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

當下，森林資源減少和環(huán)境惡化愈加嚴重，森林害蟲(chóng)已然成為全球森林保護的重要挑戰之一。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，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(cháng)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)習算法，以解決無(wú)人機圖像中的巢穴識別難題。目前該研究已發(fā)布在《NeoBiota》期刊，標題為「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)驗概述
過(guò)往，科研人員通常借助遙感技術(shù)（衛星等）和多光譜相機結合，得到一定區域內的森林覆蓋圖像，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)法檢測到單個(gè)樹(shù)木蟲(chóng)害情況。因此，本實(shí)驗中研究人員提出了由無(wú)人機采集圖像的方式。這樣，無(wú)人機能夠接近單個(gè)樹(shù)木并對它們進(jìn)行更細致的掃描和采集。
研究人員在無(wú)人機獲取的圖像上，測試了兩種深度學(xué)習方法——Faster R-CNN (FRNN) 及 YOLO 來(lái)檢測早期松異舟蛾巢穴（以下簡(jiǎn)稱(chēng)巢穴），具體實(shí)驗過(guò)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(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數 (2 名觀(guān)察員分別目測樹(shù)木兩側) 來(lái)檢測巢穴數量，除此之外，圖 1b 所示的法國松樹(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)平臺上，來(lái)檢測巢穴數量。
數據集 
研究人員使用了無(wú)人機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 (RGB HD SONY Alpha 7R) 最佳應用性能方案確定為：采用具有 35mm 焦距和至少 36 Mpix 分辨率的 RGB HD 傳感器，而無(wú)人機則選擇了 DJI Matrice 300 多旋翼無(wú)人機平臺，并制定了 80% 的航跡內部和橫跨航跡的重疊度。
最終，研究人員得到了無(wú)人機收集的 22,904 張圖像作為數據集，并通過(guò)數據增強技術(shù)，如改變亮度、色調、噪聲及圖像壓縮等操作無(wú)人機圖像，生成新的數據集，使模型更好地學(xué)習和泛化。其中，該數據集的 80% 用于模型訓練，20% 用于測試。
 實(shí)驗過(guò)程
無(wú)人機模型 
考慮到一些巢穴只能從側面看到，研究人員用模型檢測主要針對的是單張無(wú)人機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(wú)人機正射圖像是指通過(guò)對無(wú)人機采集的圖像進(jìn)行處理，使其在地圖上的位置和比例與現實(shí)世界中的位置和比例一致。
研究團隊訓練了基于 FRCNN 和 YOLO 的兩種深度學(xué)習模型，同時(shí)為了評估模型檢測無(wú)人機圖像的結果，還配備 1 名觀(guān)測員對每張圖像上的巢穴數量進(jìn)行了視覺(jué)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(wú)人機、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和平均值，可用來(lái)評估模型的準確性和完整性。其取值范圍為 0 到 1，越接近 1 表示模型的性能越好。
實(shí)驗結果 
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(shù)上有無(wú)巢穴存在 (% infested trees) 和巢穴數量 (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(guò)地面計數，人眼對整個(gè)研究范圍內樹(shù)木一共目測到 665 個(gè)巢穴；而通過(guò)目測無(wú)人機圖像，則檢測到 222 個(gè)巢穴。研究人員認為造成二者差異的原因是地面目測具有多維觀(guān)測角度，而無(wú)人機局限于從上方進(jìn)行拍攝。不過(guò)，無(wú)人機圖像具有其自身優(yōu)勢，因為地面詳細檢測需要耗費較高成本，而無(wú)人機可以告知人們存在的風(fēng)險并進(jìn)一步采取行動(dòng)進(jìn)行詳細的地面檢測。
下圖是兩種模型在 3 個(gè)樣地無(wú)人機圖像上的巢穴存在檢測和每棵樹(shù)上巢穴數量檢測的 F1 得分。
圖 3：兩種模型對無(wú)人機圖像檢測 F1 得分
a：檢測無(wú)人機圖像上的巢穴存在
b：檢測每棵樹(shù)上巢穴數量
如圖 3 所示，檢測無(wú)人機圖像上的巢穴，YOLO 模型 F1 得分高達 0.826，檢測每棵樹(shù)上巢穴數量，YOLO 模型 F1 得分高達 0.696。同時(shí)，研究人員發(fā)現 YOLO 模型的檢測性能高于 FRCNN。下圖是在不同研究地點(diǎn)（不同松樹(shù)品種），兩種模型在檢測無(wú)人機圖像時(shí)的 F1 得分。
圖 4：不同研究地點(diǎn)，兩種模型 F1 得分
a: 檢測無(wú)人機圖像上的巢穴存在b: 檢測每棵樹(shù)上巢穴數量
如圖 4 所示，在 3 個(gè)樣地，無(wú)論是檢測巢穴存在還是檢測每棵樹(shù)上巢穴的數量，YOLO 模型 F1 得分均優(yōu)于 FRCNN 模型。
綜上，研究人員提出，無(wú)人機和 AI 模型相結合能夠有效地對松異舟蛾巢穴進(jìn)行早期檢測。其中，無(wú)人機有如下優(yōu)點(diǎn)：

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

報告地址：

https://bit.ly/3oJgDWf