基于无人机影像的山核桃单木检测及冠幅与树高的提取.pdf

林业工程学报，（）：收稿日期：修回日期：基金项目：浙江省自然科学基金联合基金（）；浙江省自然科学基金（）；浙江省“尖兵”计划择优委托项目（）；国家自然科学基金（）。作者简介：郭阳光，男，研究方向为林业信息化。通信作者：夏凯，男，副教授。：基于无人机影像的山核桃单木检测及冠幅与树高的提取郭阳光，夏凯，杨垠辉，冯海林（浙江农林大学数学与计算机科学学院，浙江省林业智能监测与信息技术研究重点实验室，林业感知技术与智能装备国家林业和草原局重点实验室，杭州）摘 要：针对经济林中树木的生长状况进行调查，有助于农户制定针对性的经营策略，提高经营效率。然而，由于山核桃树通常生长在山地环境下，使用传统的林业调查方法获取树木参数需要的人力资源和时间成本较高，而且在陡峭的山地环境中容易受到地形、植被和气象等因素的干扰。为了解决这一问题，提出了一种新的自动化方法 检测框投影法。该方法基于深度学习的目标检测算法对遥感图像中的树冠进行检测并生成检测框，再依据所得到的检测框获取树木位置和数量，并进一步提取单木的冠幅与树高等参数。在不同环境的山核桃种植林场进行的树冠检测实验结果表明，该方法使用的目标检测算法对山核桃树冠检测的总体平均精度和 分别达到了 与；参数提取方面，在两处不同的山核桃种植林场选取了 处研究样地，并在每处样地选取并实地测量了 棵样本树木的冠幅和树高以验证参数提取精度，结果表明，使用检测框投影法预测冠幅与实测值的均方根误差、平均绝对误差和平均相对误差分别为 、和，预测树高与实测值的均方根误差、平均绝对误差和平均相对误差分别为 、和。提出的检测框投影法在山核桃林地环境下可以获得较为准确的树冠检测与参数提取结果，帮助农户制定更加合理和科学的经营策略，提高经营效率，同时也为林业生产的可持续发展提供了参考。关键词：山核桃；无人机影像；树冠检测；参数提取；检测框投影法中图分类号：文献标志码：文章编号：（），（，；，）：，（），林 业 工 程 学 报第 卷 ，：（）；（）；山核桃树是我国特有的经济树种，适宜种植海拔为 地区，主要分布于浙皖交界处以临安为中心的天目山区周围，是当地农户的主要经济来源之一。伴随着山核桃市场的扩大，农户对于种植山核桃树的积极性也不断升高。然而，受限于山核桃树复杂的生长环境，人工实地调查树木的生长状况效率低下，农户缺乏制定经营方案的参考依据，导致林业经济效益提升缓慢，难以满足山核桃产业快速发展的需求。对树木生长状况的调查内容主要包括树木位置、数量、树高、冠幅等。相关研究表明，冠幅和树高是影响树木产量的重要因素，冠幅的大小通常与产量呈正相关，但是过高的树高可能会降低产量。合适的冠幅和树高有利于提供足够的光合作用区域及养分吸收能力，从而提高产量。因此，果树的树高、冠幅等参数在反映树木长势的同时，也是制定管理策略、预估产量以及经济效益的主要依据。但传统的林业调查工作往往采用实地测量，在山地环境下作业不仅周期长、效率低，同时需要消耗大量人力、物力，成本较高，农户难以承担。而无人机遥感平台可以在各种地形条件下进行数据采集，并具有成本低、数据采集快、及时性高等优点，结合深度学习算法，可以识别并提取立木参数，这适用于小范围的林业调查任务，是帮助农户实时掌握林区内树木生长状况的理想解决方案。目前，主流的树冠提取方面的研究主要以无人机遥感影像作为数据源，其主要目标是确定树冠的轮廓和位置，并在此基础上实现树木参数的提取。近年来，基于深度学习的树冠检测算法在林业资源调查领域取得了较好的使用效果，在大多数情况下，能够满足对树冠图像的检测、分割和分类任务。例如，李越帅等结合深度学习和标记分水岭方法对胡杨林进行监测并计数，取得了较好的精度，表明深度学习算法适用于森林资源监测中；等提出了一种基于深度学习的实例分割方法，提取图像中的荔枝树冠，取得了较为准确的果树冠层边界和位置信息；等基于迁移学习的预训练神经网络，结合无人机图像实现了自动化检测，并估计柑橘的大小以及数量的目标，为预测果园的总产量提供了参考依据。以上研究在帮助农户预估经济收益方面具有一定的意义。目前，研究人员在比较不同的经营方案对山核桃树木生 长 产 生 的 影 响 时 主 要 依 赖 人 工 实 地 测量，如何能够快速且高效地获取山核桃树的立木参数，依旧未见可行的解决方案。针对这个问题，本研究基于无人机遥感技术、图像处理技术和深度学习算法，提出一种检测框投影法，该方法在目标检测的基础上，可以并行地从正射影像图和冠层高度模型中提取山核桃林区内树木的株数、位置、树高及冠幅的准确信息，帮助林业人员与农户及时掌握林区内山核桃树的生长状况。试验材料 研究区概况研究区位于浙江省杭州市临安区（，），季风性气候，常年光照充足，雨量充沛。本研究选取白果山核桃种植基地和西谷坪经济林场作为数据采集区域，两处区域均分布于天目山区附近，地理条件多为丘陵山地，是山核桃树的主要产区。白果山核桃种植基地最高海拔约 ，林场内包含 处种植区域，号种植区域作为训练数据，号种植区域用以测试网络检测效果，种植密度约为 棵；西谷坪经济林场最高海拔约 ，包含 块种植区域，其中、号种植区域用于测试实验效果，种植密度分别约为 和 棵，、号区域采集的无人机影像作为神经网络的训练数据。研究区概况如图 所示，图 中红色边缘线区域为训练集数据采集区域，黄色边缘线区域为测试集数据集采集区域。数据准备本研究采用大疆创新科技有限公司的精灵 无人机作为数据采集工具，无人机参数如表 所示。图像拍摄于 年 月 日 日，选择天气晴朗或多云、光照充足的环境下，设置相对飞行高度为 ，航向重叠和旁向重 第 期郭阳光，等：基于无人机影像的山核桃单木检测及冠幅与树高的提取叠均设为，共进行 次飞行任务。在白果山核桃种植基地和西谷坪经济林场分别采集了 和 张无人机原始图像。得到无人机原始图像后，使用 建模软件 对图像进行拼接并校正相机畸变，生成正射影像图。通过将正射影像图裁剪至合适大小后使用 数据集标注工具标注出山核桃树冠图像。在、号种植区域中，共制作了包含 棵山核桃树冠的训练数据集，用于目标检测网络进行训练。、号种植区域对应研究区样地、样地 和样地，分别筛选了，和 棵山核桃树用以制作测试集数据。图 研究区域示意图 表 无人机图像采集系统参数 设备参数数值无人机质量（含桨和电池）最大水平飞行速度（）最大上升速度（）最大下降速度（）最大可倾斜角度（）飞行时间 约 影像传感器 英寸（）像素 万相机图像分辨率 照片格式视场角（）实测数据统计为了验证本研究参数提取的准确性，通过实地测量得到冠幅和树高的实测值。受地形条件的影响，实地测量所有山核桃树的树高和冠幅具有较大的难度，因此本研究在 处林地随机抽取了共 棵（各 棵）山核桃树作为研究样本用以验证提取精度。其中，山核桃树的树高使用激光测距仪通过三角测量法获取，冠幅则通过实地测量树冠地面投影的东西宽度与南北宽度后，取其平均值得到。样本详细信息如表 所示。表 实测立木参数 参数最大值最小值均值方差标准差冠幅 树高 研究方法 实验方法检测框投影法基于相同空间分辨率的数字正射影像图（，）和冠层高度模型（，）来获取树木位置并提取结构参数（冠幅和树高）。本研究使用 目标检测算法，通过使神经网络学习立地环境、生长状况和分布情况均存在差异的山核桃树冠样本，得到具有较高识别精度的网络模型后，再对实验样地的数字正射影像图进行检测，得到每棵树木的检测框坐标以及数量，之后将检测框投影在冠层高度模型中实现参数提取。冠幅的数值是通过统计检测框像素点得到的，计算公式为冠幅（东西冠幅南北冠幅）空间分辨率；树高的数值是将检测框映射到相同位置的冠层高度模型图，取出对应区域的高程数据矩阵，使用局部最大值法确定树冠顶点值，从而获取树木高度。具体实验流程如图 所示。数字正射影像图为垂直视角下的图像，能够反映地面的真实情况，具有分辨率高、覆盖范围广等优点，使用数字正射影像图进行树冠参数提取，能够避免遥感图像因视角产生畸变，可以有效保障参数提取的精准性。在本次实验中，使用 基于无人机影像拼合并生成实验所需的、以及。受各个研究区环境因素影响，处研究区的数字正射影像图空间林 业 工 程 学 报第 卷图 检测框投影法 分辨率精度有所不同，其中样地 为 ，样地 为 ，样地 为 。本次实验中，每块样地的、的空间分辨率与 一致。冠层高度模型是能够反映地上植被与地面距离的表面模型，常用于反演冠幅、树高等立木参数。通常 由数字表面模型（，）与数字高程模型（，）相减后得到。在 中，像素点的值对应冠层高度信息，检测框中的冠层顶点（即冠层最大值）对应树高。在本次研究中，与 由 软件基于无人机原始数据生成，则在 软件中合成。处样地的、如表 所示，其中 中红色点位标注的树木为本次实验中用以验证参数提取精度的样本树木。表 模型生成结果示例 样地样地 样地 样地 第 期郭阳光，等：基于无人机影像的山核桃单木检测及冠幅与树高的提取 算法 系列算法是典型的单阶段目标检测算法，与双阶段检测算法不同，通过卷积神经网络提取特征，直接回归物体的类别概率和位置坐标，大大提升了检测速度。而 则是 系列的第 代版本，具有轻量、灵活、易用等特点，是目前主流的目标检测算法之一。在核心结构上，与上一代的 相似，主要分为输入端、输出端 个部分；不 同 的 是，共 有、个模型，不同网络结构网络的深度和特征图的宽度有所不同。其中 是 个模型中深度与特征图宽度最大的网络，具有更强识别精度，也是本次实验所采用的网络模型。结果与分析 实验平台为了得到良好的目标检测网络模型，需要将经过预处理的山核桃树冠数据集送入深度学习网络进行训练。同时，本研究在训练过程中使用水平翻转、随机旋转、颜色抖动等数据增强方法。通过将标注后的数据集输入深度学习网络进行训练，初始学习率为 ，输入图像尺寸为 ，若持续 个迭代后精度未提升则训练结束，批处理大小。本次实验的平台以及版本见表。表 实验环境配置 名称 参数及版本操作系统（位，专业版）英特尔 内存 图形处理器 深度学习框架 编程语言 评价标准本次实验采用精确率（，）、召回率（，）、平均精度（，）以及（）个指标评价树冠检测精度。精确度是指预测数据集中预测正确的正样本个数除以被模型预测为正样本的个数；召回率是指预测数据集中预测正确的正样本的个数与实际为正样本个数的比例；表示 曲线下面积的平均值；是精确率和召回率的调和平均数，最大为，最小为。上述各指标计算公式如下：（）（）（）（）（）（）（）式中：表示被模型正确检测为山核桃树冠的数量；表示被模型错误识别为山核桃树冠的数量；表示没有被判定为山核桃树冠，但实际上是山核桃树冠的数量。山核桃冠幅与树高的提取精度通过比较地面实测值与提取值来验证可靠性。本研究使用 个指标，分别是均方根误差（，式 中 记 为）、平 均 绝 对 误 差（，式中记为）和平均相对误差（，式中记为）。均方根误差、平均绝对误差和平均相对误差越小，说明提取精度越高。计算公式如下：（）（）（）(）（）式中：表示编号为 的实测树冠参数值；表示编号为 的预测树冠参数值；表示测试样本数。检测结果分析使用目标检测网络识别图像中山核桃树木的位置并统计数量是本次实验的主要内容之一，也是提取树木参数的前置任务。为了验证网络模型的普适性以及对于林业资源调查的实际意义，本次研究所选 处研究区域在地理位置、地形、分布密度存在一定区别。通过分别对 块样地进行测试，得到的部分检测效果样例如图 所示。由于样地特征有所不同，因此 算法在不同样地上的识别精度也存在差异。样地 的山核桃树在分布密度上无明显规律，多数树冠之间有明显间距，但部分树冠丰度较低、树木长势较弱，且林下背景与树冠颜色接近。样地 在分布上密度较低，树冠相互重叠的情况极少，除少量后期补种的幼年木的清晰度较低外，多数树冠特征明显，树冠与背景有较高对比度。而样地 的山核桃树木分布密度较高，树冠重叠较多，虽然树冠与林下背景可以明显区分，但树冠相互遮盖较多，实现单木树冠提取工作具有一定难度。在地形方面，样地 位于山地，整体起伏较大，但种植区域经过改良，采用梯田种植，林下地形较为平坦；而样地、样地 均种植于坡面上，未经过后期改良，样地 地形相较于样地 更加陡峭。具体的 算法对山林 业 工 程 学 报第 卷核桃树冠的检测评估结果如表 所示。图 部分检测结果 表 不同立地环境下树冠检测结果 样地目标数量 棵样地 样地 样地 综合图 树木位置提取与数量统计效果 树木位置识别与数量统计使用 算法对裁剪后的正射影像图进行检测的结果见图。从图 可以看出，由于范围更广的正射影像图避免了树冠因裁剪导致的残缺，保留了树冠结构的完整性，算法取得了不错的结果，表明使用深度学习方法在经济林环境下进行树冠检测具有一定的可行性。但由于样地本身的复杂性，在检测过程中仍存在错检、漏检、过检等情况。首先，样地背景与树木本身的生长状况是影响识别精度的主要原因，尤其在样地 与样地 中，目标检测算法对弱势树木和幼年树木的识别精度较低；其次，树冠相互遮盖也是影响树冠识别精度的另一个原因，例如在样地 中，由于树木分布较为密集，多数山核桃树冠之间没有明显边界，算法难以勾绘出精准检测框。而在样地 和样地 中，由于部分树木之间分布过于紧密，粘连的相邻树冠被算法识别为单独的树冠，导致过检。在样地 和样地 中，由于样地中的杂草和部分杂木与山核桃的树冠颜色较为接近，容易出现错检。受限于样地范围较大和所处环境的复杂性，算法在检测效果上存在一定不足。经统计，样地 共包含树木 棵，识别出 棵，正确识别 棵；样地 共包含树木 棵，识别出 棵，正确识别 棵；样地 包含树木 棵，识别出 棵，正确识别 棵。图 中绿色虚线框为漏检的山核桃树冠，红色框为算法的检测框，黄色数字为计数编号。第 期郭阳光，等：基于无人机影像的山核桃单木检测及冠幅与树高的提取 参数提取精度评价检测框投影法根据 目标检测网络得到检测框坐标投影到 图中，得到冠幅和树高预测值，通过将预测值与实测的真实冠幅值与树高值进行比较，计算出各项平均精度值，如表 所示。可以看出，块样地的冠幅（）平均相对误差均在以内，树高（）的平均相对误差均在 以内，能够满足农户精确掌握树木生长状况的要求。从冠幅的提取结果来看，不同样地下冠幅的提取精度与生长密度、长势呈现一定关联。样地 的树木分布密度较低，树木长势较差，部分树冠边缘模糊，算法能较好地识别出单木树冠，但对边缘部分的勾绘不够精准；样地 中的树木分布和长势均较为良好，树冠边缘清晰，算法能够较好地识别并精准地勾绘出单木树冠；样地 中的树木长势良好，但树木分布密集，多数树冠相互拼接，算法精确勾绘树冠边缘有一定困难，导致冠幅提取精度下降。从树高的提取结果来看，表现出不同样地下树高的提取精度与地形的陡峭程度存在一定关联。在地形上，样地 树木多种植于改良后的梯田中，林下地形较为平坦，生成的高程模型的误差较小；样地 与样地 的林下地形则具有一定坡度，但样地 的起伏较为缓和，对高程模型生成精度的影响不大；样地 的地形则相对于样地 起伏更加明显，陡峭区域的像素值可能会被遮盖，这会影响高程模型的精度和树高的提取精度。表 提取精度对比 样地冠辐树高 样地 样地 样地 综合 根据实测与预测的冠幅值与树高值，制作冠幅值与树高值的分布图如图 所示。可以看出，绝大部分的冠幅值与树高值都分布在 线段附近，总体看误差较小，但仍存在个别冠幅的预测值与实测值误差较大，主要由于冠幅值的精度对检测框精度存在直接依赖。在山核桃树分布较为密集的区域，检测框的精度较差，影响了冠幅的提取精度，虽然同样是根据检测框得到立木的位置进而从 中取到树高值，但检测框只需包含果树的顶点即可得到较为精准的树高；因而树高的预测值出现较大误差的情况较少，树高存在的误差主要是由地形导致的，地形起伏会对 生成精度产生一定影响，从而影响树高提取精度。图 实测值与预测值对比 结 论本研究基于 和 结合目标检测算法，通过将检测框投影到不同模型中，来获取山核桃树木参数，经过实验，该方法复杂程度较小，适用于多参数提取场景，并且能够高效、准确地获取树木的位置、数量、冠幅和树高等参数。通过对 处样地的目标检测网络进行测试，总体 和 分别达到了 与，取得了较好的检测与计数结果。在参数提取上，经过误差分析，本方法提取的冠幅、树高值与实测值的平均相对误差分别为 和，表明该方法可以作为一种帮助农户掌握山核桃树木生长状态的解决方法。在环境多变、地形复杂的经济林场景中，该方法仍具备一定的适用性，尤其是在树冠丰度高、林下背景简单的情况下有很好的检测效果。然而，对于使用无人机技术对山地条件下的经济林树冠进行检测并提取冠幅与树高的研究，目前仍旧处于探索阶段。在实验中，树冠检测结果仍旧存在错检和漏检，而且受地形和种植密度的影响，在立木参数提取阶段部分山核桃树的冠幅和树高与实测值存在一定误差。此外，本研究所选样地山林 业 工 程 学 报第 卷核桃树木虽然有种植密度较高的场景，但还未到完全重叠的状态，因此无法对此类样地展开研究。有研究显示，海拔、坡度、坡向等因素与山核桃的产量有很强的相关性，借助地理信息技术，基于本研究所采用的无人机，可简单实现地形重构，精确提取海拔、坡度、坡向等地形因子。如果加上这些地形信息，则一次无人机飞行，可以获取与产量相关的单木因子有：株数、位置、树高、冠幅、海拔、坡度、坡向等。这对于产量预测和经营管理有重大意义。针对以上情况，可考虑对目标检测算法的网络模型进行优化，提升检测效果，同时借助地理信息技术实现对林地环境因子的提取，以帮助农户达到预测林区收益的目的。参考文献（）：董建华，赵伟明，赵科理，等 基于地质背景的山核桃林地土壤肥力因子分析 经济林研究，（）：，（）：，（）：，（）：钱孝炎，黄坚钦，帅小白，等 临安市不同乡镇山核桃林地土壤理化性质比较 浙江林业科技，（）：，（）：，：，（）？，（）：周艳飞，张绘芳，李霞，等 不同方法提取无人机影像树冠信息效果分析 新疆农业大学学报，（）：，（）：，（）：李丹，张俊杰，赵梦溪 基于 和分水岭算法的无人机影像中林分因子提取 林业科学，（）：，（）：，（）：，（）：李越帅，郑宏伟，罗格平，等 集成 方法的无人机影像胡杨树冠提取和计数 遥感技术与应用，（）：，（）：，（）：，：季琳琳，陈素传，吴志辉，等 生草对山核桃林地土壤养分及土壤酶活性的影响 经济林研究，（）：，：，（）：，（），（）：丁立忠，潘伟华，马闪闪，等 测土配方施肥对临安山核桃生长和产量的影响 经济林研究，（）：，（）：张纯斌，杨胜天，赵长森，等 小型消费级无人机地形数据精度验证 遥感学报，（）：，（）：，（）：李晨，李佳，王明果，等 无人机 影像中人工林单木位置的提取 林业工程学报，（）：，（）：，：，（），：，：（责任编辑 田亚玲）