基于無人機光譜遙感和AI技術建立松材線蟲害監測模型

李嘉祺 吳開華 張垚 趙大龍

（1.浙江工業大學理學院 浙江省杭州市 310023 2.杭州電子科技大學自動化學院（人工智能學院） 浙江省杭州市 315801）

（3.美國賓夕法尼亞州立大學工程學院 University Park PA 16801）

1 課題背景

松材線蟲病是目前對我國各省區松樹林區危害最大的病害類型之一，被稱為松樹的“癌癥”，一旦發生病害，如不及時的監測和治理，將對我國的林業資源和生態安全造成巨大的威脅。開展松材線蟲病疫情治理，首要環節是實現對染病和病死樹木的準確監測識別與定位，但目前國內外尚未有有效的監測方法研究和應用。

經初步檢索，目前國內外在利用衛星遙感、無人機航拍、激光雷達等技術檢測及定位病蟲害導致的枯死樹木方面僅有少量研究文獻發表，一些地方開展的森林資源監測實踐也都處于小范圍試點階段，尚未實現對松材線病疫情林區的大面積高效、快速監測。綜合判斷，這類技術應用還處于早期，無人機遙感影像等技術在森防工作中的應用具有很大發展空間。

為阻止外來入侵物種松材線蟲對我國林業的破壞，我們利用無人機測繪、光譜遙感技術在空間分辨率和光譜分辨率上的優勢，探索研究大面積松林中疫木的科學檢測分析方法，為類似的農林生物病蟲害監測預警提供應用支撐。

2 研發思路

無人機測繪具有成本低、效率高、檢測范圍廣、使用靈活等優點，運用高光譜傳感器和多光譜傳感器能夠獲得比可見光傳感器更加細致和精準的數據，提高模型的準確率和可靠性。而神經網絡作為深度學習中最常見的算法之一，對自動化圖像識別和處理有極大幫助。

基于以上分析，本文以遭受松材線蟲侵害的浙江省麗水市蓮都區大港頭鄉林地作為試驗用地，利用無人機搭載專門設計開發的高光譜和多光譜傳感探測儀對受災林地進行圖像數據采集，隨后運用卷積神經網絡對圖像中的松樹枯死木進行預測和初步標注，再根據高光譜影像確定枯樹的特征波段結合多光譜圖像進行進一步分析，排除初步標注中的誤識別目標，得到最終的枯樹目標，實現大面積松木林松材線蟲害的高效、快速監測，為松木材的穩產和高產提供技術支持。

3 項目創新點

（1）使用無人機對試驗場地采集正射及不同傾斜角度（15/30/45）的影像，并對其進行重建，得到試驗場地的正射拼接影像和3D 重建圖像。

（2）使用高光譜傳感器對枯死樹木進行特征光譜分析，并使用高光譜/多光譜傳感器替代可見光傳感器對試驗場地進行監測，基于特征波段多光譜構建指數模型，從而進一步提升模型的準確率。

（3）采用卷積神經網絡篩選特征波段和對圖像進行處理，在擁有較快的處理速度的同時保持有較高的準確率。

4 項目方案

4.1 圖像的采集和預處理

研究區位于浙江省麗水市蓮都區大港頭林場，是蓮都區重要林場之一。蓮都區林地面積175.0989 萬畝，其中松林面積90.84 萬畝，是全市松材線蟲重災區之一。

開展本項目圖像采集所需的儀器設備條件，主要包括機載高光譜儀、地物光譜儀、光譜分析系統、機載多光譜相機(如圖1 所示)、紅邊相機、測繪相機及無人機平臺等。其中采集用無人機搭載的多光譜傳感器經過專門設計開發，可同時獲取包含可見光與近紅外在內的12 個波段數據。無人機多光譜數據的獲取于2021年1月15日至2021年1月16日，研究區域面積10000m2，飛行高度100m。在進行試驗前，在林地放置多塊標定白板，用于像元值的相對標定。首先使用無人機對研究區進行測繪，根據林地樹木的平均樹冠高度計算測繪無人機飛行基本高度，再結合地形特征確定飛行高度。分別采集了正射及不同傾斜角度（15/30/45）的影像，并對標記白板放置處進行RTK 定位。隨后運用無人機搭載高光譜相機，對提前人工標注的枯死病樹和其他正常松樹進行高光譜影像采集，意于比較正常松樹與病樹的特征光譜及其區別。再利用無人機搭載多光譜相機對整個研究區進行遙感采集，用于自動枯樹識別與標注試驗。

圖1

將遙感得到的正射圖像利用Pix4D Mapper 軟件進行拼接,結果輸出數字正射影像（圖2a）；結合不同角度的斜射影像，生成3D重建圖像（圖2b）。并分別在圖像中對提前人工確定的5 棵病樹進行標注。

圖2

4.2 卷積神經網絡的搭建

卷積神經網絡（CNN）是一類包含卷積計算且具有深度結構的前饋神經網絡，是深度學習的代表算法之一。卷積神經網絡具有表征學習能力，能夠按其階層結構對輸入信息進行平移不變分類。目前CNN 算法已經在自然語言處理、計算機視覺領域和包含大數據問題的物理學研究中得到廣泛應用，通常用于物體檢測、物體識別、場景檢測、模式分析等。因此可以利用卷積神經網絡進行病樹枯木的特征學習以生成可用于枯樹檢測和定位的神經網絡模型。

表1：模型測試結果

表2：枯樹的檢測坐標與人工RTK 定位坐標比較及誤差計算

表3：精確枯樹檢測方法與初步枯樹檢測方法準確率比較

本文使用Pytorch 和Python3.7 建立卷積神經網絡模型，CNN網絡結構包括卷積層、池化層和全連接層，最后利用softmax 函數進行結果分類。不同的卷積層、池化層和全連接層搭配組合成不同復雜程度的CNN 網絡，常見且具有代表性的CNN 網絡有LeNet,AlexNet 和GoogLeNet。其中本文選用的GoogLeNet 更擅長擬合類黑盒環境的未知函數值，并且能夠在神經網絡達到較高性能的同時減小其計算開銷，適用于需要高精準度和較高計算量的場景。

我們在基于GoogLeNet 建立卷積神經網絡模型的過程中，改變原先通過單純地增加網絡深度和寬度提升網絡性能的思想，建立了一種可交叉學習的主從型架構，該架構在兩個并行網絡（一個分支和一個主干）中處理數據。通過將一組輸入向量映射到一組輸出向量的函數，可以訓練網絡以學習該映射，使得兩個有限維空間之間的任何函數都可以通過神經網絡近似——如前者在輸入端學習一些函數的近似值，后者則可在輸出端學習相同的函數。

為適用病樹枯木特征學習需求，我們還提出了一種新的包含特征的類別分布信息的特征加權算法。該算法利用特征在類別間的分布差異對傳統特征加權算法進行改進，通過給類別區分能力更強的特征賦予更高權重，提高識別病樹枯木的準確度。

同時考慮到實驗和將來應用時動態調整數據維度、圖像顆粒細度等參數的需要，確定該神經網絡由22 個層組成，針對建立的卷積神經網絡模型，通過修改局部的卷積核大小，既能保持網絡結構的稀疏性又能利用密集矩陣的高計算性能。為了避免網絡層數過深導致的梯度回傳消失問題，網絡還在不同深度處增加了兩個loss 函數；為了加快收斂速度并且防止過擬合現象，每個卷積層后面都跟了一個ReLU 激活函數：

此外我們在該網絡中還去除了最后的全連接層，用全局平均池化層來取代它，極大地減小了網絡中的參數量，加速了模型的運算速度，減輕了過擬合現象。并且使用了InceptionModule 來增加網絡的寬度，增加了分支網絡，提高了參數的利用效率。

4.3 基于特征光譜的目標篩選

圖3：基于圖像分析的枯樹初步檢測結果（區域）

目前一般采用基于無人機平臺的高清圖像采集和分析的方法識別和定位枯木，存在識別精度不高、定位不準等問題，算法魯棒性存在缺陷。主要原因是影像不能真實反映監測區域地形地貌和位置，同時地形對影像數據具有一定扭曲特征；以及林區植被較復雜，圖像分析存在干擾因素導致誤判，影響識別率的提高。我們首先根據高光譜傳感器對病樹和正常樹進行光譜分析，得到林區得病松樹的特征波段。基于特征波段對多光譜圖像進行拼接和處理，分析出枯樹的具體位置。相比基于圖像分析的枯樹檢測，基于特征波段光譜圖像分析，可以減少訓練樣本選擇主觀性影響、其它樹種干擾、枯樹周圍沒有綠色植被等因素對分析結果的影響。

5 結果及討論

5.1 基于卷積神經網絡的枯樹檢測模型

由無人機光譜遙感獲得枯樹與正常樹圖像數據集共5560 張，將其隨機分成10 份用于交叉驗證算法進行模型評估。將數據集帶入上文描述的卷積神經網絡模型進行訓練，設置學習率為0.001 后開始迭代，模型損失值與迭代次數的關系曲線如圖所示。從圖中可以看出，經過迭代30 次后的枯樹檢測模型損失值基本收斂到穩定值，表明卷積神經網絡模型達到了預期的訓練效果。將原始數據集帶入枯樹檢測模型測試模型正確率，最終結果如表1 所示。

圖4：高光譜影像對比結果

圖5：疊加地理信息的枯樹分布

將拼接得到的數字正射影像帶入枯樹檢測模型中進行圖像分析，得到初步枯樹檢測結果，結果如圖3 所示。對初步檢測結果進行人工排查，發現存在部分樣本誤判的現象。

5.2 基于特征光譜的目標篩選后結果

為了能獲取更多的角度的信息對松樹枯木加以鑒別，以防止其他樹種干擾、土地干擾等對試驗結果造成的影響，本文引入基于特征光譜的目標篩選方法對初步枯樹檢測結果進行誤判剔除。首先根據高光譜影像對比正常松樹和病樹枯樹的光譜特征，其特征對比如圖4 所示。

由光譜圖像對比可以得知，枯樹的反射光譜掃描曲線特征相對較平。其原理是，病蟲害會造成作物葉片細胞結構色素、水分、氮元素等性質發生變化，從而引起反射光譜的變化，所以病蟲害作物的反射光譜和正常作物可見光到熱紅外波段的反射光譜有明顯差異。健康的綠色植物具有典型的光譜特征，遭受病蟲害的植被其光譜反射率曲線的波狀特征則被拉平。

基于特征波段對多光譜圖像進行處理，可以辨別出其他樹種的枯樹目標和灰黃色土地誤認為枯樹的目標等。將誤識別的非病害松樹目標剔除，并利用測繪數據與三維重建數據結合得到枯樹的地理信息（經緯度、海拔）。最終試驗區域檢測出松樹枯木31 株，根據獲得的枯樹地理信息表，得到疊加地理信息標注的枯樹分布圖如圖5 所示。

本次實驗中，事先通過人工調查確定的5 個位置枯木全部檢出，并且我們找到上述與人工現場定位對應的枯樹，將檢測坐標與人工RTK 定位坐標進行比較，得到相對人工定位的絕對誤差，誤差值在0.77-1.88m 范圍，具體結果如表2 所示。

對比傳統的基于可見光的圖像識別判斷枯樹病樹方法，其對模型和數據要求較高，為了能夠分辨黃土和枯樹以及枯死樹種是否屬于松樹，往往需要較大的訓練集進行模型訓練，效果也不盡人意，算法魯棒性較低。而本文提出的利用枯死松樹特有的特征波段對目標進行篩選得到的精確枯樹檢測方法，能夠較好地剔除誤識別目標，實現較高的識別準確率。兩種方法的準確率比較如表3 所示。

6 結論

本項目運用無人機光譜遙感監測替代無人機可見光遙感和衛星遙感影像，輔以卷積神經網絡模型進行林區松材線蟲病疫樹自動識別標注與預警，具有更高的信息維度，能更加準確地識別和篩選病樹。試驗共檢測到302 個有效目標，實現了95.03%的準確率；相比常規的圖像識別模式，準確率提升55.86%。這表明應用無人機測繪、光譜遙感和神經網絡建立松材線蟲害監測數據模型相對于傳統技術分析手段而言，擁有更高的準確率、魯棒性和處理速度，在農林業病蟲害早期監測、風險評估、預警、防控領域具有較大潛力，是有市場前景和價值的。