基于多光谱遥感的松材线虫病受害木识别方法

褚东花，李德峰，宋西强

(1.临沂市蒙阴县国有天麻林场,山东 蒙阴 276200；2.临沂市蒙阴县林业局,山东 蒙阴 276200；3.临沂沂蒙山世界地质公园管理局,山东 临沂 273304)

1 引言

松材线虫病是松树的一种毁灭性病害，传染性极强，受害面积极大。松墨天牛(Monochamusalternatus)，是松材线虫的传播媒介[1]。松树感染上此病，从发病到死亡的过程约40 d[2]。学者KIYOHARA等对大范围内的松树进行了接种试验研究，第一次验证了松树致病的根本原因是因为松材线虫的存在。分子植物病理学之中有十大植物寄生虫，而松材线虫感染病就是其中一种。感染松材线虫的松树的叶片会转变为黄褐色，严重后转变为红褐色，直至最后完全枯萎，这个过程为感染的表现症状[3]。该病源由北美洲地区开始，后传播至日本。1982年，我国第一次发现感染松材线虫病是在南京中山陵的黑松上，之后松材线虫病便在我国不断扩散致大片松树林枯萎死亡。

针对松材线虫感染木最有效的处理方法就是将受害木砍断，然后熏蒸焚烧。悬挂诱捕器以及投放天敌也是防控线虫病的一种处理形式。该病状防控的工作基础是疫情调查。地面调查、无人机遥感监测以及卫星遥感监测是目前对受害木的监测手段[4]。无人机遥感的优点较多，如成本低、应用周期短、操作简便、时间和空间分辨率高以及灵活性高等优点。无人机遥感技术目前已经应用在森林信息提取、资源调查、病虫害监测防治以及火灾监测等方面[5]。采用无人机遥感技术不仅可以节省人力物力的资源，同时可以达到对松材线虫受害木进行单株检测。

目前，已存在大量针对受害木识别的专研报告，学者潘沧桑等对松树正射后经过处理将其导入到Geo Link软件，利用目视判读的形式寻找受害木。学者石进等采取的方式是观察松材线虫受害木树冠上的颜色变化，无人机工作期间能够采取到相应数据，通过正射图像的形状对松材线虫受害木进行目视判读。在操作的过程中工作效率较低、主观意识较强。而学者陶欢采取的HSV阈值法是根据图像上的色调、明亮度以及颜色的饱和度对受害木进行识别，相比较前者，这种方法对识别的正确率有所提高。学者刘遐龄等通过运用无人机，对受害树木的影像进行高分辨率获取，通过多模板识别方式，对不同阶段感染程度进行识别，研究结果表明：模板匹配方法检测效率较目视判读相比，有更高的效率性。随着机器学习成为研究的热点之后，一小部分学者逐渐采用机器学习的方式进行识别检测受害木。

在Faster R-CNN目标测试的基础上，从飞机、船、鸟以及西红柿等各物体的检测中获取出较好的效果。以Fast R-CNN和R-CNN基础上加以改进，在算法检测精准度方面来说，前者比SSD、YOLO更高。迄今为止，在松材线虫受害木识别的领域里，并没有更深一层的研究方法，本文提及的方法也考虑了由其他原因导致松树死亡的影响因素，如干旱死亡、自然死亡。通过受害木等现象枯死的数据集对模型进行训练，从而提高了受害木识别的效果和精度。

2 模型和方法

2.1 加权支持向量数据描述多分类算法

最小超球体内包含尽可能多的目标样本，即是SVDD思想，并以此根据作为数据描述[6]。训练样本不同影响分类模型做出的共享程度，故此引入权重系数而得到WSVDD模型。

(1)

如式(1)所示，超球体半径为R；超球体球心为c；权重系数为i；松弛变量为ξi；惩罚系数为C；从原始空间延至高维特征空间中的映射函数为φ(x)。

训练样本模型中，中心点和离群点影响着最终贡献程度，二者之间的差值影响结果不同，根据结果确定样本距离中心点距离权重函数。

中心距离定义:针对任一样本点x(x∈X)，此样本与训练样本X的中心距离为D(x)=||x-α||。

定义权重系数所示为

(2)

如式(2)所示：计算全部训练样本平均中心距离，通过Davr加以表示；正整数为P；在输入空间中，样本点表述方式为，点到中心距离视为D(xi)，Dmin≤D(xi)≤Davr，xi的权重系数随着中心距离变化而变化；当Davr

图1 错误分类示意

为此，本文采用的决策方法如下:

训练样本集为{(xi,yi),i=1,2,…,n}，yi∈{1,2,…,M}，类别数为M。

(1)根据训练样本点的不同将木比样本划分为M类。

(2)依次用SVDD分类的方法，建立M个最小包围球体。

(3)基于测试样本x，对超球体相对距离加以计算，假设超球体数量为M。

(3)

如(3)式显示：ci为作为第个超球体的球心。

(4)将的值进行比较，最小值所对i即是测试样点x的类别，即：

y=argmin(di)(i=1,2,…,M)

(4)

模型这种算法不仅概念清晰、效率快，而且容易实现，但也容易出现误差现象，如，当所求出最小包围超球体在相较过程中形成的错误归类，分类结果出现错误，误差较小。

2.2 图像特征提取

将图案中内容进行准确描述，对图像中所呈现的图像颜色、纹理特征作为图像像素点的综合特征属性，进而分类别图案中呈现的内容信息[9]。

装有双光谱相机的无人机的成像率比较高，功效小以及小体积的特点，同时可以获取可见光图像和近红外图像，根据图像中3种不同颜色的分量做信息描述，进而构成图案思维颜色特征向量[10]。

根据可见光图像操作像素4个不同方向共生的矩阵，计算其平均值和标准值可以得出多个变化的纹理特征，由3个纹理特征生成6个旋转不变的特纹理特征，再由6个纹理特征生成1十维样本特征向量。

3 应用研究

通过EcoDrone USA-8型号无人机，镜头像素为120万每波段。在选样地附近选择无高压电线干扰处作为起飞点，在直线距离1 km以内的平坦地面进行飞行(图2、表1)。

图2 八旋翼无人机及航拍

试验地域选取健康树与枯死树混合的松林，对松林树木进行采样工作，为了保障叶片完整性，避免水分流失，采摘过程需要连同叶鞘共同进行，在密封袋内加入保鲜剂进行密封。将带回实验室的松针进行整理后分为 4 组，如图3所示。

图3 松针情况

受害木识别方法的评价指标为mAP值，即均值平均精度，是指每个类别AP(PR曲线围起来的面积)的平均值，其值越高代表方法的识别性能越好。通过(5)式计算mAP值，结果如表2所示。

表2 mAP值测试结果

(5)

式(5)中，表示验证集中叶片图片各类别的平均精度之和，N(Classes)表示所有类别的数目。

从表2中可以看出，本文方法进行受害木识别，得到的mAP值为0.98，而利用文献方法进行受害木识别，得到的mAP值分别为0.847、0.836。由以上3种结果对比可知，本文识别方法的性能更好，识别准确率更高。主要原因在于本文方法采用多光谱遥感技术能够及时的发掘受害木的感染分布情况，采用最小超球体包含尽可能多的目标样本，将其他枯死树木以及红色阔叶树的样本信息加入数据集当中，提高识别效果以及检测精度。

4 结论

以无人机遥感技术获取超高空间分辨率与深度学习目标检测技术相结合的方式对受害木进行检测，效率高，同时还具备高检测精度。依据感染后树木的冠幅大小，将其修改成RPN网络中anchor的尺寸大小后，将其他枯死树木以及红色阔叶树的样本信息加入数据集当中，这种方法可以提高识别效果以及检测精度，得到的mAP值为0.98。多光谱遥感技术能够及时的发掘受害木的感染分布情况，进而有效地检测受害木感染情况的具体分布情况发展状态，同时也为松林管理、防护人员提供了及时有效的信息状况。