大尺寸无人机影像黄兔尾鼠洞穴识别方法

doi:10.13474/j.cnki.11-2246.2026.0916

测绘通报 ›› 2026, Vol. 0 ›› Issue (9): 108-114.doi: 10.13474/j.cnki.11-2246.2026.0916

大尺寸无人机影像黄兔尾鼠洞穴识别方法

黄铭琴¹, 安佳乐¹, 郑江华¹, 尼格拉·吐尔逊¹, 刘丽¹, 王南¹, 林峻², 刘宣¹, 徐亚鹏¹, 李璇²

1. 新疆大学地理与遥感科学学院, 新疆乌鲁木齐 830046;
2. 新疆维吾尔自治区草原生物灾害防治中心, 新疆乌鲁木齐 830001

收稿日期:2025-12-10 发布日期:2026-10-09
通讯作者: 郑江华。E-mail:zheng.jianghua@xju.edu.cn
作者简介:黄铭琴(2000—)，女，硕士，主要研究方向为无人机遥感。E-mail:740175476@qq.com
基金资助:
鼠害遥感专项调查(202434140008)；新疆伊犁州直草原生物灾害遥感监测技术应用(202434140015)

An identification method for Eolagurus luteus burrows in large-scale UAV images

Huang Mingqin¹, An Jiale¹, Zheng Jianghua¹, Tuerxun Nigela¹, Liu Li¹, Wang Nan¹, Lin Jun², Liu Xuan¹, Xu Yapeng¹, Li Xuan²

1. School of Geography and Remote Sensing Science, Xinjiang University, Urumqi 830046, China;
2. The Center for Grassland Biological Disaster Prevention and Control of Xinjiang, Urumqi 830001, China

Received:2025-12-10 Published:2026-10-09

摘要/Abstract

摘要： [目的]针对黄兔尾鼠洞穴因尺寸小、分布广导致人工检测效率低下的问题，本文旨在开发一种基于大尺寸无人机影像的自动化识别方法。[方法]提出一种端到端自动化检测框架，其核心为改进的YOLO-Burrow模型。该模型基于YOLO11n，通过轻量化策略、引入蒙特卡洛注意力机制(MCA)和采用Shape-IoU损失函数进行方法优化。[结果]在自建数据集上的试验表明，模型平均精度(AP)达87%，重组准确率(RA)为97%，模型大小仅0.89 MB，显著优于基准模型。[结论] 本文所提框架可实现大尺寸无人机影像中黄兔尾鼠洞穴的精准自动检测与密度统计，为草原鼠害防控提供可靠技术支撑。

关键词: 无人机, 鼠洞检测, 深度学习, YOLO11n

Abstract: [Purposes]To address the inefficiency of manual detection caused by the small size and wide distribution of Eolagurus luteus burrows,this study aims to develop an automated identification method based on large-scale UAV imagery.[Methods]An end-to-end automated detection framework was proposed,with its core being an improved YOLO-Burrow model.Based on YOLO11n，the model is optimized through a lightweight strategy,the introduction of the Monte Carlo attention (MCA)mechanism,and the adoption of the Shape-IoU loss function.[Findings]Experiments on a self-constructed dataset showed that the model achieved an average precision (AP) of 87%,a reorganized accuracy (RA)of 97%,with a compact model size of only 0.89 MB,significantly outperforming the baseline model.[Conclusions]The proposed framework enables accurate,automatic detection and density assessment of Eolagurus luteus burrows in large-scale UAV images,providing reliable technical support for grassland rodent pest monitoring and control．

Key words: UAV, rodent burrow detection, deep learning, YOLO11n

中图分类号:

P237

黄铭琴, 安佳乐, 郑江华, 尼格拉·吐尔逊, 刘丽, 王南, 林峻, 刘宣, 徐亚鹏, 李璇. 大尺寸无人机影像黄兔尾鼠洞穴识别方法[J]. 测绘通报, 2026, 0(9): 108-114.

Huang Mingqin, An Jiale, Zheng Jianghua, Tuerxun Nigela, Liu Li, Wang Nan, Lin Jun, Liu Xuan, Xu Yapeng, Li Xuan. An identification method for Eolagurus luteus burrows in large-scale UAV images[J]. Bulletin of Surveying and Mapping, 2026, 0(9): 108-114.

导出引用管理器 EndNote|Reference Manager|ProCite|BibTeX|RefWorks

链接本文: http://tb.chinasmp.com/CN/10.13474/j.cnki.11-2246.2026.0916

http://tb.chinasmp.com/CN/Y2026/V0/I9/108

参考文献

[1] 刘晓辉.中国鼠害防控需求的差异、矛盾、挑战与对策[J].植物保护学报, 2022, 49(1):407-414.
[2] 孙迪, 倪亦非, 陈吉军, 等.应用无人机(UAV)低空影像监测黄兔尾鼠鼠洞初探[J].中国植保导刊, 2019, 39(4):35-43.
[3] 温阿敏, 郑江华, 陈梦, 等.荒漠生态林区大沙鼠鼠洞密度的无人机遥感监测技术初探[J].林业科学, 2018, 54(4):186-192.
[4] 马涛, 郑江华, 温阿敏, 等.基于UAV低空遥感的荒漠林大沙鼠洞群覆盖率及分布特征研究:以新疆古尔班通古特沙漠南缘局部为例[J].生态学报, 2018, 38(3):953-963.
[5] 张岩, 罗小玲, 潘新.改进YOLOv5s的无人机鼠洞目标检测[J].山西农业大学学报(自然科学版), 2023, 43(4):96-106.
[6] 崔博超, 郑江华, 刘忠军, 等.无人机遥感影像的YOLOv3鼠洞识别技术[J].林业科学, 2020, 56(10):199-208.
[7] Du Mingzhu, Wang Dawei, Liu Shengping, et al.Rodent hole detection in a typical steppe ecosystem using UAS and deep learning[J].Frontiers in Plant Science, 2022, 13:992789.
[8] Ezzy H, Charter M, Bonfante A, et al.How the small object detection via machine learning and UAS-based remote-sensing imagery can support the achievement of SDG2:a case study of vole burrows[J].Remote Sensing, 2021, 13(16):3191.
[9] Khanam R, Hussain M.YOLOv11:an overview of the key architectural enhancements[EB/OL].[2025-09-15].https://arxiv.org/abs/2410.17725.
[10] Dai Wei, Liu Rui, Wu Zixuan, et al.Exploiting scale-variant attention for segmenting small medical objects[EB/OL].[2025-05-05].https://arxiv.org/abs/2407.07720.
[11] Zhang Hao, Zhang Shuaijie.Shape-IoU:more accurate metric considering bounding box shape and scale[EB/OL].[2025-05-06].https://arxiv.org/abs/2312.17663.
[12] Woo S, Park J, Lee J Y, et al.CBAM:convolutional block attention module[EB/OL].[2025-05-26].https://link.springer.com/10.1007/978-3-030-01234-2_1.
[13] Wang Q, Wu B, Zhu P, et al.ECA-Net:efficient channel attention for deep convolutional neural networks[C]//Proceedings of 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR).Seattle:IEEE，2020.
[14] Hou Q, Zhou D, Feng J.Coordinate attention for efficient mobile network design[C]//Proceedings of 2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR).Nashville:IEEE, 2021:13708-13717.
[15] Hu J, Shen L, Sun G.Squeeze-and-excitation networks[C]//Proceedings of 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition.Salt Lake City:IEEE, 2018.

大尺寸无人机影像黄兔尾鼠洞穴识别方法

An identification method for Eolagurus luteus burrows in large-scale UAV images

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	王轶虹, 魏勇, 王冬梅, 张鹏. MFG-SCDNet：多尺度感知与变化引导融合的水体语义变化检测网络[J]. 测绘通报, 2026, 0(9): 75-82.
[2]	钟文平, 张新长, 黄毓. 无人机视角下的YOLOv8和RepViT算法光伏设备分割[J]. 测绘通报, 2026, 0(9): 101-107.
[3]	汪一村, 薛可宠, 叶亮亮, 陈殿干, 余菲艳. 基于LiDAR-IMU-光流紧耦合的GNSS拒止隧道无人机定位方法[J]. 测绘通报, 2026, 0(8): 21-27.
[4]	韦朋成, 王秀龙, 王雨扬, 黄海峰, 郭若岚, 郭飞, 刘毅, 赵斌滨, 文清丰, 安杨, 郭威. 基于无人机LiDAR的淹没条件下输电线路杆塔倾斜检测[J]. 测绘通报, 2026, 0(8): 74-81.
[5]	张用川, 高洁, 张治清, 周正强, 王陆潇, 官冬杰. 多模态融合框架下的城市功能区识别[J]. 测绘通报, 2026, 0(8): 96-102.
[6]	龙飞, 王文辉, 石一凡, 林思群, 刘文壮, 邵林. 一种融合全局与局部语境信息的水体分割算法[J]. 测绘通报, 2026, 0(8): 130-136.
[7]	周洪, 张国和, 游思琪, 王冉, 丁鹏飞. 双主干深度学习网络支撑下的ZY1E影像耕地智能提取[J]. 测绘通报, 2026, 0(8): 137-144.
[8]	黄彬, 石国杰, 杜力, 王林柯, 韩沐阳, 彭鸿伟, 李克凡, 李佳玺, 王晋国, 侯兆阳. 基于YOLO11改进网络的探地雷达地下病害智能识别[J]. 测绘通报, 2026, 0(8): 154-160,173.
[9]	梁金豹, 陈济爱. 基于CityGaussianV2改进的滨海古村落大场景实景三维重建方法[J]. 测绘通报, 2026, 0(8): 174-179.
[10]	仇俊, 欧为林, 张云生, 李远志. 融合通道-空间注意力的FPN-YOLOv9模型在河道污染检测中的应用[J]. 测绘通报, 2026, 0(7): 142-148.
[11]	刘伟丽, 田志勇, 罗勇强. 基于深度学习的武汉市屋顶光伏地理潜力评估[J]. 测绘通报, 2026, 0(7): 167-172.
[12]	杜韵琦, 施泓羽, 张红娟, 李必军. RefDC:聚焦远距离深度特征细化的深度补全方法[J]. 测绘通报, 2026, 0(6): 67-73.
[13]	徐超. 基于质量图引导的深度学习相位解缠方法[J]. 测绘通报, 2026, 0(6): 92-97.
[14]	杨刚, 王淼, 陈思, 周佺, 李江川. 基于改进的YOLO11的天际线检测算法[J]. 测绘通报, 2026, 0(5): 12-16.
[15]	韩婷婷, 李晓强, 范宪创, 欧阳亚丽. 无人机倾斜摄影测量技术支持下的三维建模可行性研究[J]. 测绘通报, 2026, 0(5): 22-26,31.