A Dual-Channel Pine Wilt Disease Recognition Method with Discrete Wavelet Transform
Notice bibliographique
Résumé
Pine wilt disease is a significant global plant epidemic and a management priority for numerous countries worldwide. Pine wood nematodes can parasitize a wide range of pine species, making early detection of infected trees essential for preventing further spread of the disease. Recent advances in deep learning and remote sensing technologies have enabled efficient automated detection of diseased trees. Most existing methods rely on convolutional neural network layers for feature extraction and spatial dimension reduction, which may cause the loss of fine-grained texture details and lead to misdetection of background elements and visually similar objects. To enhance diseased tree recognition accuracy, this paper proposes an object detection model using images captured by unmanned aerial vehicles. The proposed method incorporates discrete wavelet transform (DWT) to reduce spatial resolution while preserving critical information for further analysis, and integrates a cross-modal channel enhancement module within a two-stream feature extraction network. Furthermore, the method incorporates a RoI-based similarity constraint that applies cosine similarity loss and classification supervision to ensure coherent feature representations between processing branches. This approach achieves 89.2% accuracy on the pine wilt disease dataset and outperforms advanced methods on the VisDrone dataset. Several object detection models are compared based on the mean average precision (mAP) metric. Results demonstrate that the DWT-based detection algorithm achieves superior performance in detecting individual small targets and clustered infected pine trees.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».