CN115619719A - 一种基于改进Yolo v3网络模型的松材线虫病疫木检测方法 - Google Patents

Abstract

本发明涉及一种基于改进Yolo v3网络模型的松材线虫病疫木检测方法，包括：采集并制作松材线虫病疫区正射影像图，经图像预处理后得到原始数据集；对Yolo v3网络模型的主干特征提取网络及预测分支部分模块进行优化，得到改进后的Yolo v3网络模型；对改进后的网路模型进行训练，获取检测网络最优模型；使用最优检测模型对松材线虫病疫木图像进行检测；将检测到的松材线虫病疫木的图像与完整正射影像图进行对照，得到真实的地理位置坐标，并统计得到图像中检测到的目标框即疫木的数量。本发明在大幅地减少模型参数量、降低存储成本的同时，提高松材线虫病疫木的检测精度，通过定位与计数也能让林业工作者更为准确地对疫木进行处理。

Description

一种基于改进Yolo v3网络模型的松材线虫病疫木检测方法

技术领域

本发明涉及林业遥感智能化监测技术领域，尤其涉及一种基于改进Yolo v3网络模型的松材线虫病疫木检测方法。

背景技术

松材线虫是世界上危害最严重的、也是最难防治的有害生物之一，它能引发松材线虫病，该病是松树的一种毁灭性流行病害，一旦松树感染此病害而不被尽早发现，会导致其附近的一整片松林感染，最终只能对其进行大规模的砍伐。中国每年因松材线虫病造成的经济损失达数百亿元以上。面对松材线虫的感染，普查与预防监测是解决问题的首要工作。

目前，对松材线虫病的监测手段大多都较为单一，许多林业工作者会采用传统的人工现场调研方法对松树进行检查。但由于松材线虫病的爆发地点存在地形地貌复杂、分布地点不集中等特点，给防治工作带来许多限制，人工目视监测法也并不能从根本上解决问题。

近年来，利用无人机低空遥感技术识别有害生物和提取森林信息的方法得到了许多学者的关注。相较于传统的方法，无人机具有适应能力强、成本低、工作效率高等特点，给松材线虫病防治工作带来了新的切入点和突破口。

随着深度学习技术以及计算机硬件水平的不断发展，多种基于深度学习算法逐渐地在森林病害检测以及目标分级分类等领域中得到了广泛的应用。其中，Yolo系列目标检测算法是目前使用范围最广的单级(one-stage)检测算法。相较于其他目标检测与识别方法，如:Faster RCNN或SSD算法，Yolo系列算法使用基于回归的方法来提取特征，无需生成大量的候选窗口，直接采用单个神经网络对输入的图像进行目标检测和分类，实现了端对端的物体检测。但其存在特定目标检测精度较低、参数量大、存储成本高等缺点。

针对松材线虫病疫木的检测，如何在提高Yolo检测模型效率以及识别精度的同时，减少原始网络模型的参数量和存储容量，显得尤为关键。因此,需要提出一种高效的、低成本的、具备定位与计数功能的且专用于松材线虫病疫木的检测方法。

发明内容

为解决现有技术所存在的技术问题，本发明提供一种基于改进Yolo v3网络模型的松材线虫病疫木检测方法，提出的算法模型与原始模型相比，能大幅地减少原始模型的参数量，进一步地降低存储成本，而松材线虫病疫木的检测精度却能得到较大地提高；能很好地减少当前人力实地监测中潜在的安全风险因素，解决传统计算机视觉技术的检测精度较低以及各类监测成本需要大量投入的问题，本发明提出的定位与计数功能的实现也将对实际场景中松材线虫病疫木的除治提供一种新的应用思路。

本发明采用以下技术方案来实现：一种基于改进Yolo v3网络模型的松材线虫病疫木检测方法，包括以下步骤：

S1、通过使用高分辨率无人机对包含松材线虫病疫木的片区进行图片采集，并制作正射影像图，经图像预处理后，对图像中的松材线虫病疫木进行标注，将其作为训练Yolov3网络模型的原始数据集；

S2、针对松材线虫病疫木的表现特征对原始Yolo v3网络模型的主干特征提取网络及预测分支部分模块进行优化，得到改进后的Yolo v3网络模型；

S3、利用步骤S1中经预处理和标注后得到的训练数据集对改进后的Yolo v3网路模型进行训练，并根据设置对照实验及验证结果进一步对模型进行调整，获取检测松材线虫病疫木的最优网络模型；

S4、利用步骤S3中得到的最优Yolo v3网络模型对松材线虫病疫木图像进行检测；

S5、将步骤S4中检测到的松材线虫病疫木的图像与完整正射影像图进行对照，根据投影坐标与地理坐标的转换关系换算得到疫木真实的地理位置坐标，并统计所有图像中检测到的目标框树木，获取该区域中松材线虫病疫木的具体数量。

本发明与现有技术相比，具有如下优点和有益效果：

1、本发明结合无人机与深度学习算法的方法对林间松材线虫病疫木进行智能化的监测，通过地理信息技术的进一步使用，能帮助林业工作者准确地前往疫木所处位置并给予除治，有效地抑制松材线虫病的进一步蔓延，能很好地减少当前人力实地监测中潜在的安全风险因素，解决传统计算机视觉技术的检测精度较低以及各类监测成本需要大量投入的问题，具有很高的实际应用价值。

2、本发明将Yolo v3网络模型中的主干特征提取网络使用改进后的Efficient-B1网络进行替换，将原本使用的Swish激活函数替换为性能表现更好的Mish激活函数，并在此基础上使用ECA注意力机制模块，在大幅度降低参数量的同时又保持了相当的性能，避免了降维，能更有效地捕获到跨通道交互的信息。

3、本发明在Yolo v3网络模型中预测网络的第一分支前使用PPM模块，使得网络扩大感受野，增强特征表征能力，达到了融合不同区域的上下文信息从而获取得到全局上下文信息的目的。

4、本发明根据检测到的松材线虫病疫木进行地理信息技术的处理，从而获得松材线虫病疫木的具体地理位置信息；通过对疫木的计数也能让林业工作者对片区松材线虫病感染危害程度进行分级，以便开展下一步的疫木除治作业。

附图说明

图1是本发明的方法流程图；

图2是本发明提供的基于改进Yolo v3的松材线虫病疫木检测模型结构图；

图3是本发明提出的改进了Mish激活函数与ECA注意力机制的MBConv模块结构图；

图4是本发明中使用不同模块的结果对比示意图；

图5是本发明中不同模型间检测精度、FLOPs值、参数量的三维坐标对比示意图；

图6是本发明中基于不同模型间的松材线虫病疫木检测结果对比示意图；

图7是本发明提供的结合地理信息技术的松材线虫病定位、计数实现流程图。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

实施例

如图1、图2、图3所示，本实施例一种基于改进Yolo v3网络模型的松材线虫病疫木检测方法，包括以下步骤：

S1、通过使用高分辨率无人机对包含松材线虫病疫木的片区进行图片采集，并制作正射影像图，经图像预处理后，对图像中的松材线虫病疫木进行标注，将其作为训练Yolov3网络模型的原始数据集；

S2、针对松材线虫病疫木的表现特征对原始Yolo v3网络模型的主干特征提取网络及预测分支部分模块进行优化，得到改进后的Yolo v3网络模型；

S3、利用步骤S1中经预处理和标注后得到的训练数据集对改进后的Yolo v3网络模型进行训练，并根据设置对照实验及验证结果进一步对模型进行调整，获取检测松材线虫病疫木的最优网络模型；

S4、利用步骤S3中得到的最优Yolo v3网络模型对松材线虫病疫木图像进行检测；

S5、将步骤S4中检测到的松材线虫病疫木的图像与完整正射影像图进行对照，根据投影坐标与地理坐标的转换关系换算得到疫木真实的地理位置坐标，并统计所有图像中检测到的目标框树木，获取该区域中松材线虫病疫木的具体数量。

具体地，本实施例中，使用一台抗风性能、自动避障、拍摄图片质量都拥有良好表现的搭载可见光相机的航拍无人机对已知的松材线虫病疫区进行高空拍摄。控制无人机的飞行高度为400米，航向重叠率为75％，旁向重叠率为65％，采用垂直拍摄的方式，控制无人机按照规划路线往复飞行。

具体地，本实施例中，步骤S1中图像预处理具体包括以下操作：

S11、由于遥感图像尺寸过大，不利于放入网络模型中进行训练，使用滑动窗口法按横向、纵向均为250个像素点依次滑动，对片区正射影像图进行分割处理；人为控制分割生成的图像尺寸为768x768x3，在利于网络进行训练的同时尽可能地保持图像所包含的特征信息，将经滑动窗口法处理后的每一次滑动结果都保存下来，最终通过筛选获得2070张包含松材线虫病疫木的分割图像；

S12、获取了分割图像后，由于航拍过程中天气因素等不可抗力的干扰，图像存在清晰度模糊等问题，使用结合物理模型的图像处理算法对分割图像进行处理；根据遥感图像的特点，由于大气散射物理模型包含直接衰减项和大气光照两部分，故采用暗通道去雾算法对图像进行处理，减少因自然环境而导致的图像清晰度的问题，而对松材线虫病疫木的检测产生干扰；

S13、根据松材线虫病疫木不同感染情况的特征对图像进行感染程度等级的划分及标注；根据松树感染松材线虫病后表现的不同颜色特征，将松材线虫病疫木划分为三种染病等级，分别为染病前期松树、染病后期松树以及枯死松树，根据这三种染病等级使用目标分类标注工具对图像中包含的松材线虫病疫木进行标注，添加不同染病等级的松材线虫病疫木对应标签，利于后续对检测到的松材线虫病疫木进行治疗、砍伐等处理；

S14、对处理后的图像进行数据增强操作，包括对图像进行水平翻转或垂直翻转、大小缩放、高斯模糊等处理，并将处理后的结果划分训练集、验证集和测试集；根据标注结果，控制每一类感染的疫木数目比例大致为1：1：1，使用水平翻转或垂直翻转、大小缩放至70％到100％之间、高斯模糊处理、将图像像素值同时乘上1.2到1.5 之间的数值，通过对标注标签进行统计，最终处理得到2965个染病前期松树样本、2548 个染病后期松树样本以及2604个枯死松树样本，按照7：2：1的比例划分训练集、验证集和测试集。

具体地，本实施例中，步骤S13中使用LabelImg可视化图像标注软件对原始分割图像进行标注，标注完毕后的每张图片与包含标注信息的文本文件内容一一对应，其中包含标注框的坐标、标注类别、图像名称等信息，组成完整的训练Yolo v3网络模型的原始数据集。

具体地，本实施例中，步骤S2的具体过程包括：

S21、使用K-means++聚类算法对松材线虫病疫木进行锚框尺寸的聚类，得到锚框最佳的尺寸；原始Yolo v3网络模型使用的K-means聚类算法随机选取数据集中k个点获取聚类中心；而K-means++聚类算法则是根据以下思想获取k个聚类中心：假设已经选取了n个初始聚类中心，0<n<k，则在选取第n+1个聚类中心时，距离当前n 个聚类中心越远的点会有更高的概率被选为第n+1个聚类中心，最终由此确定全部的聚类中心，也就是获取得到的所有锚框的最佳尺寸，分别为：(26，29)，(38，37)， (46，50)，(58，57)，(59，38)，(67，73)，(76，59)，(88，81)，(123，83)；

S22、采用更为高效的Efficient-B1网络作为Yolo v3网络模型新的主干特征提取网络，并对Efficient-B1网络中的激活函数进行优化，将原本使用的Swish激活函数替换为性能表现更好的Mish激活函数，其中，Mish激活函数的公式为：

Mish＝x·tanh(ln(1+e^x))

式中，Mish激活函数能对原始网络中的Swish激活函数所带来的梯度消失问题进行解决，Mish激活函数可以有效地提高网络模型不同的表达能力，对网络的训练和性能有着显著的影响；

本实施例中，将Efficient-B1中的注意力机制进行改进，使用ECA模块替换掉原本的SE模块；ECA模块嵌入到残差块主干分支并经过不降低维度的全局平均池化后，利用一维稀疏卷积操作来捕获当前通道与其另外的5个领域通道信息的交互，能在大幅度降低参数量的同时保持相当的性能，避免了降维，能更有效地捕获到跨通道交互的信息。

本实施例中，采用的Efficient-B1网络使用了Mobilenet v2中的MBConv块作为模型的主干网络，先将输入的低维特征图扩增成高维特征图，然后用深度可分离卷积做卷积运算，最后再使用一个线性的卷积将其映射到低维空间中，这样的做法能更好地获取残差连接所带来的效能提升，保留更多的特征信息，也保证了模型的表达能力；

S23、在预测网络的第一分支前使用PPM模块；在预测网络的第一分支前，首先将主干特征提取网络提取到的特征图进行池化操作，然后对将池化后的结果进行1x1 卷积，将通道数缩少到原来的1/4，接着对上一步的每一个特征图利用双线性插值上采样得到原特征图相同的尺寸，随后将原特征图和处理后的图像进行拼接，再将通道数缩小为原来的数量，达到扩大感受野、融合不同区域的上下文信息从而获取得到全局上下文信息的目的。

具体地，本实施例中，步骤S3包括以下步骤：

S31、加载Efficient-B1预训练权重，通过对部分数据集的训练，将获取到的参数权重作为改进模型的初始权重，并用于后续对模型进一步的训练权重；使用基于迁移学习的思想，将Efficient-B1的预训练权重加载到改进网络中，使得模型参数得到一个效果较好的初始值，避免网络的损失值产生较大的浮动变化，影响检测效能，并进一步达到提高网络收敛速度的目的；

S32、将经过一系列图像数据处理后的松材线虫病疫木数据集放入改进后的Yolov3网络模型中进行多轮的训练，得到充分训练后的最优参数权重；

主要的实验平台包括：WIN10操作系统，Pytorch深度学习框架，CPU为Intel XeonE5-2620 v3，GPU为NVIDIA GTX 1080，使用CUDA v10.1加速网络训练，OpenCV 版本号为v4.5.4；将输入图像尺寸调整为416x416x3，训练的Epoch设置为300，Batch Size设置为8，初始学习率设置为0.01，动量设置为0.94，权重衰减设置为0.0005，控制训练集、验证集和测试集的样本数量比例为7：2：1，将经过滑动窗口法、暗通道去雾法、图像标注以及数据增强等图像数据处理后的松材线虫病疫木数据集输入改进模型进行多轮的训练；

S33、根据训练过程中的训练损失值、验证损失值等评价指标的判断，及时的对改进后的Yolo v3网络模型中的参数进行微调，防止过拟合等情况的出现；其中，初始权重会随着训练的开展而不断进行调整，会随着对输入图像包含的特征信息不断拟合而得到适用于松材线虫病疫木特征并符合改进网络的权重参数，并从中选取一组误差最小、效果最好的权重参数，用作后续模型的检测输入；

S34、根据模型参数反馈情况，选取性能表现最佳的一组权重参数作为输入，通过对比模块间的使用情况以及不同网络模型的综合表现，获取松材线虫病疫木最优Yolo v3网络模型检测模型。

在本实施例中，对比模块间的使用情况，模块使用对照方案具体包括：原始Yolov3网络模型、仅将主干特征提取网络替换为Efficient-B1网络的Yolo v3网络模型、将主干特征提取网络替换为改进激活函数和注意力机制的Efficient-B1网络的Yolo v3网络模型、本实施例提出的完整改进的Yolo v3网络模型，即将模块使用后对模型效能的提升进行对照，确定模块的实际正向作用；对比不同网络模型的综合表现，具体包括以下不同的网络模型间的对比：Fatser-ECNN模型、SSD模型、原始Yolo v4模型、 Yolo v4(以MobileNet v2作为主干网络)模型、Yolo v4(以GhostNet作为主干网络) 模型等；不同网络模型的综合表现具体包括对松材线虫病疫木检测的识别精度、模型权重大小、参数量以及FLOPs值等性能表现参数进行对比分析。

本实施例中，模块间的使用情况对比如图4所示，仅将主干特征提取网络替换为Efficient-B1网络的Yolo v3网络模型(Effi_1)和将主干特征提取网络替换为改进激活函数和注意力机制的Efficient-B1网络的Yolo v3网络模型(Effi_2)的loss曲线变化幅度相近，在第80个epoch时趋向于收敛，但Effi_2在收敛时的loss值比Effi_1的小；原始Yolo v3网络模型拟合速度较慢，在第80个epoch时趋向收敛；本实施例提出的完整改进的Yolo v3网络模型(Effi_YOLO v3)从一开始迭代时loss曲线就一直处在其他的loss曲线的下方，且大概在第60个epoch就趋向收敛，收敛速度最快且loss值也在其余三种中最小，说明该模型计算速率高，能更快速且更准确的得到预测结果。

本实施例中，不同网络模型的综合表现对比如图5所示，Faster RCNN和SSD模型相较于其他的模型，参数量较大，而且检测精度较低，FLOPs值也很大，不具备任何的运算性价比；原始Yolo v4模型和基于改进主干网络的YOLO v4模型，则具有不错的检测性能，但参数量较大，并非最优；而以EfficientNet-B4作为backbone的Yolo v3网络模型，在所有检测模型中拥有较高的检测精度，但是其参数量较大，表现并不出色；本实施例提出的改进Yolov3网络模型，平均精度最高，参数量最少，FLOPs 值也最小，具备最佳性能。

如图6所示，将本实施例提出的检测方法与其他算法的检测结果进行比较，可知本本实施例提出的算法拥有更佳的检测效果，通过使用改进的Efficient-B1主干特征提取网络，使Yolo v3网络模型对松材线虫病疫木特征提取的能力得到了进一步的提高，而针对病木的尺寸在预测网络的第一分支前使用PPM模块获取上下文信息，也能让密集病木、小面积病木和较为分散的病木较为准确地检测出来，也降低了重复检测出现的概率，进一步提高了松材线虫病疫木的检测效率和识别精度。

如图7所示，本实施例中，步骤S5的具体过程如下：

S51、使用改进的检测模型对输入的分割图像进行检测；

S52、使用非极大值抑制算法解决因滑动窗口分割法而产生的目标被不规则分割以及目标被重复检测的问题，记录每个目标框在其对应的分割图像上的左上角和右下角的坐标；

S53、将分割图像按照分割的规则进行重新拼接，按照步长、分割图像排列顺序等的关系，换算得到每个目标框在拼接后产生的完整正射图像中的左上角和右下角坐标，由此得到每个检测到的目标框中心点的坐标，即得到每棵松材线虫病疫木所处的坐标信息，结合正射影像图包含地理位置信息的特点，得到每个目标点的地理位置信息，即得到每棵松材线虫病疫木所处的地理位置信息；

S54、通过对最终检测到的目标框的数目进行统计，获取到研究区域中所含松材线虫病疫木的具体数量。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (6)

1.一种基于改进Yolo v3网络模型的松材线虫病疫木检测方法，其特征在于，包括以下步骤：

S1、通过使用高分辨率无人机对包含松材线虫病疫木的片区进行图片采集，并制作正射影像图，经图像预处理后，对图像中的松材线虫病疫木进行标注，将其作为训练Yolo v3网络模型的原始数据集；

S2、针对松材线虫病疫木的表现特征对原始Yolo v3网络模型的主干特征提取网络及预测分支部分模块进行优化，得到改进后的Yolo v3网络模型；

S3、利用步骤S1中经预处理和标注后得到的训练数据集对改进后的Yolo v3网路模型进行训练，并根据设置对照实验及验证结果进一步对模型进行调整，获取检测松材线虫病疫木的最优网络模型；

S4、利用步骤S3中得到的最优Yolo v3网络模型对松材线虫病疫木图像进行检测；

S5、将步骤S4中检测到的松材线虫病疫木的图像与完整正射影像图进行对照，根据投影坐标与地理坐标的转换关系换算得到疫木真实的地理位置坐标，并统计所有图像中检测到的目标框树木，获取该区域中松材线虫病疫木的具体数量。

2.根据权利要求1所述的一种基于改进Yolo v3网络模型的松材线虫病疫木检测方法，其特征在于，步骤S1中图像预处理具体包括以下操作：

S11、使用滑动窗口法按横向、纵向均为若干个像素点依次滑动，对片区正射影像图进行分割处理；

S12、获取了分割图像后，使用结合物理模型的图像处理算法对分割图像进行处理；

S13、根据松材线虫病疫木不同感染情况的特征对图像进行感染程度等级的划分及标注；根据松树感染松材线虫病后表现的不同颜色特征，将松材线虫病疫木划分为三种染病等级，分别为染病前期松树、染病后期松树以及枯死松树，根据这三种染病等级使用目标分类标注工具对图像中包含的松材线虫病疫木进行标注，添加不同染病等级的松材线虫病疫木对应标签；

S14、对处理后的图像进行数据增强操作，包括对图像进行水平翻转或垂直翻转、大小缩放、高斯模糊处理，并将处理后的结果划分训练集、验证集和测试集。

3.根据权利要求2所述的一种基于改进Yolo v3网络模型的松材线虫病疫木检测方法，其特征在于，步骤S13中使用LabelImg可视化图像标注软件对原始分割图像进行标注，标注完毕后的每张图片与包含标注信息的文本文件内容一一对应，其中包含标注框的坐标、标注类别、图像名称信息，组成完整的训练Yolo v3网络模型的原始数据集。

4.根据权利要求1所述的一种基于改进Yolo v3网络模型的松材线虫病疫木检测方法，其特征在于，步骤S2的具体过程包括：

S21、使用K-means++聚类算法对松材线虫病疫木进行锚框尺寸的聚类，得到锚框最佳的尺寸；

S22、采用Efficient-B1网络作为Yolo v3网络模型新的主干特征提取网络，并对Efficient-B1网络中的激活函数进行优化，将原本使用的Swish激活函数替换为Mish激活函数，其中，Mish激活函数的公式为：

Mish＝x·tanh(ln(1+e^x))

将Efficient-B1中的注意力机制进行改进，使用ECA模块替换掉原本的SE模块；ECA模块嵌入到残差块主干分支并经过不降低维度的全局平均池化后，利用一维稀疏卷积操作捕获当前通道与其另外的领域通道信息进行交互；

采用的Efficient-B1网络使用了Mobilenet v2中的MBConv块作为模型的主干网络，先将输入的低维特征图扩增成高维特征图，然后用深度可分离卷积做卷积运算，再使用一个线性的卷积将其映射到低维空间中；

S23、在预测网络的第一分支前使用PPM模块；在预测网络的第一分支前，首先将主干特征提取网络提取到的特征图进行池化操作，然后对将池化后的结果进行1x1卷积，将通道数缩少到原来的1/4，接着对上一步的每一个特征图利用双线性插值上采样得到原特征图相同的尺寸，随后将原特征图和处理后的图像进行拼接，再将通道数缩小为原来的数量，获取得到全局上下文信息。

5.根据权利要求1所述的一种基于改进Yolo v3网络模型的松材线虫病疫木检测方法，其特征在于，步骤S3包括以下步骤：

S31、加载Efficient-B1预训练权重，通过对部分数据集的训练，将获取到的参数权重作为改进模型的初始权重，并用于后续对模型进一步的训练权重；

S32、将经过一系列图像数据处理后的松材线虫病疫木数据集放入改进后的Yolo v3网路模型中进行多轮的训练，得到充分训练后的最优参数权重；

S33、根据训练过程中的训练损失值、验证损失值评价指标的判断，及时对改进后的Yolo v3网络模型中的参数进行微调，并从中选取一组误差最小、效果最好的权重参数，用作后续模型的检测输入；

S34、根据模型参数反馈情况，选取性能表现最佳的一组权重参数作为输入，通过对比模块间的使用情况以及不同网络模型的综合表现，获取松材线虫病疫木最优Yolo v3网络模型检测模型。

6.根据权利要求1所述的一种基于改进Yolo v3网络模型的松材线虫病疫木检测方法，其特征在于，步骤S5的具体过程如下：

S51、使用改进的检测模型对输入的分割图像进行检测；

S52、使用非极大值抑制算法，记录每个目标框在其对应的分割图像上的左上角和右下角的坐标；

S53、将分割图像按照分割的规则进行重新拼接，按照步长、分割图像排列顺序的关系，换算得到每个目标框在拼接后产生的完整正射图像中的左上角和右下角坐标，得到每个检测到的目标框中心点的坐标，得到每棵松材线虫病疫木所处的坐标信息，结合正射影像图包含地理位置信息的特点，得到每个目标点的地理位置信息，得到每棵松材线虫病疫木所处的地理位置信息；

S54、通过对最终检测到的目标框的数目进行统计，获取到研究区域中所含松材线虫病疫木的具体数量。

Images