基于無(wú)人機(jī)遙感和深度學(xué)習(xí)的松材線(xiàn)蟲(chóng)病疫木自動(dòng)提取方法研究*

時(shí)啟龍,黃石明,張明霞,肖欣,喻俊,徐健，邱琳

(1.江西師范大學(xué) 鄱陽(yáng)湖濕地與流域研究教育部重點(diǎn)實(shí)驗(yàn)室,江西 南昌 330022；2.江西省林業(yè)資源監(jiān)測(cè)中心,江西 南昌 330046；3.江西師范大學(xué) 地理與環(huán)境學(xué)院，江西 南昌 330022)

松材線(xiàn)蟲(chóng)病(Bursaphelenchusxylophilus)是一種由松墨天牛(Monochamusalternatus)攜帶傳播松材線(xiàn)蟲(chóng)而引起的一種毀滅性病害[1]，經(jīng)過(guò)該病害侵染后的松樹(shù)會(huì)因?yàn)榫S管系統(tǒng)失去水分輸導(dǎo)功能而快速萎蔫死亡[2]。松材線(xiàn)蟲(chóng)病于1982年首次在我國(guó)南京市發(fā)現(xiàn)[3-4]，而后疫情不斷擴(kuò)展蔓延，造成松樹(shù)大量死亡。據(jù)統(tǒng)計(jì)，自松材線(xiàn)蟲(chóng)病入侵以來(lái)已累計(jì)致死松樹(shù)達(dá)數(shù)10×108株，造成的直接經(jīng)濟(jì)損失和間接經(jīng)濟(jì)損失上千億元，松材線(xiàn)蟲(chóng)病已成為近40 a來(lái)我國(guó)發(fā)生最嚴(yán)重、最危險(xiǎn)的重大林業(yè)病害[5]。

松材線(xiàn)蟲(chóng)病具有蔓延速度快、發(fā)病時(shí)間短、致死率高等特點(diǎn)，如不能及時(shí)對(duì)松材線(xiàn)蟲(chóng)病疫情進(jìn)行有效防控，將會(huì)在短時(shí)間內(nèi)造成林區(qū)內(nèi)松樹(shù)(Pinus)的大面積死亡[6]。感染松材線(xiàn)蟲(chóng)病的疫木最明顯特征就是林木出現(xiàn)枯萎、色變等異常現(xiàn)象，一般可以通過(guò)目視進(jìn)行判斷。早期對(duì)松材線(xiàn)蟲(chóng)疫情的監(jiān)測(cè)由于受技術(shù)水平的限制，外業(yè)調(diào)查主要依靠林業(yè)技術(shù)人員對(duì)發(fā)生疫情的區(qū)域進(jìn)行野外勘察，不僅工作量巨大，而且數(shù)據(jù)失真，對(duì)指導(dǎo)松材線(xiàn)蟲(chóng)病防控收效甚微[7]。20世紀(jì)70年代末，很多研究機(jī)構(gòu)和學(xué)者開(kāi)始將衛(wèi)星遙感技術(shù)應(yīng)用于林業(yè)病蟲(chóng)害監(jiān)測(cè)方面，如美國(guó)應(yīng)用衛(wèi)星遙感技術(shù)監(jiān)測(cè)病蟲(chóng)害侵害闊葉林的面積和程度等[8]。Nelson等[9]、Rencz等[10]曾利用Landsat MSS數(shù)據(jù)監(jiān)測(cè)舞毒蛾(Lymantriadispar)、山松甲蟲(chóng)(Dendroctonusponderosae)對(duì)森林的侵染，并分析不同波段間準(zhǔn)確率的差異。日本1982年也開(kāi)始研究應(yīng)用美國(guó)資源衛(wèi)星調(diào)查森林病蟲(chóng)害[11]。我國(guó)將遙感技術(shù)用于病蟲(chóng)害監(jiān)測(cè)起步較晚，20世紀(jì)90年代初，戴昌達(dá)等[12]在安徽省應(yīng)用TM圖像進(jìn)行了越冬代松毛蟲(chóng)(Dendrolimussp.)災(zāi)害的監(jiān)測(cè)應(yīng)用研究，并輸出區(qū)分松毛蟲(chóng)危害的重害、輕害、無(wú)害、非林地四類(lèi)分布圖。武紅敢等[13]、池天河等[14]、楊存建等[15]等也對(duì)松毛蟲(chóng)災(zāi)害的TM影像監(jiān)測(cè)技術(shù)進(jìn)行了深入研究。因受制于遙感影像分辨率的影響，基于衛(wèi)星遙感開(kāi)展松材線(xiàn)蟲(chóng)疫情監(jiān)測(cè)的應(yīng)用依然難以有效進(jìn)行[16]。近幾年來(lái)，無(wú)人機(jī)遙感監(jiān)測(cè)技術(shù)因其具有機(jī)動(dòng)靈活、實(shí)時(shí)性強(qiáng)等優(yōu)勢(shì)，作為衛(wèi)星遙感技術(shù)的有力補(bǔ)充手段而得到廣泛應(yīng)用[17]。如：劉遐齡等[18]基于無(wú)人機(jī)拍攝的高分辨率遙感圖像，采用目視判讀、模版匹配2種方法分別對(duì)疫區(qū)松材線(xiàn)蟲(chóng)病危害木進(jìn)行遙感識(shí)別，相較于目視解譯的傳統(tǒng)信息提取方式，模版匹配方法在精度和效率方面具有明顯優(yōu)勢(shì),能有效提高松材線(xiàn)蟲(chóng)病危害木的監(jiān)測(cè)效率；武紅敢等[19]利用無(wú)人機(jī)遙感技術(shù)分析了枯死松樹(shù)的空間分布狀況，總結(jié)了在地形復(fù)雜山區(qū)開(kāi)展低空遙感監(jiān)測(cè)的經(jīng)驗(yàn)和對(duì)策；呂曉君等[20]、Hu等[21]、Iordache等[22]利用無(wú)人機(jī)遙感來(lái)高效監(jiān)測(cè)松材線(xiàn)蟲(chóng)病害的發(fā)生。

雖然無(wú)人機(jī)遙感技術(shù)的發(fā)展有效地提高了遙感圖像的分辨率和精度，但仍然未根本解決需要人工輔助而導(dǎo)致的工作強(qiáng)度大、效率低等問(wèn)題。隨著人工智能技術(shù)的出現(xiàn)，多種基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法逐步在森林病害識(shí)別領(lǐng)域得到應(yīng)用[23]。黃華毅等[7]基于無(wú)人機(jī)遙感技術(shù)，利用Fast R-CNN深度學(xué)習(xí)模型提取了松材線(xiàn)蟲(chóng)病死木的分布位置。李浩等[24]和 Deng 等[25]均基于無(wú)人機(jī)遙感和深度學(xué)習(xí)框架對(duì)病枯死松樹(shù)進(jìn)行判別，取得了不錯(cuò)的效果。上述研究多是通過(guò)實(shí)例分割的方法對(duì)松材線(xiàn)蟲(chóng)疫木進(jìn)行目標(biāo)檢測(cè)。本項(xiàng)目從語(yǔ)義分割的角度基于無(wú)人機(jī)遙感技術(shù)和深度學(xué)習(xí)框架，利用U-Net和SegNet模型算法對(duì)江西省贛州地區(qū)的馬尾松(PinusmassonianaLamb.)松材線(xiàn)蟲(chóng)疫木進(jìn)行自動(dòng)識(shí)別提取，為松材線(xiàn)蟲(chóng)疫木監(jiān)測(cè)提供了一種快捷有效的方法，能夠較大程度減少人工識(shí)別和調(diào)查的工作量，具有較高的應(yīng)用前景。

1 研究區(qū)域概況

研究區(qū)選擇江西省南部贛州地區(qū)，其森林資源豐富、植被覆蓋率高，尤其是馬尾松林面積比較大，主要分布于贛州北部的興國(guó)縣、于都縣、贛縣區(qū)等地，多為20世紀(jì)七八十年代的馬尾松飛播林，生長(zhǎng)環(huán)境以土壤比較貧瘠的高山陡坡為主，其生態(tài)意義十分重要。根據(jù)2020年國(guó)家林業(yè)局公告，贛州地區(qū)除石城縣外，其他各縣市區(qū)均被列為松材線(xiàn)蟲(chóng)病疫區(qū)，按發(fā)生程度劃分等級(jí)：興國(guó)縣、于都縣、上猶縣、南康區(qū)和信豐縣為重度區(qū)，章貢區(qū)、瑞金市、會(huì)昌縣、安遠(yuǎn)縣、尋烏縣、定南縣和龍南市為中度區(qū)，崇義縣、大余縣、寧都縣、贛縣區(qū)和全南縣則為輕度區(qū)。近年來(lái)，當(dāng)?shù)亓謽I(yè)主管部門(mén)采取了多種防治措施，但由于馬尾松林分布范圍廣、所處地理環(huán)境復(fù)雜，松材線(xiàn)蟲(chóng)病擴(kuò)散蔓延的強(qiáng)勁勢(shì)頭并沒(méi)有得到有效遏制。

2 數(shù)據(jù)和方法

2.1 航測(cè)攝影

本研究選取贛州地區(qū)松材線(xiàn)蟲(chóng)疫情比較嚴(yán)重的區(qū)域，分別于2020年10月、2021年5月和9月開(kāi)展了50余架次航測(cè)，航測(cè)面積約20 km2，涵蓋了馬尾松純林和混交林。在航測(cè)區(qū)選取有代表性和典型性的區(qū)域部署了6個(gè)野外采樣點(diǎn)，其中馬尾松純林1個(gè)，混交林5個(gè)；每個(gè)采樣點(diǎn)設(shè)置一個(gè)50 m×50 m的正方形樣地，航測(cè)的同時(shí)，分別對(duì)樣地內(nèi)的林木進(jìn)行調(diào)查記錄。航測(cè)攝影選用精靈PHANTOM 4 RTK無(wú)人機(jī)，定位精度為垂直1.5 cm+1 ppm(1 ppm是指飛行器每移動(dòng)1 km，誤差增加1 mm)，水平1 cm+1 ppm，平均地面采樣分辨率為0.1 m。航測(cè)攝影作業(yè)時(shí)間選在晴朗無(wú)風(fēng)天氣的10:00—11:30和14:30—16:00,以防止拍攝的影像出現(xiàn)變形和過(guò)度曝光。航測(cè)完成后，首先對(duì)影像進(jìn)行質(zhì)量檢查，剔除質(zhì)量較低的影像，然后經(jīng)過(guò)影像拼接和正射校正等處理，形成無(wú)人機(jī)正射影像圖，見(jiàn)圖1。

2.2 構(gòu)建樣本數(shù)據(jù)庫(kù)

基于深度學(xué)習(xí)的目標(biāo)識(shí)別是計(jì)算機(jī)自動(dòng)從大量圖像樣本數(shù)據(jù)庫(kù)中去學(xué)習(xí)目標(biāo)事物的內(nèi)在特征，并進(jìn)行特征提取，從而實(shí)現(xiàn)目標(biāo)識(shí)別。構(gòu)建訓(xùn)練樣本數(shù)據(jù)庫(kù)是進(jìn)行深度學(xué)習(xí)目標(biāo)識(shí)別的基礎(chǔ)，樣本數(shù)據(jù)庫(kù)的質(zhì)量直接關(guān)系到目標(biāo)識(shí)別的準(zhǔn)確程度。本研究以被松材線(xiàn)蟲(chóng)感染的疫木為目標(biāo)，通過(guò)面向?qū)ο筇崛『腿斯ば：说姆绞綄?duì)圖像進(jìn)行標(biāo)注，并以256×256像素大小對(duì)圖像和標(biāo)簽進(jìn)行裁剪，然后以8︰2的比例將圖像隨機(jī)分成訓(xùn)練集和驗(yàn)證集，從而構(gòu)建出包括圖像和相應(yīng)標(biāo)簽的深度學(xué)習(xí)樣本數(shù)據(jù)庫(kù)，樣本數(shù)據(jù)庫(kù)共包括2000對(duì)圖像和標(biāo)簽。

樣本標(biāo)注

2.3 構(gòu)建深度學(xué)習(xí)模型

深度學(xué)習(xí)模型的構(gòu)建是一個(gè)循環(huán)訓(xùn)練和不斷進(jìn)行參數(shù)調(diào)整及優(yōu)化的過(guò)程，通過(guò)對(duì)所建立的龐大訓(xùn)練樣本數(shù)據(jù)庫(kù)進(jìn)行循環(huán)迭代訓(xùn)練，計(jì)算機(jī)將根據(jù)訓(xùn)練樣本數(shù)據(jù)庫(kù)的圖像特征構(gòu)建深度學(xué)習(xí)圖像識(shí)別函數(shù)，并通過(guò)大量的訓(xùn)練來(lái)不斷計(jì)算和調(diào)整模型函數(shù)間的關(guān)系，從而構(gòu)建出精度較高的深度學(xué)習(xí)模型。對(duì)于后期不斷增加的訓(xùn)練樣本數(shù)據(jù)庫(kù)，計(jì)算機(jī)將通過(guò)遷移學(xué)習(xí)的方式來(lái)對(duì)已有的深度學(xué)習(xí)模型進(jìn)行繼續(xù)訓(xùn)練，從而不斷提高模型精度。本研究基于Google公司發(fā)布的TensorFlow深度學(xué)習(xí)框架，構(gòu)建了兩種當(dāng)前圖像識(shí)別領(lǐng)域識(shí)別效果較好且模型結(jié)構(gòu)相似的卷積神經(jīng)網(wǎng)絡(luò)，具體如下。

(1)U-Net神經(jīng)網(wǎng)絡(luò) U-Net神經(jīng)網(wǎng)絡(luò)模型是一個(gè)有監(jiān)督的端到端的圖像分割網(wǎng)絡(luò)，由弗萊堡大學(xué)Olaf在ISBI舉辦的細(xì)胞影像分割比賽中提出。其網(wǎng)絡(luò)結(jié)構(gòu)形式如字母U，故命名為U-Net，網(wǎng)絡(luò)主要由兩部分構(gòu)成，編碼層和解碼層，前者主要用于提取圖片的上下文信息，后者用于對(duì)圖片中感興趣區(qū)域進(jìn)行精準(zhǔn)定位。

(2)SegNet神經(jīng)網(wǎng)絡(luò) SegNet神經(jīng)網(wǎng)絡(luò)是由劍橋大學(xué)團(tuán)隊(duì)開(kāi)發(fā)的圖像分割網(wǎng)絡(luò)，也是一個(gè)對(duì)稱(chēng)性卷積神經(jīng)網(wǎng)絡(luò)，中間由pooling層與upsampling層作為分割，左邊卷積層用于提取高維特征，并通過(guò)pooling層使圖像變小，右邊是反卷積與upsampling層，通過(guò)反卷積層使得圖像分類(lèi)后特征得以重現(xiàn)，并利用upsampling層使圖像變大，最后通過(guò)Softmax分類(lèi)器，輸出不同分類(lèi)的最大值。

本研究所構(gòu)建深度學(xué)習(xí)模型初始學(xué)習(xí)率均設(shè)置為1e-5，損失函數(shù)采用“categorical_crossentropy”函數(shù)，批處理大小為50，訓(xùn)練迭代次數(shù)100次。

2.4 驗(yàn)證精度指標(biāo)

本研究對(duì)深度學(xué)習(xí)模型所提取的結(jié)果采用的精度評(píng)價(jià)指標(biāo)為精確率(P)、召回率(R)，以及二者之間的調(diào)和平均值(F),這3種指標(biāo)在一定程度上可以客觀反映所構(gòu)建深度學(xué)習(xí)模型的精度，公式如下。

式中：TP表示正確檢測(cè)為松材線(xiàn)蟲(chóng)疫木的像素?cái)?shù)量，F(xiàn)P為實(shí)際不為松材線(xiàn)蟲(chóng)疫木但被檢測(cè)為松材線(xiàn)蟲(chóng)疫木的像素?cái)?shù)量，F(xiàn)N為實(shí)際為松材線(xiàn)蟲(chóng)疫木但未檢測(cè)出的像素?cái)?shù)量。

3 結(jié)果與分析

3.1 模型訓(xùn)練精度分析

本研究分別對(duì)所構(gòu)建U-Net和SegNet神經(jīng)網(wǎng)絡(luò)模型進(jìn)行了迭代訓(xùn)練，其訓(xùn)練精度如圖2所示。U-Net神經(jīng)網(wǎng)絡(luò)模型總訓(xùn)練時(shí)間為23.5 h，訓(xùn)練精度為95.31%，訓(xùn)練損失為0.19，驗(yàn)證精度為94.52%，驗(yàn)證損失為0.27。SegNet神經(jīng)網(wǎng)絡(luò)模型總訓(xùn)練時(shí)間為68.3 h，訓(xùn)練精度為96.47%，訓(xùn)練損失為0.13，驗(yàn)證精度為88.93%，驗(yàn)證損失為0.53。通過(guò)訓(xùn)練數(shù)據(jù)對(duì)比，U-Net網(wǎng)絡(luò)模型和SegNet網(wǎng)絡(luò)模型訓(xùn)練精度均超過(guò)了95%，SegNet網(wǎng)絡(luò)模型驗(yàn)證精度要低于U-Net網(wǎng)絡(luò)模型，而且通過(guò)其訓(xùn)練損失和驗(yàn)證損失來(lái)看，SegNet網(wǎng)絡(luò)模型在訓(xùn)練過(guò)程出現(xiàn)了過(guò)擬合現(xiàn)象。另外從模型訓(xùn)練時(shí)間來(lái)看，在相同訓(xùn)練樣本和初始設(shè)置的情況下，SegNet網(wǎng)絡(luò)模型訓(xùn)練時(shí)間比U-Net網(wǎng)絡(luò)模型多了44.8 h，模型訓(xùn)練效率比較低。

圖2 模型訓(xùn)練精度圖Fig.2 Model training accuracy

3.2 模型驗(yàn)證精度分析

為驗(yàn)證上述兩種神經(jīng)網(wǎng)絡(luò)模型對(duì)松材線(xiàn)蟲(chóng)疫木的識(shí)別能力，本研究選取于都縣獅公巖約2 km2區(qū)域，開(kāi)展了預(yù)測(cè)，其提取效果及驗(yàn)證精度指標(biāo)如圖3和表1所示，U-Net網(wǎng)絡(luò)模型精確率為81.36%，召回率為83.12%,調(diào)和平均值為82.23%，SegNet網(wǎng)絡(luò)模型精確率為75.21%，召回率為76.84%，調(diào)和平均值為76.01%，U-Net網(wǎng)絡(luò)模型驗(yàn)證精度指標(biāo)明顯高于SegNet網(wǎng)絡(luò)模型。從圖上也可以直觀看出，兩種神經(jīng)網(wǎng)絡(luò)模型對(duì)松材線(xiàn)蟲(chóng)疫木均有一定的識(shí)別能力，所提取的松材線(xiàn)蟲(chóng)疫木圖斑范圍也基本與疫木樹(shù)冠邊緣吻合，但就整體情況而言，U-Net網(wǎng)絡(luò)模型提取效果相比SegNet網(wǎng)絡(luò)模型要更好一些。

圖3 兩種模型提取結(jié)果比Fig.3 Model extraction results

表1 兩種模型的驗(yàn)證精度Tab.1 Model validation accuracy %

同時(shí)，從松材線(xiàn)蟲(chóng)疫木提取效果圖上我們也看到，兩種神經(jīng)網(wǎng)絡(luò)模型均存在疫木遺漏和誤判的現(xiàn)象，這主要由于前期在訓(xùn)練樣本標(biāo)注的時(shí)候，疫木邊界范圍標(biāo)注不準(zhǔn)確，以及訓(xùn)練樣本中存在漏標(biāo)注疫木等原因造成的。另外，U-Net神經(jīng)網(wǎng)絡(luò)模型屬于FCN的一種變體，采用圖像patches進(jìn)行訓(xùn)練，部分解決了樣本數(shù)據(jù)不足的問(wèn)題，而SegNet神經(jīng)網(wǎng)絡(luò)模型則需要基于更多的樣本數(shù)據(jù)來(lái)減少網(wǎng)絡(luò)過(guò)擬合現(xiàn)象的出現(xiàn)。在后期研究中我們將繼續(xù)提升樣本的數(shù)量和質(zhì)量，并對(duì)模型結(jié)構(gòu)和模型參數(shù)進(jìn)行調(diào)整和優(yōu)化，以提高模型的識(shí)別能力和泛化能力。通過(guò)本研究也充分說(shuō)明，利用深度學(xué)習(xí)模型對(duì)松材線(xiàn)蟲(chóng)疫木開(kāi)展識(shí)別是可行的，具有較高的應(yīng)用潛力和推廣價(jià)值，尤其對(duì)于大規(guī)模、大范圍的松材線(xiàn)蟲(chóng)疫木調(diào)查，具有很強(qiáng)的輔助作用，可以大大減輕人工識(shí)別和外業(yè)調(diào)查的工作量。

4 討論與結(jié)論

在林業(yè)日常管理中，對(duì)松材線(xiàn)蟲(chóng)病疫木的監(jiān)測(cè)重點(diǎn)是發(fā)現(xiàn)疫木的位置和分布，進(jìn)而對(duì)疫木進(jìn)行采伐、掩埋或焚燒等處理。本研究通過(guò)語(yǔ)義分割的模式構(gòu)建了U-Net和SegNet兩種卷積神經(jīng)網(wǎng)絡(luò)模型，通過(guò)研究發(fā)現(xiàn)，U-Net網(wǎng)絡(luò)模型和SegNet網(wǎng)絡(luò)模型在訓(xùn)練過(guò)程中訓(xùn)練精度均超過(guò)了95%，但U-Net網(wǎng)絡(luò)模型驗(yàn)證精度要高于SegNet網(wǎng)絡(luò)模型，SegNet網(wǎng)絡(luò)模型在訓(xùn)練過(guò)程中出現(xiàn)了過(guò)擬合現(xiàn)象，從而影響該模型的驗(yàn)證精度；通過(guò)對(duì)兩個(gè)模型進(jìn)行預(yù)測(cè)應(yīng)用，結(jié)果顯示，U-Net網(wǎng)絡(luò)模型識(shí)別效果要優(yōu)于SegNet網(wǎng)絡(luò)模型；同時(shí)，U-Net網(wǎng)絡(luò)模型可以基于少量的訓(xùn)練樣本，構(gòu)建出精度較高的預(yù)測(cè)模型，而SegNet網(wǎng)絡(luò)模型則不能，這也是U-Net網(wǎng)絡(luò)模型使用日益廣泛的原因。但同時(shí)也不難發(fā)現(xiàn)，雖然基于語(yǔ)義分割的深度學(xué)習(xí)模型可以獲取疫木的分布位置和面積，卻無(wú)法對(duì)疫木個(gè)體進(jìn)行識(shí)別，難以獲得疫木的具體數(shù)量。今后，將結(jié)合實(shí)例分割深度學(xué)習(xí)模型對(duì)松材線(xiàn)蟲(chóng)疫木的分布和數(shù)量展開(kāi)進(jìn)一步研究，以期獲得更好的結(jié)果。

此外，隨著計(jì)算機(jī)和信息化技術(shù)的發(fā)展，人工智能技術(shù)在多個(gè)領(lǐng)域均取得了長(zhǎng)足的進(jìn)展，如在無(wú)人駕駛[26]、醫(yī)療診斷[27]、人臉識(shí)別[28]和語(yǔ)音識(shí)別[29]等方面均獲得了不錯(cuò)的效果。近幾年不少研究人員，如龔健雅等[30]、張翠軍等[31]、黃華毅等[7]開(kāi)始將人工智能引入遙感圖像智能識(shí)別領(lǐng)域，包括遙感地物識(shí)別、遙感變化檢測(cè)、植物病蟲(chóng)害檢測(cè)等，均取得了一定的成績(jī)。但由于遙感技術(shù)往往屬于大尺度、大范圍的監(jiān)測(cè)技術(shù)，成像區(qū)域覆蓋圍廣、覆蓋環(huán)境復(fù)雜，且存在“同物異譜、異物同譜”現(xiàn)象，造成人工智能在遙感圖像自動(dòng)識(shí)別實(shí)際應(yīng)用中精度還不是很高，需要配合后期的人工校核和處理。不過(guò)隨著人工智能和高光譜遙感技術(shù)的不斷發(fā)展，基于人工智能的遙感圖像自動(dòng)識(shí)別技術(shù)將會(huì)得到更加廣泛的應(yīng)用。