无人机遥感监测技术在松材线虫病疫木治理中的应用

李博，王广彪，车仁正，张芳芳，姚黎帆

(1.北京航空航天大学青岛研究院,山东 青岛 266000； 2.青岛空天行者科技有限公司,山东 青岛 266000)

松材线虫病是由松材线虫侵染引起的松树迅速萎蔫、死亡的破坏性松树疾病，是一种世界性的重大的植物疫病。松材线虫病主要是通过松褐天牛自然扩散的。根据国标《松材线虫普查监测技术规程》，每年都需要组织专门的松材线虫病普查监测，监测频度为一年2次。通常松材线虫病普查采用传统的人工普查方式，费时费力且效率低。随着无人机遥感技术的发展，利用无人机航摄监测病疫松树，再结合地理信息技术、人工智能和云计算快速定位病疫松树，可以极大提高病疫松树的监测效率，降低监测成本，从而抑制松材线虫病的快速传播。

1 松材线虫病疫木遥感监测应用现状

传统的松材线虫疫木监测通常是依靠人工普查的方式来完成的。随着无人机技术的发展，特别是无人机遥感成本的降低，其应用领域也越来越多，而病死疫木监测正是一个非常适用无人机遥感技术应用的行业。无人机的种类有很多，比较常见的是固定翼无人机和多旋翼无人机。在无人机遥感领域，固定翼无人机和多旋翼无人机都有着广泛的应用，比较而言，多旋翼无人机适合小范围、高精度、较为平坦区域的遥感检测；固定翼无人机，由于其飞行速度快，续航时间长，可携带载荷重，适合大范围、低精度，特别是在落差较大的山地丘陵等区域使用。在松材线虫病疫木遥感实际监测中，往往可以采用两种机型相结合的方式，从而在效率和监测质量上获得很好的平衡。文献[4]采用的是双光谱相机无人机遥感监测，基于可见光和红外两种传感器，可以很好利用不同光谱的特点来划分松材线虫病害发生区域。文献[5，6]都是利用无人机遥感拍摄松树林，但都采用了人工目视法标注死树，其标注准确度和用时都不尽人意。文献[7]是采用有监督的机器学习识别算法自动识别病死松树，再结合带有知识库的专家系统进行验证，从而实现了松材线虫病疫木的自动标注。总体而言，国内利用无人机遥感监测松材线虫病树的研究正在从人工识别向自动识别、区域识别向单株识别转变，研究领域主要集中在病害木材的识别方法上。关于如何有效、快速地对无人机航拍照片进行预处理，进而进行快速病疫木识别的研究较少。我们在实际项目中发现，航拍照片的预处理质量和速度对病死松树识别的准确性和抑制松材线虫病扩延都有着很大影响。

2 无人机监测疫木的流程和关键技术

2.1 无人机监测病死疫木的流程

根据国标《松材线虫普查监测技术规程》中疫木监测工作内容，采用无人机进行病死疫木监测基本上可以分成5个步骤：

2.1.1 准备阶段 主要是对需要监测的区域进行地理人文等资料的收集、熟悉和掌握该地区的地形地貌；组织人员进行外业勘察，根据设定区域选择合适的地面控制点；无人机飞行准备，划分飞行区域、飞行航次，设定飞行航线，申请相应空域等等。

2.1.2 无人机航拍 无人机航拍是对监测区域进行航空拍摄，航拍图像质量的好坏对后续图像处理和疫木监测都有着重要影响。无人机航拍应根据指定飞行计划，结合飞行当天的实际天气情况，调整飞行区域、飞行计划，在确保飞行安全的基础上，确保航拍图像的高质量。

2.1.3 航拍图像处理 航拍图像处理是无人机监测松材线虫病疫木的一个关键步骤。航拍图像处理包括对航拍获得的图像进行拼接、镶嵌、均色等处理。由于后续处理是采用人工智能算法对图像进行自动识别，因此该步骤对后续识别的准确率有着很大的影响，同时图像处理的时间在疫木图像后处理过程中占有很大比重，因此航拍图像处理时间的长短会影响疫木监测的时效性乃至防治效果。

2.1.4 病死疫木的人工智能自动识别 传统的疫木识别大多由专业人员凭经验进行逐一目视识别，这种方式费时费力，而且准确度不高，漏检率大。随着人工智能的快速发展，利用机器学习或深度学习等算法由计算机自动识别已经成为主要发展方向。

2.1.5 信息输出 按照要求的格式将识别得到的疫木经纬度、属地等所需信息输出，从而方便后续的疫木处理。由于地理坐标系的原因，为了确保输出数据的兼容性，要事先明确输出地理坐标系的选择，比如采用WGS84坐标系或者中国2000大地坐标系。

2.2 航摄图像的处理

无人机航拍图像的处理是松材线虫病死疫木监测中非常重要的一环，关系到疫木监测的时效性和准确性。相对于传统的航空航天遥感影像，无人机航拍获取的图像具有影像幅小、像对也小、图幅量大的特点，如果完全采用传统航空航天影像的方法对无人机航拍图像进行处理，其效率低，工作量大。随着无人机遥感在各行各业中的应用越来越广泛，伴随于此，专门用于无人机遥感图像处理的各种软件也如雨后春笋般应运而生。不同软件的原理基本相同，处理流程主要包括以下几个步骤：

2.2.1 图像校正 由于生产工艺、制造精度等原因，相机的镜头都存在镜头畸变，而且不同的相机其畸变不完全一样。通常来说，相机的畸变包括枕形畸变或者桶形畸变。畸变的存在会使拍摄得到的图像产生变形，特别是对遥感测绘等高精度的应用，畸变会严重影响测绘的精度。所以，为了得到准确的处理结果，在使用图片之前通常需要对图片进行畸变校正。目前，大多数的无人机遥感图像处理软件已经能够在无需已知相机畸变参数的前提下，即可完成对航拍图像畸变的自动校正。

2.2.2 特征点的提取和匹配 特征点提取算法，是提取图像上具有明显特征的特征点，为了保证后续匹配的质量，提取的特征点应该在图像上合理分布。提取特征点，获取其对应的特征描述；然后根据位置或其他约束关系筛选出潜在具有重叠关系的对应图像构成像对。再对每一像对的特征描述进行匹配，并使用RANSAC等算法消除错误的匹配。

2.2.3 计算稀疏点云 在特征点提取和匹配后，开始进行相机和特征点的三维重建，即利用这些特征点的信息计算相机参数和特征点的三维坐标信息，这又被称为稀疏点云的生成。通过稀疏点云的计算，可以得到在该坐标系下相机的位置和姿态等信息，从而生成视觉场景下相机和匹配点构建的稀疏场景。在实际工程应用中，利用相机拍摄时无人机的经纬度和高度，以及附近的像控点经纬度坐标，通过最小二乘法进行迭代寻求最优解，即可求得在最优条件下，相机和稀疏点云在真实空间内的位置信息。

2.2.4 计算密集点云 密集点云是在稀疏点云的基础上进一步计算得到的。密集点云可以解决稀疏点云精度低、密度不足，不能生成准确、真实的重建目标的问题，可以使重建目标能够展示出来。计算密集点云的算法主要有基于体素的算法、基于可变多边形网络的算法、基于多重深度映射的算法等等。就PhotoScan而言，其采用的是PMVS算法(基于片面的多视图立体视觉算法，patch-based MVS algorithm)。经过密集点云生成计算后，重建目标在特征上和数量上都得到了明显的提高，特征的描述更为细致和完整，可以全面、准确地反映重建对象的几何特征。

2.2.5 生成正射影像 在计算得到密集点云后，可以计算正射影像，该步骤通常采用反解法数字微分纠正得到正射影像，主要包括以下过程：

(1)计算地面点坐标。由正射影像上任意一点，已知影像的坐标和影像的比例尺，通过坐标和比例尺可以计算出点所对应的地面点的坐标值(,)；

(2)计算像点坐标。得到点的坐标值后，采用共线方程即可计算得到点在原始图像上的像点坐标值(，)；

(3)灰度内插。计算像点坐标是为了得到该点的灰度值，但由于计算的离散化，得到的像点坐标并不一定在采样点上，因此不能够直接得到该像点的灰度值，这个时候就需要采用内插的方法来计算该像点的灰度值，通常像点的灰度值用(，)表示；

(4)灰度赋值。在计算得到像点的灰度值后，就可以把该值赋予纠正后的像元，即(，)=(，)，将影像上所有的像素点依次进行上述计算过程，最后可以得到所需的正射影像。

2.3 基于PhotoScan的集群技术

如前文所述，目前国内市场上有很多无人机图像处理软件，这里我们采用PhotoScan来进行无人机图像的正射拼接。在实际工程使用中，该软件并不提供集群处理功能，如果使用单一工作站来进行大量图像数据处理，不仅处理的速度慢，且由于每台工作站的处理能力有限，如果所需处理的图像数量过大，超过单台处理能力，就会导致程序报错以致图像处理过程中断。

为了解决上述不足，我们利用多台工作站、磁盘矩阵、高性能交换机构建了一个海量无人机遥感数据处理集群。集群中设置一个主节点，由一台工作站担任，该主节点可同时承担图像数据处理和图像处理任务规划及分发的功能，也可只承担图像处理任务规划和分发。剩下的工作站可作为集群的子节点，子节点只承担图像数据处理任务功能。可以采用专用的磁盘矩阵用来存放无人机遥感数据、图像处理中间数据和生成的正射影像数据。为了保证各节点间的高速数据交换，选择了一个企业级的交换机。

为了保证集群能够协同处理海量无人机遥感数据，还需在各节点上进行软件设置。在主节点工作站上的PhotoScan安装目录下面新建一个批处理文件，如server.bat。文件代码如下：“"D:Program FilesAgisoftPhotoScan Prophotoscan.exe"--server--control 192.168.1.X--dispatch 192.168.1.X”，其中“--server”、“--control”和“--dispatch”是命令控制参数，“192.168.5.X”是主节点的IP地址。在子节点工作站上的PhotoScan安装目录下面同样新建一个批处理文件，如node.bat。文件代码如下：“"D:Program FilesAgisoftPhotoScan Prophotoscan.exe" -node --dispatch 192.168.5.X --root \192.168.5.YPhotoscanProject”。其中“--node”、“--dispatch”是命令控制参数，“192.168.1.X”是主节点的IP地址。“192.168.1.Y”是磁盘矩阵的IP地址。设置好后，按照先运行主节点批处理文件、然后各子节点批处理文件、最后在主节点上运行PhotoScan执行程序的顺利依次启动，后续即可按照单机的方式进行无人机遥感图像的正射影像拼接。

3 实例

以青岛崂山区无人机遥感影像为实验数据，利用PhotoScan软件在单机环境下和集群环境下进行正射影像处理对比。由于崂山地形地貌比较丰富，拍摄的区域涵盖林地、水面、建筑等，为了保证航拍图像的处理效果，航路规划时要保证沿同一航线上相邻像片间的图像重叠大于70%、航向重叠一般应达到大于60%。

为了比较不同航片数量，单机环境和集群环境条件下PhotoScan的处理耗时，分别选取了3组航片，数量分别为551张、4033张和10947张，耗时分别如表1。

表1 无人机影像数据处理时间的比较

图1 PhotoScan拼接后得到正射图像

4 结论

本文介绍了利用无人机进行松材线虫病疫木监测的完整流程，对无人机拍摄的图像的处理方法，如特征提取、特征匹配、空三计算和正射投影等进行了详细介绍，最后以青岛市崂山区松材线虫疫木监视为例，提出了一种基于PhotoScan的集群构建方法。通过该方法进行航摄图像处理，速度快，耗时少，配合以基于深度学习的病死疫木人工智能检测算法，可以快速完成病死疫木的判读。