利用深度學(xué)習(xí)計(jì)數(shù)航拍圖中的桉樹樹樁

摘" 要：針對(duì)林木采伐過程中，被采伐林木的數(shù)量難以準(zhǔn)確計(jì)數(shù)的問題，提出一種從航拍圖中計(jì)數(shù)樹樁的新思路。首先用無人機(jī)低空飛行獲得經(jīng)采伐后桉樹林地的高清影像。將影像導(dǎo)入ArcGIS Pro，用內(nèi)置的深度學(xué)習(xí)模塊計(jì)數(shù)桉樹樹樁。對(duì)深度學(xué)習(xí)模塊進(jìn)行多輪參數(shù)優(yōu)化后，得到計(jì)數(shù)結(jié)果為947個(gè)樹樁。選取2塊具有代表性的樣地，通過目視判讀進(jìn)行精度驗(yàn)證，錯(cuò)分誤差為12.31%，漏分誤差為2.56%，結(jié)果較為理想，證明該方法的實(shí)用性和準(zhǔn)確性，可為桉樹林地的經(jīng)營管理提供技術(shù)支持。

關(guān)鍵詞：無人機(jī)；航拍圖；深度學(xué)習(xí)；桉樹；樹樁

中圖分類號(hào)：S792.39 文獻(xiàn)標(biāo)志碼：A" " " " " 文章編號(hào)：2096-9902（2023）16-0028-04

Abstract： In order to solve the problem that it is difficult to accurately count the number of trees to be cut in the process of forest cutting， a new idea of counting tree stumps from aerial pictures is put forward. First of all， the high-definition image of Eucalyptus woodland was obtained by low-altitude flight of UAV. Import the image into ArcGIS Pro and count the Eucalyptus stumps with the built-in deep learning module. After many rounds of parameter optimization of the depth learning module， the counting result is 947 stumps. Two representative sample plots are selected and the accuracy is verified by visual interpretation. the error of misclassification is 12.31% and the error of leakage is 2.56%. The result is ideal， thereby proves the practicability and accuracy of this method， and can provide technical support for the management of Eucalyptus woodland.

Keywords： UAV; aerial picture; deep learning; Eucalyptus; tree stump

隨著遙感技術(shù)的快速發(fā)展，無人機(jī)遙感技術(shù)給林業(yè)工作帶來新的方法和思路，有效提高了林業(yè)工作的效率和質(zhì)量[1]。在植被遙感的研究中，多位學(xué)者通過無人機(jī)航拍圖像結(jié)合遙感分析的方法得出樹木的數(shù)量。如付虹雨等[2]利用無人機(jī)遙感技術(shù)進(jìn)行了竺麻植株計(jì)數(shù)；李越帥等[3]利用無人機(jī)遙感影像對(duì)塔里木河流域的胡楊林進(jìn)行樹冠分割；朱學(xué)巖等[4]以貝葉斯CSRNet模型快速地統(tǒng)計(jì)無人機(jī)航拍圖像內(nèi)的云杉數(shù)量。在現(xiàn)代林業(yè)工作中，合理應(yīng)用無人機(jī)遙感能夠顯著提升作業(yè)效率及質(zhì)量。

同時(shí)，隨著近幾年智能林業(yè)的興起，深度學(xué)習(xí)在林業(yè)的應(yīng)用被越來越多的學(xué)者所重視[5]，與傳統(tǒng)圖像分類方法相比，深度學(xué)習(xí)在圖像分類中略過了復(fù)雜的人工提取特征過程，僅需輸入圖像即可進(jìn)行特征提取及識(shí)別，且分類效果更好。目前，深度學(xué)習(xí)在林業(yè)方面主要應(yīng)用于樹木分類與識(shí)別[6]、病蟲害監(jiān)測(cè)、森林火災(zāi)監(jiān)測(cè)與樹木監(jiān)測(cè)4個(gè)方面[7]。如趙嚴(yán)等[8]利用深度學(xué)習(xí)模型Pest-YOLOv4對(duì)林業(yè)害蟲進(jìn)行檢測(cè)；楊攀[9]利用深度學(xué)習(xí)WMR-CNN模型對(duì)木材材積進(jìn)行測(cè)量。雖然深度學(xué)習(xí)在林業(yè)方面的應(yīng)用發(fā)展十分迅速，但總體上對(duì)林業(yè)實(shí)際工作的應(yīng)用仍然較少。如何充分將其應(yīng)用于林業(yè)生產(chǎn)工作中，提高工作的效率和準(zhǔn)確率，是現(xiàn)代林業(yè)工作的重點(diǎn)。本文從實(shí)際生產(chǎn)中出發(fā)，為解決林業(yè)問題提供新思路。

在當(dāng)前的樹木采伐工作中，被采伐樹木數(shù)量的統(tǒng)計(jì)主要通過集中放置樹木主干后，對(duì)樹木主干進(jìn)行計(jì)數(shù)。這一方法雖然可以獲得較為準(zhǔn)確的被伐木數(shù)量，但其全程由采伐工作的承包人員操作，難以對(duì)其準(zhǔn)確性進(jìn)行核實(shí)。據(jù)業(yè)內(nèi)人士反映，樹木采伐人員常有將上報(bào)被伐木的數(shù)量減少的傾向。這一現(xiàn)象在南方的桉樹林種植區(qū)相當(dāng)普遍。本研究嘗試在被采伐后的桉樹林地，用無人機(jī)航拍結(jié)合深度學(xué)習(xí)的方式，對(duì)被采伐桉樹的樹樁數(shù)量進(jìn)行準(zhǔn)確計(jì)數(shù)，最后得出實(shí)際被伐木數(shù)量。

1" 林地概況

試驗(yàn)林地位于廣東省清遠(yuǎn)市清新區(qū)的桉樹商品林地，試驗(yàn)林地的其他植被為竹類和小灌木。2023年2月對(duì)試驗(yàn)林地的桉樹進(jìn)行了采伐，航拍圖中桉樹樹樁主要位于道路旁或夾雜在其他植被間。

2" 材料

2.1" 儀器

無人機(jī)：Mavic 3 Pro，深圳大疆創(chuàng)新科技有限公司。

2.2" 軟件

Agisoft Metashape Professional2.0（Agisoft LLC）；

Arcgis Pro 3.0（Esri）。

3" 試驗(yàn)步驟

3.1" 無人機(jī)圖像拍攝

拍攝時(shí)間為2023年4月。設(shè)定飛行參數(shù)如下：飛行覆蓋范圍為0.022 4 km2，飛行高度為35.8 m，照片數(shù)量為98張，正射影像分辨率為1.1 cm/pix。

3.2" 樣本標(biāo)注及保存

將原始影像拼接為正射影像圖以后，導(dǎo)入ArcGIS Pro，利用ArcGIS Pro分類工具中的“標(biāo)注對(duì)象以供深度學(xué)習(xí)使用”工具進(jìn)行標(biāo)注。標(biāo)注時(shí)選擇的樣本應(yīng)具代表性，確保樣本基本涵蓋所有類型，從而使深度學(xué)習(xí)對(duì)樣本的特征提取更全面。盡量保證標(biāo)注的樣本特征被全部涵蓋的同時(shí)減少周邊物體的干擾（如灌木、散落的樹枝、土地），即盡可能提高相應(yīng)樹樁所有特征在標(biāo)注區(qū)域中的面積占比。標(biāo)注完成后保存以作為樣本進(jìn)行模型訓(xùn)練。除此之外，樣本的標(biāo)注數(shù)量不能太少，否則無法通過訓(xùn)練得到穩(wěn)定的模型。

3.3" 訓(xùn)練深度學(xué)習(xí)模型及確定適當(dāng)模型

使用Arcgispro“地理處理”窗格中的“訓(xùn)練深度學(xué)習(xí)模型”工具進(jìn)行模型訓(xùn)練，通過調(diào)節(jié)批大?。╞atch-size）、訓(xùn)練輪數(shù)（epoch）進(jìn)行多次訓(xùn)練。在模型儲(chǔ)存目錄下的model_metrics文件可以看到模型的評(píng)價(jià)指標(biāo)——平均精度得分（Average Precision Score）。訓(xùn)練時(shí)盡可能地提高精度，從而得到適當(dāng)?shù)哪Ｐ汀?/p>

3.4" 使用深度學(xué)習(xí)進(jìn)行目標(biāo)檢測(cè)

利用訓(xùn)練好的模型對(duì)數(shù)據(jù)進(jìn)行處理，打開“使用深度學(xué)習(xí)檢測(cè)對(duì)象”工具，通過調(diào)整置信度（threshold）、批大小（batch-size）進(jìn)行多次處理，直到得到較好結(jié)果。

3.5" 對(duì)結(jié)果進(jìn)行檢驗(yàn)以評(píng)價(jià)其效果

選取合適的樣地進(jìn)行精度檢驗(yàn)[10]，在圖片上標(biāo)注漏分的研究對(duì)象和錯(cuò)分為研究對(duì)象的其他事物的位置， 并統(tǒng)計(jì)其數(shù)量， 對(duì)圖片上難以確定的對(duì)象到現(xiàn)場(chǎng)進(jìn)行調(diào)查。根據(jù)結(jié)果計(jì)算錯(cuò)分誤差和漏分誤差，計(jì)算公式為

制圖精度（%）=軟件判讀的研究對(duì)象數(shù)量/（軟件判讀的研究對(duì)象數(shù)量+漏分的研究對(duì)象數(shù)量），漏分誤差（%）=1-制圖精度（%），用戶精度（%）=軟件判讀的研究對(duì)象數(shù)量/（軟件判讀的研究對(duì)象數(shù)量+錯(cuò)分為研究對(duì)象的其他事物數(shù)量），錯(cuò)分誤差（%）=1-用戶精度（%）。

4" 結(jié)果與分析

4.1" 航拍結(jié)果

航拍結(jié)果如圖1所示。

4.2" 樣本標(biāo)注、模型訓(xùn)練及輸出結(jié)果

4.2.1" 樣本標(biāo)注

將圖片導(dǎo)入ArcGIS Pro中，樹樁形狀各異，還有部分樹樁的截面剛好位于分枝處，同時(shí)包括主干及分枝，因此標(biāo)注樣本時(shí)既要涵蓋各種形狀的僅包括主干的樹樁，也要標(biāo)注同時(shí)含有主干以及分枝年輪的樹樁。標(biāo)注樣本不宜過少，本試驗(yàn)標(biāo)注樣本數(shù)量為90個(gè)。

4.2.2" 模型訓(xùn)練

經(jīng)多次模型訓(xùn)練，當(dāng)批大小選擇為8，訓(xùn)練輪數(shù)為30輪，模型類型為單幀選擇器，骨干模型為ResNet-152時(shí)，模型擬合較好，平均精度得分較高，達(dá)到0.822 4，確定其為適當(dāng)?shù)哪Ｐ汀?/p>

4.2.3" 輸出結(jié)果

利用選定的模型對(duì)數(shù)據(jù)進(jìn)行處理多次得出，當(dāng)置信度選擇0.55，批大小選擇為8時(shí)，效果最佳。

4.3" 結(jié)果檢驗(yàn)及評(píng)價(jià)

程序輸出結(jié)果顯示要素總數(shù)為947個(gè)，通過選取樣地、目視判讀、精度檢驗(yàn)等工作對(duì)結(jié)果進(jìn)行檢驗(yàn)及評(píng)價(jià)。

4.3.1" 樣地選擇

該林地地勢(shì)起伏不大，整體來看可分為植被密集區(qū)域及植被稀疏區(qū)域（如道路周邊），為確保樣本具代表性，分別選擇左上方及右下方2塊區(qū)域作為樣地，且左上方樣地植被密集，而右下方樣地植被較稀疏。如圖1所示

選擇樣地的目的是得到可用于精度檢驗(yàn)的樣本，為確保其可驗(yàn)證整體的精準(zhǔn)度，應(yīng)保持樣本數(shù)不少于整體數(shù)量的10%，故選取樣本總數(shù)應(yīng)不少于95個(gè)，2塊樣地的樹樁均為114個(gè)，總數(shù)為228個(gè)。

4.3.2" 樣本檢驗(yàn)

對(duì)樣本進(jìn)行目視判讀，分別標(biāo)記錯(cuò)分為目標(biāo)的非目標(biāo)對(duì)象以及遺漏的目標(biāo)對(duì)象，其結(jié)果如圖2—圖5所示。

4.3.3" 計(jì)算精準(zhǔn)度

經(jīng)檢驗(yàn)，標(biāo)記出樣地的錯(cuò)分、漏分對(duì)象，其中白色圓形為錯(cuò)分對(duì)象，白色三角形為漏分對(duì)象，2塊樣地的統(tǒng)計(jì)結(jié)果見表1。

錯(cuò)分對(duì)象共32個(gè)，其中其他植物3個(gè)、道路8個(gè)、重復(fù)21個(gè)。錯(cuò)分對(duì)象主要為重復(fù)，其主要原因是部分桉樹采伐時(shí)截面同時(shí)保留有主干及分枝，導(dǎo)致軟件識(shí)別為2個(gè)目標(biāo)，造成了重復(fù)；而道路則由于其顏色同樹樁類似被錯(cuò)分為目標(biāo)；其他植物則是因?yàn)闃?biāo)注對(duì)象時(shí)為保證樣本具有代表性，部分被少量周邊植物遮蔽的樹樁也被作為樣本供深度學(xué)習(xí)訓(xùn)練，導(dǎo)致錯(cuò)誤識(shí)別。漏分對(duì)象共6處，其主要原因是被周邊植物遮蔽很嚴(yán)，在置信度不是很低的情況下會(huì)被軟件漏判。錯(cuò)分誤差為1-87.69%=12.31%，漏分誤差為1-97.44%=2.56%。

4.3.4" 結(jié)果評(píng)價(jià)

錯(cuò)分誤差較漏分誤差稍高，但總體結(jié)果較好。

5" 討論

在林業(yè)工作中，采伐工作是極為常見且重要的一環(huán)，這一工作常常被承包給專業(yè)采伐公司，因此之后的驗(yàn)收工作就極為重要，特別是采伐數(shù)目核對(duì)工作。目前數(shù)目核對(duì)工作仍是一個(gè)棘手的問題，林業(yè)工作范圍大，采伐驗(yàn)收工作勢(shì)必也要耗費(fèi)更多的人力、物力，且效果也難以評(píng)價(jià)。本研究提出的利用深度學(xué)習(xí)計(jì)數(shù)航拍圖中被伐樹樁的方法在實(shí)際生產(chǎn)中能較好地解決人工驗(yàn)收所面臨的痛點(diǎn)。

在林業(yè)相關(guān)問題中，其所需統(tǒng)計(jì)的樹木、樹樁等，都具有數(shù)量大、結(jié)構(gòu)不清晰且差異微小的特點(diǎn)，十分符合深度學(xué)習(xí)的應(yīng)用領(lǐng)域。深度學(xué)習(xí)在圖像的多尺度和多層次特征提取以及從低層次到高層次的特征組合方面具有很大的優(yōu)勢(shì)，在圖像處理[11]和分類問題中表現(xiàn)出優(yōu)異的性能。目前的深度學(xué)習(xí)大都依賴于編程工具，如Python等算法語言，但這對(duì)于林業(yè)工作者來說難度較大。本研究將無人機(jī)航拍的圖像與ArcGIS Pro軟件相結(jié)合，利用ArcGIS Pro軟件中內(nèi)置的深度學(xué)習(xí)功能來解決生產(chǎn)問題利用現(xiàn)有工具簡化了操作流程，降低了使用門檻，林業(yè)工作者更易掌握并用于實(shí)踐推廣，具有強(qiáng)大的現(xiàn)實(shí)意義。

本次試驗(yàn)雖取得了較高的精度，但仍有許多可以改進(jìn)的方面。

1）提高樣本數(shù)量。由樣本進(jìn)行訓(xùn)練生成的深度學(xué)習(xí)模型對(duì)試驗(yàn)結(jié)果影響較大，其中所標(biāo)記樣本的數(shù)量對(duì)模型質(zhì)量的影響很大。樣本數(shù)量的增加等于增大了數(shù)據(jù)量，從而增加了生成模型的訓(xùn)練量，更易得到表現(xiàn)良好的模型，提高解譯結(jié)果精準(zhǔn)度。

2）遙感影像優(yōu)化。在使用深度學(xué)習(xí)模型判讀結(jié)果時(shí)，以道路干擾為例，由于道路的顏色與樹樁截面十分相似，因此在機(jī)器判讀過程中，較多道路上的板塊被判定為樹樁，導(dǎo)致錯(cuò)分較多。道路干擾問題如果能夠解決，錯(cuò)分誤差將由12.31%降至9.52%，結(jié)果更加精準(zhǔn)。解決道路干擾問題賴于對(duì)樣本的優(yōu)化，如：在條件允許情況下采用更高分辨率的拍攝設(shè)備；對(duì)遙感影像進(jìn)行數(shù)據(jù)增強(qiáng)等。在后續(xù)的研究中，如果能利用深度學(xué)習(xí)把一部分干擾嚴(yán)重的非研究對(duì)象先一步分類并裁剪處理，理論上能夠一定程度地減少干擾從而優(yōu)化模型，提高準(zhǔn)確率，有待諸位學(xué)者進(jìn)一步試驗(yàn)。

參考文獻(xiàn)：

[1] 唐盛哲，潘海云，廖興文，等.我國林業(yè)遙感技術(shù)的發(fā)展及應(yīng)用[J].農(nóng)業(yè)研究與應(yīng)用，2022，35（1）：49-54.

[2] 付虹雨，崔國賢，佘瑋，等.結(jié)合無人機(jī)遙感和目標(biāo)檢測(cè)實(shí)現(xiàn)苧麻植株計(jì)數(shù)[J].中國麻業(yè)科學(xué)，2022，44（5）：267-277.

[3] 李越帥，鄭宏偉，羅格平，等.集成U-Net方法的無人機(jī)影像胡楊樹冠提取和計(jì)數(shù)[J].遙感技術(shù)與應(yīng)用，2019，34（5）：939-949.

[4] 朱學(xué)巖，張新偉，才嘉偉，等.基于無人機(jī)圖像和貝葉斯CSRNet模型的粘連云杉計(jì)數(shù)[J].農(nóng)業(yè)工程學(xué)報(bào)，2022，38（14）：43-50，319.

[5] MINU E P， MAYA L P. Detection of rice leaf diseases using image processin[C]//In 2020 Fourth International Conference onComputing Methodologies and Communication（ICCMC），2020：424-430.

[6] 章晨. 基于深度學(xué)習(xí)的無人機(jī)遙感城市森林樹種分類研究[D].杭州：浙江農(nóng)林大學(xué)，2019.

[7] 南玉龍，張慧春，鄭加強(qiáng)，等.深度學(xué)習(xí)在林業(yè)中的應(yīng)用[J].世界林業(yè)研究，2021，34（5）：87-90.

[8] 趙嚴(yán)，劉應(yīng)安，業(yè)巧林，等.基于深度學(xué)習(xí)的林業(yè)害蟲檢測(cè)優(yōu)化[J].液晶與顯示，2022，37（9）：1216-1227.

[9] 楊攀.基于深度學(xué)習(xí)的木材材積自動(dòng)測(cè)量關(guān)鍵技術(shù)研究[D].福州：福建工程學(xué)院，2022.

[10] 王上上，王軍，孫思.無人機(jī)遙感技術(shù)對(duì)園林樹木的計(jì)數(shù)統(tǒng)計(jì)[J].仲愷農(nóng)業(yè)工程學(xué)院學(xué)報(bào)，2017，30（3）：37-42.

[11] 仲科，張曉勤.發(fā)展我國的數(shù)字林業(yè)體系[J].北京林業(yè)大學(xué)學(xué)報(bào)，2000，22（5）：102-103.