基于无人机及深度学习技术的松材线虫病害调查及其应用.pdf

第14 卷第14 期2023年7 月黑龙江科学HEILONGJIANG SCIENCEVol.14Jul.2023基于无人机及深度学习技术的松材线虫病害调查及其应用江晓鹏（梅州市林业综合服务中心，广东梅州514 0 0 0）摘要：松材线虫以松树为食，极易导致松树成片衰弱、枯死，严重破坏森林生态系统的稳定性，会对森林健康及经济林产业造成较大的影响。因此，加强对松材线虫病害的监测及预警、提高森林管理及防治水平具有重要意义。以某工程为例，基于无人机对松树林航拍影像进行研究，提出应用YoloV3算法实现病害植株的自动识别。结果表明，此方法具有较精准的识别及定位效果，可为林地调查及保护提供更快速、更精确的数据支持。关键词：无人机；松材线虫；YoloV3算法；病害识别中图分类号：S285Investigation and Application of Pine Wood Nematode Disease Based(Meizhou Forestry Comprehensive Service Center,Meizhou 514000,China)Abstract:Pine wood nematodes feed on pine trees,which can easily lead to the weakening and dying of pine trees,seriously destroy the stability of forest ecosystem,and have a great impact on forest health and economic forest industry.Therefore,it is of great significance to strengthen the monitoring and early warning of pine wood nematode disease,andimprove the level of forest management and control.Through taking a project as an example,the study researched aerialimages of pine forest based on UAV,and applied YoloV3 algorithm to realize automatic identification of disease plants.The results show that the method has more accurate identification and location function,and can provide more rapid andaccurate data support for forest land investigation and protection.Key words:UAV;Pine wood nematode;YoloV3 algorithm;Disease identification0引言松材线虫是一种寄生性线虫，以松树作为宿主引发松材线虫病害，是松树林木资源面临的重要威胁之一。其通过传播媒介（如松墨天牛等）从一个被感染的松树宿主传播到其他未感染的松树上，导致病害在森林中迅速扩散，一旦病害蔓延，很难控制及治理，会给松树种群及森林生态系统造成巨大的损失，对林业产业及生态环境造成严重影响。为了应对松材线虫病害的威胁,我国采取了一系列的防治措施,如加强病害监测和预警，做好病害防控，推进松材线虫病害的科学研究等。但传统的调查与监测以人工排查为主，作业效率低，人工成本高。随着科技的不断进步，应用无人收稿日期:2 0 2 3-0 6-19作者简介：江晓鹏（19 8 6），男，硕士，工程师。研究方向：森林资源管理、无人机航拍测量、林业制图及林业信息化等。150文献标志码：Aon UAV and Deep Learning Technology的潜力及应用前景 1-3。O1主要技术理论1.1YoloV3算法YoloV3是一种基于卷积神经网络的物体检测算法,是You Only Look Once系列算法的第三个版本。通过对图像进行单次前向传递，直接从像素级别预测物体的类别与边界框。YoloV3流程包括3部分：输入图像的预处理，包括图像尺寸调整及归一化。通过多个卷积层及特征图进行多尺度的物体检测及分类。通过非极大值抑制（NMS）过程筛选出置信度高的物体边界框并输出最终的检测结果。YoloV3在物体检测任务中表现出色，具有快速、准确的特点，被文章编号：16 7 4-8 6 4 6(2 0 2 3)14-0 150-0 3Jiang Xiaopeng机进行智能化调查逐渐受到关注。通过无人机搭载高分辨率相机,结合深度学习算法,对病害进行智能化调查及分析，可大大提高调查效率及准确性。本研究探讨了基于无人机与深度学习技术的松材线虫病害调查及应用,分析其在松材线虫病害监测、预警与防治方面广泛应用于自动驾驶、视频监控、智能安防等领域。YoloV3的开源便于进行二次开发及定制,适用于不同应用场景的需求。由于YoloV3算法关注不同物体的局部及边缘检测，故本研究对颜色通道、纹理提取等网络设计进行了改进。1.2OpenCV纹理特征提取在OpenCV中,主要使用灰度共生矩阵（Gray-Lev-el Co-occurrence Matrix,GLCM）来提取纹理特征。这是一种用于描述图像纹理特征的矩阵，通过统计图像中各个像素的灰度值来衡量在给定方向与距离上出现的频率纹理特征。将图像转换为灰度图像，因为纹理特征通常在灰度图像上更明显，构建灰度共生矩阵（G L C M）,再从GLCM中提取纹理特征。纹理特征包括对比度（contrast）、一致性（homogeneity）、能量（ener-gy)及相关性(correlation)等。1.3?无人机影像采集技术无人机影像采集技术是利用无人机（无人驾驶飞行器)搭载的相机、传感器或其他采集设备，通过航空或遥感设备获取地面及空中图像数据的技术，通过无人机的高空俯瞰视角及灵活机动性获取高分辨率、大范围的图像数据，在很多领域都有着广泛的应用。序号类别1正常巡航速度2续航时间3悬停精度RTK4最大起飞海拔高度2.2病害植株智能化检测智能化识别使用NVIDIAGRIDKI作为运算CPU，CUDA10.0+CuDNN+PyTorch1.1作为深度学习软件平台，主要步骤分为深度学习模型训练与应用两个阶段。2.2.1训练阶段进行航拍图像归一化预处理，主要包括图像切割、索引,利用中值滤波、Gamma矫正及提高对比度亮度、图像缩放、平移、旋转等方法进行图像增强。从图像库中抽取适量数目并将具有较高多样性（至少2 50 0 株疫木）的图像集合作为人工标注集合。使用AutoCAD等软件在标注集合图像上完成疫木轮廓标注，对标注DXF的文件进行解析，映射至原图对应位置，生成深度学习可读的轮廊描述json 文件 5将标注图像与json的文件按照8 0%2 0%的比例随机分割为训练集合与测试集合。基于YoloV3设计农林病虫害场景的深度神经网络，在8 0%的训练集合2案例实践实验测区位于M市A县，主要以种植马尾松为主,林业面积达到10 0 亩。该林场创造了一个相对稳定的生态环境，为各种植物及动物提供栖息地，保护土壤质量及水源，促进地下水及水域的可持续利用，对当地经济发展具有重要作用。每年春节是松材线虫的高病发期,林场发现松材线虫病分布，但由于林区整体面积较大，仅依靠人工巡检难度较大，故应用无人机航拍影像进行病虫害智能检测。2.1外业影像数据采集影像采集时间为2 0 2 0 年3月下旬，天气状况为阴天,拍摄时间为上午10 时一11时。外业采集设备为大疆经纬M300RTK无人机，搭载SHARE203SPRO相机（主要参数如表1所示），应用GPS控制站进行辅助定位,方便后期进行病害植株定位 4 。确定测区范围。测区面积为1.5km,无人机采用定高巡航飞行模式，相机镜头始终保持垂直向下，航向与旁向重叠率分别设置为7 0%、7 5%，设计飞行高度4 50 m，在确保作业效率的同时保证影像的清晰度。进行飞行操作，按照预定航线进行飞行，采集正射影像数据，外业共采集影像数据2 135张。表1大疆经纬M300RTK无人机参数Tab.1DJI Jingwei M300 RTK UAV parameter参数17 20 m/s55 min1 cm+1 ppm(水平)1.5 cm+1 ppm(垂直)5000 m序号5678上训练深度神经网络模型，模型通过模仿人工标注结果不断迭代优化网络参数，在2 0%的测试集合上使用训练好的深度神经网络模型进行预测 6 。训练航拍图像归一化设计神经预处理网络模型否人工标注测试结果训练深度神经是否网络模型达到指标？是保存模型图1病虫害智能化检测方案流程Fig.1Flow chart of intelligent pest detection scheme将测试集合上的模型结果与人工标注结果通过评估指标进行比对，若效果符合要求则保存模型，否则修151类别有效像素光圈大小像元尺寸镜头焦距参数优于4 50 0 万像素固定F5.64.4 m40mm定焦应用航拍图像归一化预处理智能检测改网络模型，持续迭代。2.2.2应用阶段进行航拍图像归一化预处理，同训练阶段。读取已训练模型，对图像进行预测计算，自动识别病害植株,生成预测结果。评估方式为在相同图片集合（合计至少包含50 0 株疫木）上对比人工标注与深度学习模型在不同评估指标上的效果表现。识别的病害植株如图2 所示：口图2 松线材虫病害植株识别结果Fig.2Identification results of pine wood nematode2.3DOM生成及病害植株的空间定位在正摄影像图（DOM）上进行病害植株定位,利用ContextCapture Center软件进行二次开发，基于python语言进行云建模脚本的二次开发，空间定位基于线性优化算法求解相机定位参数，获得检测的病害植株位置，再根据定位坐标进行现场登记及排查。图3松线材虫病害植株定位结果Fig.3Location results of pine wood nematode3丝结果与分析试验发现，设计的方法无需任何人工交互，自数据序号经度1*17.2532*21.4103*19.3134*17.1195*14.6116*29.351152上传到识别结果输出，全程10 0%自动化，2 0 0 0 余张影像数据4 h内完成了所有识别,并通过二次开发程序获取研究区域的正射影像，所有病害植株均能在一张图上展示。为验证该方法识别的准确性，随机抽取150张智能化检测有病害植株影像、50 0 张识别正常植株影像，再逐张进行人工甄别，基于单张影像定位信息，提取枯死松树的地理位置信息。对比后发现,病害植株中识别错误影像2 1张，正常植株中识别错误影像44张，识别正确率分别为8 6%、9 1.2%，原因主要是异常枯死植株（非松材线虫病害植株）也易识别为病害植株，算法还可以进一步优化。将无人机影像处理提取的病害植株地理位置信息与GPS现地采集的地理位置信息进行精度验证,统计后发现,水平偏差误差在1 5m（统计结果如表2 所示）。对于林间枯死松树监测而言,无人机病虫害智能检测提取的坐标位置数据比较准确,精度较高,在野外进行林间受害树监测及搜寻具有较高的可操作性，可显著提高林间松材线虫病枯死松树的除治效率 7 。表2 无人机图像识别与实测位置信息对比Tab.2Comparison of UAV image recognition andposition informationUAV位置信息纬度*12.276*25.223*17.059*37.285*27.153*18.632GPS实测位置经度纬度*17.221*12.258*21.420*25.230*19.301*17.083*17.137*37.272*14.603*27.141*29.344*18.643水平误差(m)3.152.786.135.363.102.72(下转第155页）表4 高层建筑施工安全风险因素综合权重Tab.4Comprehensive weight of construction safety risk factors of high-rise buildings综合权重（%）一级指标人为风险因素(B,)37.03材料及设备风险因素（B2)15.81环境风险因素(B）17.96管理风险因素(B4)15.58技术风险因素(B,)13.623维结论运用层次分析法对高层建筑施工安全风险因素进行分析，评估结果表明，一级指标权重从大到小的排序依次为人为风险因素 环境风险因素 材料及设备风险因素 管理风险因素 技术风险因素。尽管基于层次分析法的高层建筑施工安全风险评估可以提高安全管理的效率，但对危险源进行识别和管理仍存在一定困难,有待进一步研究讨论。权重(%)作业操作规范程度C工人安全意识C2工人专业技能水平C3安全管理服从程度C4起重设备安全Cs挂篮安全C6施工机器安全C防护用品安全C安全设施C,地质因素Cio地形条件Cl气候影响C12管理制度制定情况C13技术措施及方案执行C14危险源控制Cis安全教育培训C16危险源控制C17专项预案的编辑执行C18特种作业人员持证上岗Ci9参考文献：1陈海峰，林泉，袁昌鸿层次分析法在防止高层建筑施工人员坠落安全措施中的应用 J.安装，2 0 2 2,36 4（0 7）：8 6-8 8.2陈刚,张晓蕾，徐帅，等高层公共建筑事故灾难应急能力定量评估方法与实践 J.安全与环境学报2 0 2 3,2 3（0 5）：14 15-14 2 2.3】宋飞云基于层次分析法的高速公路隧道群安全风险研究 J.西部交通科技,2 0 2 3,18 8(0 3)：14 5-14 8.【4 韩梅超高层装配式建筑施工安全风险评价J.陶瓷,2 0 2 2，4 38(04):96-99.二级指标9.812.845.631.815.516.924.530.212.935.232.83219.428.533.618.535.735.129.2权重(%）6.257.7512.3910.642.62.813.554.82.056.815.745.413.044.455.232.864.84.784.04(上接第152 页）4结束语通过无人机的应用可实现大范围病害的监测及调查,提高病害识别及定位的准确性。通过对图像数据的深度学习训练,实现对松材线虫病害的自动识别及定位，对预防及控制松材线虫病害的扩散、保护我国丰富的森林资源及生态环境、推动林业产业发展具有重要意义。参考文献：1】臧广平.无人机航测技术在森林资源调查中的应用 J.林业勘查设计,2 0 2 1,50(0 2):7 5-7 8.2孙玉江,李凤涛,陈香芹，等.无人机航拍影像在林木信息提取中的应用 J.林业资源管理，2 0 2 1（0 3）：16 0-16 4.【3】孙超，张绪庆.烟台市福山区松材线虫病无人机普查经验探讨 J.南方农业,2 0 2 3,17(0 3）;2 4 5-2 4 8.4李博,姚黎帆，王广彪，等.基于深度学习的松材线虫病疫木无人机影像检测算法比较研究J.山东林业科技，2 0 2 3,53（0 3）：1-4,11.5】孙玉江，张磊，陈香芹，等.青岛市松树异常枯萎调查及处置方法探析 J.河北林业科技,2 0 2 1（0 1）：33-37.6】孙光明.无人机在松材线虫病监测应用研究 J.新农业，2 0 2 2(13):20 21.7】曾全，孙华富，杨远亮，等.无人机监测松材线虫病的精度比较 J.四川林业科技,2 0 19,4 0（0 3）：9 2-9 5,114.155