無(wú)人機(jī)+ AI 圖像分析：里斯本大學(xué)高效檢測(cè)林業(yè)害蟲(chóng)

當(dāng)下，森林資源減少和環(huán)境惡化愈加嚴(yán)重，森林害蟲(chóng)已然成為全球森林保護(hù)的重要挑戰(zhàn)之一。其中，松異舟蛾 (Thaumetopoea pityocampa) 這類(lèi)具有破壞力的害蟲(chóng)引起了廣泛重視。松異舟蛾主要分布在歐洲南部、地中海和北非地區(qū)，其幼蟲(chóng)會(huì)在松樹(shù)的樹(shù)干和枝條上鉆洞啃食，破壞松樹(shù)的生長(zhǎng)和發(fā)育。
為了早期檢測(cè)和防控松異舟蛾，里斯本大學(xué) (University of Lisbon) 研究人員比較了兩種深度學(xué)習(xí)算法，以解決無(wú)人機(jī)圖像中的巢穴識(shí)別難題。目前該研究已發(fā)布在《NeoBiota》期刊，標(biāo)題為「Testing early detection of pine processionary moth Thaumetopoea pityocampa nests using UAV-based methods」。
該研究成果已發(fā)表在《NeoBiota》上

論文地址：https://neobiota.pensoft.net/article/95692/
實(shí)驗(yàn)概述
過(guò)往，科研人員通常借助遙感技術(shù)（衛(wèi)星等）和多光譜相機(jī)結(jié)合，得到一定區(qū)域內(nèi)的森林覆蓋圖像，并從樹(shù)冠顏色、死樹(shù)位置等信息判斷整體蟲(chóng)害情況。然而，由于圖像分辨率很低，無(wú)法檢測(cè)到單個(gè)樹(shù)木蟲(chóng)害情況。因此，本實(shí)驗(yàn)中研究人員提出了由無(wú)人機(jī)采集圖像的方式。這樣，無(wú)人機(jī)能夠接近單個(gè)樹(shù)木并對(duì)它們進(jìn)行更細(xì)致的掃描和采集。
研究人員在無(wú)人機(jī)獲取的圖像上，測(cè)試了兩種深度學(xué)習(xí)方法——Faster R-CNN (FRNN) 及 YOLO 來(lái)檢測(cè)早期松異舟蛾巢穴（以下簡(jiǎn)稱巢穴），具體實(shí)驗(yàn)過(guò)程如下：
研究選址 
研究人員在法國(guó)、意大利和葡萄牙各選擇了 1 個(gè)研究地點(diǎn)。如圖 1 所示，這 3 個(gè)地點(diǎn)之間樹(shù)齡、密度等特征均不相同。
圖 1：研究地點(diǎn)情況
a：葡萄牙松樹(shù)林
b：法國(guó)松樹(shù)林
c：意大利黑松林
在 3 個(gè)地點(diǎn)中，研究人員都采用了地面計(jì)數(shù) (2 名觀察員分別目測(cè)樹(shù)木兩側(cè)) 來(lái)檢測(cè)巢穴數(shù)量，除此之外，圖 1b 所示的法國(guó)松樹(shù)林中，研究人員還站在一個(gè)位于樹(shù)冠上方 2 米的移動(dòng)平臺(tái)上，來(lái)檢測(cè)巢穴數(shù)量。
數(shù)據(jù)集 
研究人員使用了無(wú)人機(jī)加高清攝像頭的方式采集了 3 個(gè)樣地的圖像，其中高清 (HD) 攝像機(jī) (RGB HD SONY Alpha 7R) 最佳應(yīng)用性能方案確定為：采用具有 35mm 焦距和至少 36 Mpix 分辨率的 RGB HD 傳感器，而無(wú)人機(jī)則選擇了 DJI Matrice 300 多旋翼無(wú)人機(jī)平臺(tái)，并制定了 80% 的航跡內(nèi)部和橫跨航跡的重疊度。
最終，研究人員得到了無(wú)人機(jī)收集的 22,904 張圖像作為數(shù)據(jù)集，并通過(guò)數(shù)據(jù)增強(qiáng)技術(shù)，如改變亮度、色調(diào)、噪聲及圖像壓縮等操作無(wú)人機(jī)圖像，生成新的數(shù)據(jù)集，使模型更好地學(xué)習(xí)和泛化。其中，該數(shù)據(jù)集的 80% 用于模型訓(xùn)練，20% 用于測(cè)試。
 實(shí)驗(yàn)過(guò)程
無(wú)人機(jī)模型 
考慮到一些巢穴只能從側(cè)面看到，研究人員用模型檢測(cè)主要針對(duì)的是單張無(wú)人機(jī)正射圖像而非全局正射圖像，因?yàn)槿謭D像是垂直視角，容易造成遺漏。無(wú)人機(jī)正射圖像是指通過(guò)對(duì)無(wú)人機(jī)采集的圖像進(jìn)行處理，使其在地圖上的位置和比例與現(xiàn)實(shí)世界中的位置和比例一致。
研究團(tuán)隊(duì)訓(xùn)練了基于 FRCNN 和 YOLO 的兩種深度學(xué)習(xí)模型，同時(shí)為了評(píng)估模型檢測(cè)無(wú)人機(jī)圖像的結(jié)果，還配備 1 名觀測(cè)員對(duì)每張圖像上的巢穴數(shù)量進(jìn)行了視覺(jué)評(píng)估。
研究人員使用了 F1 得分具體衡量模型與人眼檢測(cè) (human eye) 在無(wú)人機(jī)、地面圖像上的性能。其中 F1 得分計(jì)算公式如下圖：
圖 2：F1 計(jì)算公式
F1 得分是精確率和召回率的調(diào)和平均值，可用來(lái)評(píng)估模型的準(zhǔn)確性和完整性。其取值范圍為 0 到 1，越接近 1 表示模型的性能越好。
實(shí)驗(yàn)結(jié)果 
研究人員將 FRCNN 及 YOLO 模型與人眼檢測(cè)進(jìn)行了比較，測(cè)試了模型在檢測(cè)樹(shù)上有無(wú)巢穴存在 (% infested trees) 和巢穴數(shù)量 (No. PPM nests) 的性能。
表 1：不同方式檢測(cè)松異舟蛾巢穴情況
如表 1 所示，通過(guò)地面計(jì)數(shù)，人眼對(duì)整個(gè)研究范圍內(nèi)樹(shù)木一共目測(cè)到 665 個(gè)巢穴；而通過(guò)目測(cè)無(wú)人機(jī)圖像，則檢測(cè)到 222 個(gè)巢穴。研究人員認(rèn)為造成二者差異的原因是地面目測(cè)具有多維觀測(cè)角度，而無(wú)人機(jī)局限于從上方進(jìn)行拍攝。不過(guò)，無(wú)人機(jī)圖像具有其自身優(yōu)勢(shì)，因?yàn)榈孛嬖敿?xì)檢測(cè)需要耗費(fèi)較高成本，而無(wú)人機(jī)可以告知人們存在的風(fēng)險(xiǎn)并進(jìn)一步采取行動(dòng)進(jìn)行詳細(xì)的地面檢測(cè)。
下圖是兩種模型在 3 個(gè)樣地?zé)o人機(jī)圖像上的巢穴存在檢測(cè)和每棵樹(shù)上巢穴數(shù)量檢測(cè)的 F1 得分。
圖 3：兩種模型對(duì)無(wú)人機(jī)圖像檢測(cè) F1 得分
a：檢測(cè)無(wú)人機(jī)圖像上的巢穴存在
b：檢測(cè)每棵樹(shù)上巢穴數(shù)量
如圖 3 所示，檢測(cè)無(wú)人機(jī)圖像上的巢穴，YOLO 模型 F1 得分高達(dá) 0.826，檢測(cè)每棵樹(shù)上巢穴數(shù)量，YOLO 模型 F1 得分高達(dá) 0.696。同時(shí)，研究人員發(fā)現(xiàn) YOLO 模型的檢測(cè)性能高于 FRCNN。下圖是在不同研究地點(diǎn)（不同松樹(shù)品種），兩種模型在檢測(cè)無(wú)人機(jī)圖像時(shí)的 F1 得分。
圖 4：不同研究地點(diǎn)，兩種模型 F1 得分
a: 檢測(cè)無(wú)人機(jī)圖像上的巢穴存在b: 檢測(cè)每棵樹(shù)上巢穴數(shù)量
如圖 4 所示，在 3 個(gè)樣地，無(wú)論是檢測(cè)巢穴存在還是檢測(cè)每棵樹(shù)上巢穴的數(shù)量，YOLO 模型 F1 得分均優(yōu)于 FRCNN 模型。
綜上，研究人員提出，無(wú)人機(jī)和 AI 模型相結(jié)合能夠有效地對(duì)松異舟蛾巢穴進(jìn)行早期檢測(cè)。其中，無(wú)人機(jī)有如下優(yōu)點(diǎn)：

• 高效性：無(wú)人機(jī)可以快速地覆蓋大面積的地區(qū)，收集大量的數(shù)據(jù)。
• 高精度：無(wú)人機(jī)搭載的高分辨率相機(jī)可以捕捉到非常精細(xì)的圖像和視頻，從而使無(wú)人機(jī)可以提供高精度的數(shù)據(jù)。

報(bào)告地址：

https://bit.ly/3oJgDWf