured“：”Xia，L.，Zhang，R.、Chen，L.、Li，L.和Yi，T.、Wen，Y.、Ding，C.和Xie，C.（2021）.无人飞行器图像中松树萎蔫病检测的深度学习分段模型评估.遥感，13.“，“doi”：“10.3390\/rs13183594”}，”{“key”：“ref_17“，”doi-asserted-by“：”crossref“，”unstructured“：”秦，J.，王，B.，吴，Y.，卢，Q.，朱，H.（2021）。使用无人机图像和深度学习算法识别松材线虫病。遥感，13.“，”DOI“：”10.3390\/rs13020162“}，{“key”：“ref_18”，“DOI-asserted-by”：“crossref”，“unstructured”：“Yu，R.，Luo，Y.，Li，H.，Yang，L.，Huang10.3390\/rs13204065“}，{“key”：“ref_19”，“首页”：“1295”，“article-title”：“Fast R-CNN深度学习与无人机遥感相结合在松材线虫病监测中的初步应用”，“volume”：”43“，”author“：”Huang“，”year“：”2021“，”journal-title“：”J.Environ.Entomol首页“：”455“，”DOI“：”10.1016\/j.envpol.2005.01.032“，”article-title“：”利用叶片中的可见症状诊断非生物和生物胁迫因素“，”volume“：”137“，”author“：”Vollenweider“，”year“：”2005“，”journal-title”：“Environ。波卢特。“}，{”key“：”ref_21“，”doi-asserted-by“：”crossref“，”first-page“：”108818“，”doi“：”10.1016\/j.ecolind.2022.108818 crossref“，”首页“：”3373”，“DOI”：“10.1109\/JSTARS.2017.2627736”，“文章标题”：“使用堆叠去噪自动编码器对非常高分辨率无人机图像进行基于对象的土地覆盖监督分类”，“卷”：“10”，“作者”：“张”，“年份”：“2017”，“期刊标题”：“IEEE J.Sel。顶部。应用。地球观测卫星遥感“}，{”key“：”ref_23“，”first page“：“1”，”article-title“：”基于对象的图卷积网络遥感图像分类框架“，”volume“：19”，”author“：”Zhang“，”year“：”2021“，”journal-title”：“IEEE Geosci.Remote Sens.Lett.”}，”{“key”：“ref_24”，”first-page:“228”，”article-titel“：”基于Faster R-CNN的松树枯萎病检测与定位”，“卷”：“51”，“作者”：“徐”，“年份”：“2020年”，“新闻标题”：“Trans。下巴。Soc.农业。机器。“}，{”key“：”ref_25“，”first page“：“78”，”article-title“：”UAV图像基于多特征CRF的嗜木虱监测方法“，”volume“：25”，”author“：”Jincang“，”year“：”2019“，”journal title“：“Bull.Surv.Mapp.”}，”{“key”：“ref_26”，“doi-asserted-by”：“crossref”，“unstructured”：“You，J.，Zhang，R.，and Lee，J.（2021）基于RGB的无人机图像检测松材线虫病的深度学习通用系统。遥感，14.“，”DOI“：”10.3390\/rs14010150“}，{“key”：“ref_27”，“DOI-asserted-by”：“crossref”，“unstructured”：“Girshick，R.，Donahue，J.，Darrell，T.，and Malik，J.（2014年1月23日\u201328）。丰富的特征层次结构可用于准确的对象检测和语义分割。《IEEE计算机视觉和模式识别会议论文集》，美国华盛顿特区，“DOI”：“10.1109\/CVPR.2014.81”}，{“key”：“ref_28”，“DOI-asserted-by”：“crossref”，“unstructured”：“Girshick，R.（2015年1月7日\u201313）。Fast R-cnn.智利圣地亚哥IEEE国际计算机视觉会议论文集。”，“DOI:”10.1109 \/ICCV.2015.169“}，{“key”：“ref_29”，“unstructured”：“Ren，S.，He，K.，Girshick，R.，and Sun，J.（2015年1月7日\u201312）。Faster R-cnn：利用区域提议网络实现实时目标检测。《神经信息处理系统进展学报》，加拿大魁北克省蒙特利尔Redmon，J.、Divvala，S.、Girshick，R.和Farhadi，A.（7月，1月26日）。你只看一次：统一的实时对象检测。IEEE计算机视觉和模式识别会议记录，美国内华达州拉斯维加斯”}，{“key”：“ref_31”，“doi-asserted-by”：“crossref”，“unstructured”：“Liu，W.，Angelov，D.，Erhan，D.，Szegedy，C.，Reed，S.，Fu，C.，and Berg，A.C.（2016年1月11日\u201314）SSD：单发多盒探测器。2016年计算机视觉会议记录：第14届欧洲会议，荷兰阿姆斯特丹。“，”DOI“：”10.1007\/978-3-319-46448-0_2“}，{”key“：”ref_32“，”DOI-asserted-by“：”crossref“，”unstructured“：”Zhang，X.，Zhu，K.，Chen，G.，Tan，X.、Zhang、L.，Dai，F.，Liao，P.，and Gong，Y.（2019）。基于双多尺度特征金字塔网络的高分辨率遥感图像地理空间目标检测。遥感，11.“，”，“DOI”：“10.3390\/rs11070755“}，{”key“：”ref_33“，”first page“：“224”，”article-title“：”基于YOLOv3-CloU的松材枯萎病树检测方法研究“，”volume“:”52“，”author“：”Li“，”year“：”2021“，”journal-title”：“山东农业大学学报”}，”{“key”：“ref_34”，“first-page”：“197”，”article-titel“：”使用YOLO算法和UAV图像识别松材线虫病引起的异常变色树木”，“体积”：“37”，“作者”：“黄”，“年份”：“2021”，“期刊标题”：“Trans。下巴。Soc.农业。Eng“}，{”key“：”ref_35“，”first-page“：”84“，”article-title“：”利用深度学习对遥感图像中受松树萎蔫病影响的松树进行目标检测“，”volume“：“44”，”author“：”Chen“，”year“：”2021“，”journal-title”：“J.Nangjing Norm.Univ”}，}“key”：“ref_36”，“first-page:”140“，”article-titel“：”松材线虫对黑松和马尾松松针含水率、色素和抗氧化酶活性的影响”，“卷”：“48”，“作者”：“徐”，“年份”：“2012”，“期刊标题”：“科学”。西尔瓦·辛。“}，{”key“：”ref_37“，”doi-asserted-by“：”crossref“，”first page“：“407”，”doi“：”10.1007 \/s10658-011-9886-z“，”article-title“：”松材线虫感染后松属和松属差异表达基因的鉴定“，”volume“：1352”，“article-title”：“松材线虫感染后不同时期松针反射光谱的变化”，“volume”：“31”，“author”：“Xu”，“year”：“2011”，“journal-title“：”Spectrosc。规格。分析。“}，{”key“：”ref_39“，”doi-asserted-by“：”crossref“，”first page“：“146”，”doi“：”10.1016\/j.neucom.2022.07.042“，”article-title“：”精确边界框回归的焦点和有效IOU损失“，”volume“：通过Ultralytics进行的.YOLOv5。可在线获取：https:\/\/doi.org\/10.5281\/zenodo.3908559.“}，{“key”：“ref_41”，“doi-asserted-by”：“crossref”，“unstructured”：“Redmon，J.和Farhadi，A.（2017年1月21日\u201326）。YOLO9000:更好、更快、更强。美国HI檀香山IEEE计算机视觉和模式识别会议论文集”，“doi”：“10.1109\/CVPR.2017.690”}，}key“：”ref_42“，”doi-asserted-by“：”crossref“，”unstructured“：”Wang，C.Y.，Liao，H.Y.M.，Wu，Y.H.，Chen，P.Y.，Hsieh，J.W.，and Yeh，I.H.（2020年1月14日\u201319）。CSPNet：一个可以增强CNN学习能力的新主干。IEEE计算机视觉与模式识别研讨会论文集，美国华盛顿州西雅图”，“DOI”：“10.1109”，{“key”：“ref_43”，“DOI-asserted-by”：“crossref”，“unstructured”：“Lin，T.Y.，Doll\u00e1r，P.，Girshick，R.，He，K.，Hariharan，B.，and Belongie，S.（2017年1月21日，201326）。特征金字塔网络用于对象检测。IEEE计算机视觉和模式识别会议论文集，美国夏威夷州火奴鲁鲁”，“DOI”：“10.1109\/CVPR.2017.106”}，{“key”：“ref_44”，“DOI-asserted-by”：“crossref”，“unstructured”：“Liu，S.，Qi，L.，Qin，H.，Shi，J.，and Jia，J.（2018年1月18日\u201323）。用于实例分割的路径聚合网络。IEEE计算机视觉和模式识别会议记录，美国犹他州盐湖城37”，“作者”：“他”，“年份”：“2015”，“期刊标题”：“IEEE Trans。模式分析。机器。智力。“}，{”key“：”ref_46“，”doi-asserted-by“：”crossref“，”unstructured“：”Zheng，Wang，P.，Liu，W.，Li，J.，Ye，R.，and Ren，D.（2020年1月7日\u201312）。距离-IoU损失：边界盒回归的更快更好学习。美国纽约州纽约市AAAI人工智能会议论文集。“doi”：“10.1609 \/aaaai.v34i07.6999”}，”{“key”：“”ref_47“，”first page“：”1“，”article-title“：”遥感图像目标检测的多方位旋转等效网络“，”volume“：“19”，”author“：”Zhu“，”year“：”2022“，”journal-title”：“IEEE Geosci。遥感快报。“}，{”key“：”ref_48“，”unstructured“：”Chen，K.，Wang，J.，Pang，J.、Cao，Y.，Xiong，Y.、Li，X.、Sun，S.、Feng，W.、Liu，Z.和Xu，J.（2019）。MMDetection:Open MMLab Detection Toolbox and Benchmark.arXiv.“}”，{“key”：“ref_49”，“首页”：“2579”，“文章标题”：“使用t-SNE可视化数据”，“卷”：“9”，“作者”：“Hinton”，“年份”：“2008”“，”新闻标题“：”J.Mach。学习。Res.“}]，”容器标题“：[”遥感“]，”原始标题“：[]，”语言“：”en“，”链接“：[｛”URL“：”https:\/\/wwwmdi.com/2072-4292\/15\/10\/2671\/pdf“，”内容类型“：”未指定“，”内容版本“：”vor“，”预期应用“：”相似性检查“}]，”存放“：｛”日期部分“：[[2023,5,22]]，”日期时间“：”2023-05-22T06:46:55Z“，”timestamp“：1684738015000}，”score“：1，”resource“：{主要”：{“URL”：“https:\/\/www.mdpi.com//2072-4292\/15\/10\/2671”}}，“副标题”：[]，“短标题”：[]，“已发布”：}“日期-部分”：[[2023,5,20]]}，‘参考计数’：49，‘日志-发布’：{‘发布’：“10”，‘在线发布’：}‘日期-部分’：[2023,5]]}}，“alternative-id”：[“rs15102671”]，“URL”：“http:\/\/dx.doi.org\/10.3390\/rs15102671“，”关系“：{}，”ISSN“：[”2072-4292“]，”ISSN-type“：[{”值“：”2072~4292“，”类型“：”电子“}]，”主题“：[]，”发布“：{”日期部分“：[2023,5,20]]}}}}