基于无人机光谱遥感和AI技术建立松材线虫害监测模型

李嘉祺 吴开华 张垚 赵大龙

（1.浙江工业大学理学院 浙江省杭州市 310023 2.杭州电子科技大学自动化学院（人工智能学院） 浙江省杭州市 315801）

（3.美国宾夕法尼亚州立大学工程学院 University Park PA 16801）

1 课题背景

松材线虫病是目前对我国各省区松树林区危害最大的病害类型之一，被称为松树的“癌症”，一旦发生病害，如不及时的监测和治理，将对我国的林业资源和生态安全造成巨大的威胁。开展松材线虫病疫情治理，首要环节是实现对染病和病死树木的准确监测识别与定位，但目前国内外尚未有有效的监测方法研究和应用。

经初步检索，目前国内外在利用卫星遥感、无人机航拍、激光雷达等技术检测及定位病虫害导致的枯死树木方面仅有少量研究文献发表，一些地方开展的森林资源监测实践也都处于小范围试点阶段，尚未实现对松材线病疫情林区的大面积高效、快速监测。综合判断，这类技术应用还处于早期，无人机遥感影像等技术在森防工作中的应用具有很大发展空间。

为阻止外来入侵物种松材线虫对我国林业的破坏，我们利用无人机测绘、光谱遥感技术在空间分辨率和光谱分辨率上的优势，探索研究大面积松林中疫木的科学检测分析方法，为类似的农林生物病虫害监测预警提供应用支撑。

2 研发思路

无人机测绘具有成本低、效率高、检测范围广、使用灵活等优点，运用高光谱传感器和多光谱传感器能够获得比可见光传感器更加细致和精准的数据，提高模型的准确率和可靠性。而神经网络作为深度学习中最常见的算法之一，对自动化图像识别和处理有极大帮助。

基于以上分析，本文以遭受松材线虫侵害的浙江省丽水市莲都区大港头乡林地作为试验用地，利用无人机搭载专门设计开发的高光谱和多光谱传感探测仪对受灾林地进行图像数据采集，随后运用卷积神经网络对图像中的松树枯死木进行预测和初步标注，再根据高光谱影像确定枯树的特征波段结合多光谱图像进行进一步分析，排除初步标注中的误识别目标，得到最终的枯树目标，实现大面积松木林松材线虫害的高效、快速监测，为松木材的稳产和高产提供技术支持。

3 项目创新点

（1）使用无人机对试验场地采集正射及不同倾斜角度（15/30/45）的影像，并对其进行重建，得到试验场地的正射拼接影像和3D 重建图像。

（2）使用高光谱传感器对枯死树木进行特征光谱分析，并使用高光谱/多光谱传感器替代可见光传感器对试验场地进行监测，基于特征波段多光谱构建指数模型，从而进一步提升模型的准确率。

（3）采用卷积神经网络筛选特征波段和对图像进行处理，在拥有较快的处理速度的同时保持有较高的准确率。

4 项目方案

4.1 图像的采集和预处理

研究区位于浙江省丽水市莲都区大港头林场，是莲都区重要林场之一。莲都区林地面积175.0989 万亩，其中松林面积90.84 万亩，是全市松材线虫重灾区之一。

开展本项目图像采集所需的仪器设备条件，主要包括机载高光谱仪、地物光谱仪、光谱分析系统、机载多光谱相机(如图1 所示)、红边相机、测绘相机及无人机平台等。其中采集用无人机搭载的多光谱传感器经过专门设计开发，可同时获取包含可见光与近红外在内的12 个波段数据。无人机多光谱数据的获取于2021年1月15日至2021年1月16日，研究区域面积10000m2，飞行高度100m。在进行试验前，在林地放置多块标定白板，用于像元值的相对标定。首先使用无人机对研究区进行测绘，根据林地树木的平均树冠高度计算测绘无人机飞行基本高度，再结合地形特征确定飞行高度。分别采集了正射及不同倾斜角度（15/30/45）的影像，并对标记白板放置处进行RTK 定位。随后运用无人机搭载高光谱相机，对提前人工标注的枯死病树和其他正常松树进行高光谱影像采集，意于比较正常松树与病树的特征光谱及其区别。再利用无人机搭载多光谱相机对整个研究区进行遥感采集，用于自动枯树识别与标注试验。

图1

将遥感得到的正射图像利用Pix4D Mapper 软件进行拼接,结果输出数字正射影像（图2a）；结合不同角度的斜射影像，生成3D重建图像（图2b）。并分别在图像中对提前人工确定的5 棵病树进行标注。

图2

4.2 卷积神经网络的搭建

卷积神经网络（CNN）是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一。卷积神经网络具有表征学习能力，能够按其阶层结构对输入信息进行平移不变分类。目前CNN 算法已经在自然语言处理、计算机视觉领域和包含大数据问题的物理学研究中得到广泛应用，通常用于物体检测、物体识别、场景检测、模式分析等。因此可以利用卷积神经网络进行病树枯木的特征学习以生成可用于枯树检测和定位的神经网络模型。

表1：模型测试结果

表2：枯树的检测坐标与人工RTK 定位坐标比较及误差计算

表3：精确枯树检测方法与初步枯树检测方法准确率比较

本文使用Pytorch 和Python3.7 建立卷积神经网络模型，CNN网络结构包括卷积层、池化层和全连接层，最后利用softmax 函数进行结果分类。不同的卷积层、池化层和全连接层搭配组合成不同复杂程度的CNN 网络，常见且具有代表性的CNN 网络有LeNet,AlexNet 和GoogLeNet。其中本文选用的GoogLeNet 更擅长拟合类黑盒环境的未知函数值，并且能够在神经网络达到较高性能的同时减小其计算开销，适用于需要高精准度和较高计算量的场景。

我们在基于GoogLeNet 建立卷积神经网络模型的过程中，改变原先通过单纯地增加网络深度和宽度提升网络性能的思想，建立了一种可交叉学习的主从型架构，该架构在两个并行网络（一个分支和一个主干）中处理数据。通过将一组输入向量映射到一组输出向量的函数，可以训练网络以学习该映射，使得两个有限维空间之间的任何函数都可以通过神经网络近似——如前者在输入端学习一些函数的近似值，后者则可在输出端学习相同的函数。

为适用病树枯木特征学习需求，我们还提出了一种新的包含特征的类别分布信息的特征加权算法。该算法利用特征在类别间的分布差异对传统特征加权算法进行改进，通过给类别区分能力更强的特征赋予更高权重，提高识别病树枯木的准确度。

同时考虑到实验和将来应用时动态调整数据维度、图像颗粒细度等参数的需要，确定该神经网络由22 个层组成，针对建立的卷积神经网络模型，通过修改局部的卷积核大小，既能保持网络结构的稀疏性又能利用密集矩阵的高计算性能。为了避免网络层数过深导致的梯度回传消失问题，网络还在不同深度处增加了两个loss 函数；为了加快收敛速度并且防止过拟合现象，每个卷积层后面都跟了一个ReLU 激活函数：

此外我们在该网络中还去除了最后的全连接层，用全局平均池化层来取代它，极大地减小了网络中的参数量，加速了模型的运算速度，减轻了过拟合现象。并且使用了InceptionModule 来增加网络的宽度，增加了分支网络，提高了参数的利用效率。

4.3 基于特征光谱的目标筛选

图3：基于图像分析的枯树初步检测结果（区域）

目前一般采用基于无人机平台的高清图像采集和分析的方法识别和定位枯木，存在识别精度不高、定位不准等问题，算法鲁棒性存在缺陷。主要原因是影像不能真实反映监测区域地形地貌和位置，同时地形对影像数据具有一定扭曲特征；以及林区植被较复杂，图像分析存在干扰因素导致误判，影响识别率的提高。我们首先根据高光谱传感器对病树和正常树进行光谱分析，得到林区得病松树的特征波段。基于特征波段对多光谱图像进行拼接和处理，分析出枯树的具体位置。相比基于图像分析的枯树检测，基于特征波段光谱图像分析，可以减少训练样本选择主观性影响、其它树种干扰、枯树周围没有绿色植被等因素对分析结果的影响。

5 结果及讨论

5.1 基于卷积神经网络的枯树检测模型

由无人机光谱遥感获得枯树与正常树图像数据集共5560 张，将其随机分成10 份用于交叉验证算法进行模型评估。将数据集带入上文描述的卷积神经网络模型进行训练，设置学习率为0.001 后开始迭代，模型损失值与迭代次数的关系曲线如图所示。从图中可以看出，经过迭代30 次后的枯树检测模型损失值基本收敛到稳定值，表明卷积神经网络模型达到了预期的训练效果。将原始数据集带入枯树检测模型测试模型正确率，最终结果如表1 所示。

图4：高光谱影像对比结果

图5：叠加地理信息的枯树分布

将拼接得到的数字正射影像带入枯树检测模型中进行图像分析，得到初步枯树检测结果，结果如图3 所示。对初步检测结果进行人工排查，发现存在部分样本误判的现象。

5.2 基于特征光谱的目标筛选后结果

为了能获取更多的角度的信息对松树枯木加以鉴别，以防止其他树种干扰、土地干扰等对试验结果造成的影响，本文引入基于特征光谱的目标筛选方法对初步枯树检测结果进行误判剔除。首先根据高光谱影像对比正常松树和病树枯树的光谱特征，其特征对比如图4 所示。

由光谱图像对比可以得知，枯树的反射光谱扫描曲线特征相对较平。其原理是，病虫害会造成作物叶片细胞结构色素、水分、氮元素等性质发生变化，从而引起反射光谱的变化，所以病虫害作物的反射光谱和正常作物可见光到热红外波段的反射光谱有明显差异。健康的绿色植物具有典型的光谱特征，遭受病虫害的植被其光谱反射率曲线的波状特征则被拉平。

基于特征波段对多光谱图像进行处理，可以辨别出其他树种的枯树目标和灰黄色土地误认为枯树的目标等。将误识别的非病害松树目标剔除，并利用测绘数据与三维重建数据结合得到枯树的地理信息（经纬度、海拔）。最终试验区域检测出松树枯木31 株，根据获得的枯树地理信息表，得到叠加地理信息标注的枯树分布图如图5 所示。

本次实验中，事先通过人工调查确定的5 个位置枯木全部检出，并且我们找到上述与人工现场定位对应的枯树，将检测坐标与人工RTK 定位坐标进行比较，得到相对人工定位的绝对误差，误差值在0.77-1.88m 范围，具体结果如表2 所示。

对比传统的基于可见光的图像识别判断枯树病树方法，其对模型和数据要求较高，为了能够分辨黄土和枯树以及枯死树种是否属于松树，往往需要较大的训练集进行模型训练，效果也不尽人意，算法鲁棒性较低。而本文提出的利用枯死松树特有的特征波段对目标进行筛选得到的精确枯树检测方法，能够较好地剔除误识别目标，实现较高的识别准确率。两种方法的准确率比较如表3 所示。

6 结论

本项目运用无人机光谱遥感监测替代无人机可见光遥感和卫星遥感影像，辅以卷积神经网络模型进行林区松材线虫病疫树自动识别标注与预警，具有更高的信息维度，能更加准确地识别和筛选病树。试验共检测到302 个有效目标，实现了95.03%的准确率；相比常规的图像识别模式，准确率提升55.86%。这表明应用无人机测绘、光谱遥感和神经网络建立松材线虫害监测数据模型相对于传统技术分析手段而言，拥有更高的准确率、鲁棒性和处理速度，在农林业病虫害早期监测、风险评估、预警、防控领域具有较大潜力，是有市场前景和价值的。