Detection of Pine Processionary Moth (Thaumetopoea wilkinsoni) Nests Using Deep Learning

Year 2025, Volume: 8 Issue: 5, 15 - 16

Fatih Gençtürk , Cemal Isilak , İsmail Serkan Üncü

Abstract

The pine processionary moth, widely found in Southern and Central Europe, North Africa, and the Middle East, causes significant economic and ecological losses in forests. This pest feeds on the needles of pine species, posing a greater threat than forest fires in Turkey, where a large portion of the timber resource is made up of pine trees. This study aims to detect nests of the pine processionary moth residing on trees. A custom dataset was created using aerial images of infested pine trees. A deep learning model was trained using this dataset to facilitate nest detection. Using the YOLOv7 network, training and testing were performed on two datasets of different sizes. The analysis revealed that the dataset with a larger number of images yielded better performance in detecting pine processionary moth nests. The detection success of the model for nests was measured as 92.5% based on the mAP@0.5 metric. The findings of this study demonstrate the effectiveness of the proposed method for accurate and high-resolution detection of pine processionary moth nests in forestry applications. Moreover, these findings highlight the method’s potential to support pest density monitoring and the identification of intervention priority areas. Future research should investigate the applicability of the proposed approach to other pest species and explore its integration into real-time monitoring and pest management systems for large-scale operations.

Keywords

Pine Processionary Moth, Deep Learning, YOLOv7, Artificial Intelligence, Forest Pests

Detection of Pine Processionary Moth (Thaumetopoea wilkinsoni) Nests Using Deep Learning

Abstract

Güney ve Orta Avrupa, Kuzey Afrika ve Orta Doğu’da yaygın olarak görülen çam kese böceği, ormanlarda ekonomik ve ekolojik kayıplara neden olmaktadır. Çam türlerinin ibrelerini yiyerek beslenen çam kese böceği, orman varlığının büyük kısmı çam türlerinden oluşan Türkiye için de orman yangınlarından daha büyük tehdit oluşturmaktadır. Bu çalışmada, ağaçlar üzerinde yer alan çam kese böceği yuvalarının tespit edilmesi amaçlanmıştır. Çam kese böceği istilasına uğramış ağaçlara ait hava görüntüleri elde edilerek özel bir veri seti oluşturulmuştur. Oluşturulan veri seti eğitilerek keselerin tespit edilmesi sağlanmıştır. Görüntüler üzerindeki keseleri tespit etmek için derin öğrenme tekniğinden faydalanılmıştır. YOLOv7 ağı kullanılarak, eğitim ve test işlemleri iki farklı boyuttaki veri seti için gerçekleştirilmiştir. Görüntü sayısının daha fazla olduğu veri seti kullanılarak gerçekleştirilen analizlerin çam kese böceği keselerini tespit etme performansının daha iyi olduğu tespit edilmiştir. Keselerin tespitine yönelik modelin başarımı, mAP@0.5 metriğinde %92.5 olarak hesaplanmıştır. Bu çalışmanın bulguları, önerilen yöntemin ormanlık alanlardaki çam kese böceği yuvalarının doğru ve yüksek çözünürlüklü tespiti konusunda etkinliğini ortaya koymaktadır. Ayrıca, elde edilen sonuçlar yöntemin, zararlı yoğunluğunun izlenmesi ve müdahale öncelik alanlarının belirlenmesi gibi ormancılık uygulamalarında potansiyel taşıdığını göstermektedir. Gelecek çalışmalarda, yöntemin farklı zararlı türlerine uygulanabilirliğinin araştırılması ve gerçek zamanlı izleme ve mücadele sistemlerine entegrasyonunun sağlanması önerilmektedir.

Keywords

Çam Kese Böceği, Derin Öğrenme, YOLOv7, Yapay Zeka, Orman Zararlıları

References

• Akıncı Ş, Göktoğan AH. 2022. An Eco-Friendly Fight Against Thaumetopoea Pityocampa Infestations in Pine Forests Using Deep Learning on UAV Imagery. IEEE, In 2022 Innovations in Intelligent Systems and Applications Conference (ASYU), pp: 1-6.
• Ali ML, Zhang Z. 2024. The YOLO framework: A comprehensive review of evolution, applications, and benchmarks in object detection. Computers, 13: 336.