無人機(jī)+ AI 圖像分析：里斯本大學(xué)高效檢測林業(yè)害蟲

當(dāng)下，森林資源減少和環(huán)境惡化愈加嚴(yán)重，森林害蟲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) 這類具有破壞力的害蟲引起了廣泛重視。松異舟蛾主要分布在歐洲南部、地中海和北非地區(qū)，其幼蟲會在松樹的樹干和枝條上鉆洞啃食，破壞松樹的生長和發(fā)育。
為了早期檢測和防控松異舟蛾，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，以解決無人機(jī)圖像中的巢穴識別難題。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/
實驗概述
過往，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，并從樹冠顏色、死樹位置等信息判斷整體蟲害情況。然而，由于圖像分辨率很低，無法檢測到單個樹木蟲害情況。因此，本實驗中研究人員提出了由無人機(jī)采集圖像的方式。這樣，無人機(jī)能夠接近單個樹木并對它們進(jìn)行更細(xì)致的掃描和采集。
研究人員在無人機(jī)獲取的圖像上，測試了兩種深度學(xué)習(xí)方法——Faster R-CNN (FRNN) 及 YOLO 來檢測早期松異舟蛾巢穴（以下簡稱巢穴），具體實驗過程如下：
研究選址 
研究人員在法國、意大利和葡萄牙各選擇了 1 個研究地點。如圖 1 所示，這 3 個地點之間樹齡、密度等特征均不相同。
圖 1：研究地點情況
a：葡萄牙松樹林
b：法國松樹林
c：意大利黑松林
在 3 個地點中，研究人員都采用了地面計數(shù) (2 名觀察員分別目測樹木兩側(cè)) 來檢測巢穴數(shù)量，除此之外，圖 1b 所示的法國松樹林中，研究人員還站在一個位于樹冠上方 2 米的移動平臺上，來檢測巢穴數(shù)量。
數(shù)據(jù)集 
研究人員使用了無人機(jī)加高清攝像頭的方式采集了 3 個樣地的圖像，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，而無人機(jī)則選擇了 DJI Matrice 300 多旋翼無人機(jī)平臺，并制定了 80% 的航跡內(nèi)部和橫跨航跡的重疊度。
最終，研究人員得到了無人機(jī)收集的 22,904 張圖像作為數(shù)據(jù)集，并通過數(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% 用于測試。
 實驗過程
無人機(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主要針對的是單張無人機(jī)正射圖像而非全局正射圖像，因為全局圖像是垂直視角，容易造成遺漏。無人機(jī)正射圖像是指通過對無人機(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)實世界中的位置和比例一致。
研究團(tuán)隊訓(xùn)練了基于 FRCNN 和 YOLO 的兩種深度學(xué)習(xí)模型，同時為了評估模型檢測無人機(jī)圖像的結(jié)果，還配備 1 名觀測員對每張圖像上的巢穴數(shù)量進(jìn)行了視覺評估。
研究人員使用了 F1 得分具體衡量模型與人眼檢測 (human eye) 在無人機(jī)、地面圖像上的性能。其中 F1 得分計算公式如下圖：
圖 2：F1 計算公式
F1 得分是精確率和召回率的調(diào)和平均值，可用來評估模型的準(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。
實驗結(jié)果 
研究人員將 FRCNN 及 YOLO 模型與人眼檢測進(jìn)行了比較，測試了模型在檢測樹上有無巢穴存在 (% infested trees) 和巢穴數(shù)量 (No. PPM nests) 的性能。
表 1：不同方式檢測松異舟蛾巢穴情況
如表 1 所示，通過地面計數(shù)，人眼對整個研究范圍內(nèi)樹木一共目測到 665 個巢穴；而通過目測無人機(jī)圖像，則檢測到 222 個巢穴。研究人員認(rèn)為造成二者差異的原因是地面目測具有多維觀測角度，而無人機(jī)局限于從上方進(jìn)行拍攝。不過，無人機(jī)圖像具有其自身優(yōu)勢，因為地面詳細(xì)檢測需要耗費(fèi)較高成本，而無人機(jī)可以告知人們存在的風(fēng)險并進(jìn)一步采取行動進(jìn)行詳細(xì)的地面檢測。
下圖是兩種模型在 3 個樣地?zé)o人機(jī)圖像上的巢穴存在檢測和每棵樹上巢穴數(shù)量檢測的 F1 得分。
圖 3：兩種模型對無人機(jī)圖像檢測 F1 得分
a：檢測無人機(jī)圖像上的巢穴存在
b：檢測每棵樹上巢穴數(shù)量
如圖 3 所示，檢測無人機(jī)圖像上的巢穴，YOLO 模型 F1 得分高達(dá) 0.826，檢測每棵樹上巢穴數(shù)量，YOLO 模型 F1 得分高達(dá) 0.696。同時，研究人員發(fā)現(xiàn) YOLO 模型的檢測性能高于 FRCNN。下圖是在不同研究地點（不同松樹品種），兩種模型在檢測無人機(jī)圖像時的 F1 得分。
圖 4：不同研究地點，兩種模型 F1 得分
a: 檢測無人機(jī)圖像上的巢穴存在b: 檢測每棵樹上巢穴數(shù)量
如圖 4 所示，在 3 個樣地，無論是檢測巢穴存在還是檢測每棵樹上巢穴的數(shù)量，YOLO 模型 F1 得分均優(yōu)于 FRCNN 模型。
綜上，研究人員提出，無人機(jī)和 AI 模型相結(jié)合能夠有效地對松異舟蛾巢穴進(jìn)行早期檢測。其中，無人機(jī)有如下優(yōu)點：

• 高效性：無人機(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，從而使無人機(jī)可以提供高精度的數(shù)據(jù)。

報告地址：

https://bit.ly/3oJgDWf