基于无人机及深度学习技术的松材线虫病害调查及其应用

2023-08-20江晓鹏

黑龙江科学 2023年14期

江晓鹏

(梅州市林业综合服务中心,广东梅州 514000)

0 引言

松材线虫是一种寄生性线虫,以松树作为宿主引发松材线虫病害,是松树林木资源面临的重要威胁之一。其通过传播媒介(如松墨天牛等)从一个被感染的松树宿主传播到其他未感染的松树上,导致病害在森林中迅速扩散,一旦病害蔓延,很难控制及治理,会给松树种群及森林生态系统造成巨大的损失,对林业产业及生态环境造成严重影响。为了应对松材线虫病害的威胁,我国采取了一系列的防治措施,如加强病害监测和预警,做好病害防控,推进松材线虫病害的科学研究等。但传统的调查与监测以人工排查为主,作业效率低,人工成本高。随着科技的不断进步,应用无人机进行智能化调查逐渐受到关注。通过无人机搭载高分辨率相机,结合深度学习算法,对病害进行智能化调查及分析,可大大提高调查效率及准确性。本研究探讨了基于无人机与深度学习技术的松材线虫病害调查及应用,分析其在松材线虫病害监测、预警与防治方面的潜力及应用前景[1-3]。

1 主要技术理论

1.1 YoloV3算法

YoloV3是一种基于卷积神经网络的物体检测算法,是You Only Look Once系列算法的第三个版本。通过对图像进行单次前向传递,直接从像素级别预测物体的类别与边界框。YoloV3流程包括3部分:①输入图像的预处理,包括图像尺寸调整及归一化。②通过多个卷积层及特征图进行多尺度的物体检测及分类。③通过非极大值抑制(NMS)过程筛选出置信度高的物体边界框并输出最终的检测结果。YoloV3在物体检测任务中表现出色,具有快速、准确的特点,被广泛应用于自动驾驶、视频监控、智能安防等领域。YoloV3的开源便于进行二次开发及定制,适用于不同应用场景的需求。由于YoloV3算法关注不同物体的局部及边缘检测,故本研究对颜色通道、纹理提取等网络设计进行了改进。

1.2 OpenCV纹理特征提取

在OpenCV中,主要使用灰度共生矩阵(Gray-Level Co-occurrence Matrix,GLCM)来提取纹理特征。这是一种用于描述图像纹理特征的矩阵,通过统计图像中各个像素的灰度值来衡量在给定方向与距离上出现的频率纹理特征。将图像转换为灰度图像,因为纹理特征通常在灰度图像上更明显,构建灰度共生矩阵(GLCM),再从GLCM中提取纹理特征。纹理特征包括对比度(contrast)、一致性(homogeneity)、能量(energy)及相关性(correlation)等。

1.3 无人机影像采集技术

无人机影像采集技术是利用无人机(无人驾驶飞行器)搭载的相机、传感器或其他采集设备,通过航空或遥感设备获取地面及空中图像数据的技术,通过无人机的高空俯瞰视角及灵活机动性获取高分辨率、大范围的图像数据,在很多领域都有着广泛的应用。

2 案例实践

实验测区位于M市A县,主要以种植马尾松为主,林业面积达到100亩。该林场创造了一个相对稳定的生态环境,为各种植物及动物提供栖息地,保护土壤质量及水源,促进地下水及水域的可持续利用,对当地经济发展具有重要作用。每年春节是松材线虫的高病发期,林场发现松材线虫病分布,但由于林区整体面积较大,仅依靠人工巡检难度较大,故应用无人机航拍影像进行病虫害智能检测。

2.1 外业影像数据采集

影像采集时间为2020年3月下旬,天气状况为阴天,拍摄时间为上午10时—11时。外业采集设备为大疆经纬M300 RTK无人机,搭载SHARE 203S PRO相机(主要参数如表1所示),应用GPS控制站进行辅助定位,方便后期进行病害植株定位[4]。

表1 大疆经纬M300 RTK无人机参数

确定测区范围。测区面积为1.5 km2,无人机采用定高巡航飞行模式,相机镜头始终保持垂直向下,航向与旁向重叠率分别设置为70%、75%,设计飞行高度450 m,在确保作业效率的同时保证影像的清晰度。进行飞行操作,按照预定航线进行飞行,采集正射影像数据,外业共采集影像数据2135张。

2.2 病害植株智能化检测

智能化识别使用NVIDIA GRID KI作为运算CPU,CUDA10.0+CuDNN+PyTorch1.1作为深度学习软件平台,主要步骤分为深度学习模型训练与应用两个阶段。

2.2.1 训练阶段

进行航拍图像归一化预处理,主要包括图像切割、索引,利用中值滤波、Gamma矫正及提高对比度亮度、图像缩放、平移、旋转等方法进行图像增强。从图像库中抽取适量数目并将具有较高多样性(至少2500株疫木)的图像集合作为人工标注集合。使用AutoCAD等软件在标注集合图像上完成疫木轮廓标注,对标注DXF的文件进行解析,映射至原图对应位置,生成深度学习可读的轮廓描述json文件[5]。

将标注图像与json的文件按照80%∶20%的比例随机分割为训练集合与测试集合。基于YoloV3设计农林病虫害场景的深度神经网络,在80%的训练集合上训练深度神经网络模型,模型通过模仿人工标注结果不断迭代优化网络参数,在20%的测试集合上使用训练好的深度神经网络模型进行预测[6]。

图1 病虫害智能化检测方案流程Fig.1 Flow chart of intelligent pest detection scheme

将测试集合上的模型结果与人工标注结果通过评估指标进行比对,若效果符合要求则保存模型,否则修改网络模型,持续迭代。

2.2.2 应用阶段

进行航拍图像归一化预处理,同训练阶段。读取已训练模型,对图像进行预测计算,自动识别病害植株,生成预测结果。评估方式为在相同图片集合(合计至少包含500株疫木)上对比人工标注与深度学习模型在不同评估指标上的效果表现。识别的病害植株如图2所示:

图2 松线材虫病害植株识别结果Fig.2 Identification results of pine wood nematode

2.3 DOM生成及病害植株的空间定位

在正摄影像图(DOM)上进行病害植株定位,利用ContextCapture Center软件进行二次开发,基于python语言进行云建模脚本的二次开发,空间定位基于线性优化算法求解相机定位参数,获得检测的病害植株位置,再根据定位坐标进行现场登记及排查。

图3 松线材虫病害植株定位结果Fig.3 Location results of pine wood nematode

3 结果与分析

试验发现,设计的方法无需任何人工交互,自数据上传到识别结果输出,全程100%自动化,2000余张影像数据4 h内完成了所有识别,并通过二次开发程序获取研究区域的正射影像,所有病害植株均能在一张图上展示。为验证该方法识别的准确性,随机抽取150张智能化检测有病害植株影像、500张识别正常植株影像,再逐张进行人工甄别,基于单张影像定位信息,提取枯死松树的地理位置信息。对比后发现,病害植株中识别错误影像21张,正常植株中识别错误影像44张,识别正确率分别为86%、91.2%,原因主要是异常枯死植株(非松材线虫病害植株)也易识别为病害植株,算法还可以进一步优化。

将无人机影像处理提取的病害植株地理位置信息与GPS现地采集的地理位置信息进行精度验证,统计后发现,水平偏差误差在1～5 m(统计结果如表2所示)。对于林间枯死松树监测而言,无人机病虫害智能检测提取的坐标位置数据比较准确,精度较高,在野外进行林间受害树监测及搜寻具有较高的可操作性,可显著提高林间松材线虫病枯死松树的除治效率[7]。