當下，森林資源減少和環(huán)境惡化愈加嚴重，森林害蟲已然成為全球森林保護的重要挑戰(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 (University of Lisbon) 研究人員比較了兩種深度學習算法，以解決無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采集圖像的方式。這樣，無人機能夠接近單個樹木并對它們進行更細致的掃描和采集。
研究人員在無人機獲取的圖像上，測試了兩種深度學習方法——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 (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，而無人機則選擇了 DJI Matrice 300 多旋翼無人機平臺，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收集的 22,904 張圖像作為數(shù)據(jù)集，并通過數(shù)據(jù)增強技術(shù)，如改變亮度、色調(diào)、噪聲及圖像壓縮等操作無人機圖像，生成新的數(shù)據(jù)集，使模型更好地學習和泛化。其中，該數(shù)據(jù)集的 80% 用于模型訓練，20% 用于測試。
 實驗過程
無人機模型 
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。無人機正射圖像是指通過對無人機采集的圖像進行處理，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。
研究團隊訓練了基于 FRCNN 和 YOLO 的兩種深度學習模型，同時為了評估模型檢測無人機圖像的結(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、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；而通過目測無人機圖像，則檢測到 222 個巢穴。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測角度，而無人機局限于從上方進行拍攝。不過，無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，而無人機可以告知人們存在的風險并進一步采取行動進行詳細的地面檢測。
下圖是兩種模型在 3 個樣地無人機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圖像檢測 F1 得分
a：檢測無人機圖像上的巢穴存在
b：檢測每棵樹上巢穴數(shù)量
如圖 3 所示，檢測無人機圖像上的巢穴，YOLO 模型 F1 得分高達 0.826，檢測每棵樹上巢穴數(shù)量，YOLO 模型 F1 得分高達 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，無人機和 AI 模型相結(jié)合能夠有效地對松異舟蛾巢穴進行早期檢測。其中，無人機有如下優(yōu)點：

• 高效性：無人機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，從而使無人機可以提供高精度的數(shù)據(jù)。

報告地址：

https://bit.ly/3oJgDWf