LE-PWDNet: a lightweight and enhanced detection framework based on DEIM for early-stage pine wilt disease
Notice bibliographique
Résumé
Pine wilt disease (PWD), characterized by rapid transmission and high pathogenicity, causes severe ecological and economic damage worldwide. Early detection is critical for curbing its spread, yet the concealed symptoms and minute lesions make it difficult for existing models to balance high accuracy with lightweight efficiency in complex forest environments. To address these challenges, this study proposes a lightweight detection model named LE-PWDNet. A total of 41,568 high-resolution UAV images were collected from diverse field scenarios to construct a standardized dataset covering four infection stages, providing comprehensive support for model training and evaluation. The model is built upon the DEIM training paradigm to enhance the utilization of positive samples for small-target detection. To strengthen multi-scale texture modeling of early lesions, a Wavelet Detail Attention Convolution (WDAConv) is designed. A ConvFFN module is introduced to mitigate the attenuation of high-frequency details, thereby improving robustness under complex backgrounds. A CGAFusion module is developed to reduce false positives caused by background noise. Furthermore, an Edge-Dilated Sampling-Point Generator (DySample-E) is incorporated to dynamically adjust the upsampling process, enhancing the ability to capture early micro-lesions. Experimental results demonstrate that, with only 5.64M parameters and approximately 7 GFLOPs, LE-PWDNet achieves an AP 50 of 83.8% for early-stage lesion detection and an overall AP 50 of 90.2%, outperforming existing mainstream models. This study provides a feasible solution for building intelligent and low-cost early-warning systems for forest diseases and highlights the broad application potential of the proposed framework in forestry and other ecological monitoring scenarios.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».