无人机+ AI 图像分析：里斯本大学高效检测林业害虫

By 超神经

内容一览：早期发现虫害对于因地制宜采取防控措施至关重要。尽管遥感技术可用于快速扫描大面积区域，但面对低强度信号或难以检测的物体，其效果并不尽如人意。因此，里斯本大学研究人员将无人机与 AI 图像分析相结合，在此基础上测试了两种深度学习方法—— FRCNN 及 YOLO 来检测早期松异舟蛾巢穴，并且效果显著。

关键词：AI 算法   害虫检测   YOLO

作者 | daserney

编辑 | 缓缓、三羊

当下，森林资源减少和环境恶化愈加严重，森林害虫已然成为全球森林保护的重要挑战之一。其中，松异舟蛾 (Thaumetopoea pityocampa) 这类具有破坏力的害虫引起了广泛重视。松异舟蛾主要分布在欧洲南部、地中海和北非地区，其幼虫会在松树的树干和枝条上钻洞啃食，破坏松树的生长和发育。

为了早期检测和防控松异舟蛾，里斯本大学 (University of Lisbon) 研究人员比较了两种深度学习算法，以解决无人机图像中的巢穴识别难题。目前该研究已发布在《NeoBiota》期刊，标题为「Testing early detection of pine processionary moth Thaumetopoea pityocampa nests using UAV-based methods」。

该研究成果已发表在《NeoBiota》上

论文地址：

https://neobiota.pensoft.net/article/95692/

 实验概述

过往，科研人员通常借助遥感技术（卫星等）和多光谱相机结合，得到一定区域内的森林覆盖图像，并从树冠颜色、死树位置等信息判断整体虫害情况。然而，由于图像分辨率很低，无法检测到单个树木虫害情况。因此，本实验中研究人员提出了由无人机采集图像的方式。这样，无人机能够接近单个树木并对它们进行更细致的扫描和采集。

研究人员在无人机获取的图像上，测试了两种深度学习方法——Faster R-CNN (FRNN) 及 YOLO 来检测早期松异舟蛾巢穴（以下简称巢穴），具体实验过程如下：

 研究选址 

研究人员在法国、意大利和葡萄牙各选择了 1 个研究地点。如图 1 所示，这 3 个地点之间树龄、密度等特征均不相同。

图 1：研究地点情况

a：葡萄牙松树林

b：法国松树林

c：意大利黑松林

在 3 个地点中，研究人员都采用了地面计数 (2 名观察员分别目测树木两侧) 来检测巢穴数量，除此之外，图 1b 所示的法国松树林中，研究人员还站在一个位于树冠上方 2 米的移动平台上，来检测巢穴数量。

 数据集 

研究人员使用了无人机加高清摄像头的方式采集了 3 个样地的图像，其中高清 (HD) 摄像机 (RGB HD SONY Alpha 7R) 最佳应用性能方案确定为：采用具有 35mm 焦距和至少 36 Mpix 分辨率的 RGB HD 传感器，而无人机则选择了 DJI Matrice 300 多旋翼无人机平台，并制定了 80% 的航迹内部和横跨航迹的重叠度。

最终，研究人员得到了无人机收集的 22,904 张图像作为数据集，并通过数据增强技术，如改变亮度、色调、噪声及图像压缩等操作无人机图像，生成新的数据集，使模型更好地学习和泛化。其中，该数据集的 80% 用于模型训练，20% 用于测试。

 实验过程

 无人机模型 

考虑到一些巢穴只能从侧面看到，研究人员用模型检测主要针对的是单张无人机正射图像而非全局正射图像，因为全局图像是垂直视角，容易造成遗漏。无人机正射图像是指通过对无人机采集的图像进行处理，使其在地图上的位置和比例与现实世界中的位置和比例一致。

研究团队训练了基于 FRCNN 和 YOLO 的两种深度学习模型，同时为了评估模型检测无人机图像的结果，还配备 1 名观测员对每张图像上的巢穴数量进行了视觉评估。

研究人员使用了 F1 得分具体衡量模型与人眼检测 (human eye) 在无人机、地面图像上的性能。其中 F1 得分计算公式如下图：

图 2：F1 计算公式

F1 得分是精确率和召回率的调和平均值，可用来评估模型的准确性和完整性。其取值范围为 0 到 1，越接近 1 表示模型的性能越好。

 实验结果 

研究人员将 FRCNN 及 YOLO 模型与人眼检测进行了比较，测试了模型在检测树上有无巢穴存在 (% infested trees) 和巢穴数量 (No. PPM nests) 的性能。

表 1：不同方式检测松异舟蛾巢穴情况

如表 1 所示，通过地面计数，人眼对整个研究范围内树木一共目测到 665 个巢穴；而通过目测无人机图像，则检测到 222 个巢穴。研究人员认为造成二者差异的原因是地面目测具有多维观测角度，而无人机局限于从上方进行拍摄。不过，无人机图像具有其自身优势，因为地面详细检测需要耗费较高成本，而无人机可以告知人们存在的风险并进一步采取行动进行详细的地面检测。

下图是两种模型在 3 个样地无人机图像上的巢穴存在检测和每棵树上巢穴数量检测的 F1 得分。

图 3：两种模型对无人机图像检测 F1 得分

a：检测无人机图像上的巢穴存在

b：检测每棵树上巢穴数量

如图 3 所示，检测无人机图像上的巢穴，YOLO 模型 F1 得分高达 0.826，检测每棵树上巢穴数量，YOLO 模型 F1 得分高达 0.696。同时，研究人员发现 YOLO 模型的检测性能高于 FRCNN。下图是在不同研究地点（不同松树品种），两种模型在检测无人机图像时的 F1 得分。

图 4：不同研究地点，两种模型 F1 得分

a: 检测无人机图像上的巢穴存在

b: 检测每棵树上巢穴数量

如图 4 所示，在 3 个样地，无论是检测巢穴存在还是检测每棵树上巢穴的数量，YOLO 模型 F1 得分均优于 FRCNN 模型。

综上，研究人员提出，无人机和 AI 模型相结合能够有效地对松异舟蛾巢穴进行早期检测。其中，无人机有如下优点：

• 高效性：无人机可以快速地覆盖大面积的地区，收集大量的数据。

• 高精度：无人机搭载的高分辨率相机可以捕捉到非常精细的图像和视频，从而使无人机可以提供高精度的数据。

针对无人机图像上的巢穴检测及巢穴数量检测，YOLO 模型都表现优异。这表明相关技术的结合，在监测和管理森林中的害虫和病害方面具有重要意义，同时也为保护森林生态系统提供了新的思路。

 无人机+ AI：科技领域的重要趋势

目前看来，无人机+ AI 已成为国内外森林保护发展的共识。通过无人机的高空视角和人工智能的分析，研究人员执行任务时能够更高效、准确和自动化，从而改善森林保护效率。

聚焦国内，中国科学院发布的「森林病虫害遥感监测——从卫星到无人机」报告中详细介绍了森林病虫害的类型、发展阶段以及检测方法，并提出未来森林保护工作的重要方向之一正是发展预测模型，实现预测和检测方法的无缝对接，这与本论文的研究成果不谋而合。

报告地址：

https://bit.ly/3oJgDWf

可以看到，无人机+ AI 为森林保护工作带来了新的机遇和挑战，为提升效率和保护森林资源发挥了重要作用。然而，无人机与人工智能的融合同时也面临一系列挑战。一方面，需要不断推动无人机和人工智能的发展，提高性能和稳定性。另一方面，在数据安全和隐私保护方面，需要相关政策和规范，以确保无人机和人工智能应用能安全地处理和存储数据。

—— 完 ——

扫描二维码，加入讨论群

获得更多优质数据集

了解人工智能落地应用

关注顶会&论文

回复「读者」了解更多

更多精彩内容（点击图片阅读）