林业科学

作者：张长春1,2,3,杨兴昌1,王国骅1,王冰婧4,李诗杰1,陈方舟1,葛永泰1,石娟5,*,张军国1,2,3,*

单位：1. 北京林业大学工学院　北京 1000832. 林木资源高效利用全国重点实验室　北京 1000833. 北京林业大学生物多样性智慧监测研究中心　北京 1000834. 北京林业大学信息学院　北京 1000835. 北京林业大学林学院　北京 100083

关键词：林业外来害虫,YOLOv5s,坐标注意力,域适应,图像检测

基金：中央高校基本科研业务费专项资金（QNTD202510）；中央高校优秀青年团队项目（QNTD202304）；北京市级大学生创新训练项目（S202310022154）。

目的: 针对林业外来害虫因目标尺度多样、栖息环境复杂、易受遮挡等因素导致的现有检测算法识别准确率低、鲁棒性差的问题，提出一种融合多尺度注意力特征的林业外来害虫检测方法（MAF-YOLO），通过增强模型对不同尺度特别是小尺度目标的特征提取能力，并优化边界框回归策略，从而显著提升在复杂自然环境下对外来害虫的检测精度和泛化能力。方法: 该方法以YOLOv5s为基线架构，其核心改进包括：1） 在颈部网络中嵌入坐标注意力机制，以强化对目标区域关键特征的捕获能力并抑制背景噪声干扰；2） 增设160像素×160像素的小目标检测头，构建多层级检测结构，以提升对微小目标的检测灵敏度；3） 采用Focal-EIoU损失函数替代原始CIoU损失函数，缓解正负样本及难易样本不平衡的问题，优化目标的定位精度；4） 引入域适应训练策略，通过在大规模通用数据集上预训练，增强模型对不同场景的泛化能力。结果: 在包含15类潜在入侵和已入侵的林业外来害虫图像数据集上，训练和评估提出的模型，改进后的YOLOv5s模型精确率和召回率较原始YOLOv5s模型分别提升3.6%和4.4%；与SSD、YOLOv7、YOLOv8模型相比，改进模型的平均识别精度分别提高2.2%、1.1%和0.3%；结合域适应后模型精确率达77.9%，较原模型提升2.1%。结论: 本研究实现了林业外来害虫的精准识别，增强了模型的准确性与鲁棒性，为有效监测林业外来害虫提供了理论依据和技术支持。

来源：2025年第10期

《林业科学》期刊编辑部

查看林业科学杂志2025年第10期