周 焱 劉文萍 駱有慶 宗世祥

1. 北京林業(yè)大學(xué)信息學(xué)院 北京 100083； 2. 北京林業(yè)大學(xué)林學(xué)院 北京 100083)

森林作為陸地生態(tài)系統(tǒng)的主體，其覆蓋面積、植被種類和數(shù)量以及健康程度的變化對環(huán)境和生態(tài)具有巨大影響。我國林業(yè)有害生物種類有8 000多種，經(jīng)常造成危害的有200多種，林業(yè)有害生物不僅影響著森林的生態(tài)恢復(fù)和環(huán)境建設(shè)，還對森林的可持續(xù)性發(fā)展帶來嚴(yán)重威脅，是危害森林健康的重要因素。實(shí)現(xiàn)對林業(yè)有害生物災(zāi)害區(qū)域的快速、準(zhǔn)確檢測及監(jiān)測，在林業(yè)有害生物防治和災(zāi)害損失評估中具有重要意義。

無人機(jī)具有時(shí)效性強(qiáng)、機(jī)動性好、方便靈活、巡查范圍廣等優(yōu)點(diǎn)，能快速獲取小范圍林區(qū)的高分辨率圖像(Gambellaetal.， 2016)，將無人機(jī)應(yīng)用于森林病蟲害監(jiān)測，是有效提高林業(yè)有害生物防治工作效率的途徑之一。隨著計(jì)算機(jī)技術(shù)不斷發(fā)展，無人機(jī)森林圖像結(jié)合圖像分析、機(jī)器學(xué)習(xí)、模式識別等算法實(shí)現(xiàn)植被分類和樹木檢測，被廣泛應(yīng)用于森林防護(hù)、林業(yè)資產(chǎn)評估、精細(xì)分類樹種識別等領(lǐng)域。但相比地面拍攝圖像，無人機(jī)圖像因受災(zāi)樹木尺度小、樹木分布密集而難以識別，且無人機(jī)圖像一般分辨率較高，批處理需要大量時(shí)間。因此如何精確、快速地識別定位無人機(jī)圖像中小目標(biāo)受災(zāi)樹木是亟待解決的問題。

目前，應(yīng)用于無人機(jī)森林圖像樹木檢測的計(jì)算機(jī)方法主要建立在圖像分析算法及人工設(shè)計(jì)特征和分類器的基礎(chǔ)上(Koc-Sanetal.， 2018； Maleketal.， 2014； Zhongetal.， 2017； 費(fèi)運(yùn)巧等， 2017a； 林志瑋等， 2018)，現(xiàn)有計(jì)算機(jī)識別病蟲害算法存在以下問題：1)無人機(jī)采集圖像后，需在第二現(xiàn)場使用工作站進(jìn)行算法設(shè)計(jì)和分析，導(dǎo)致監(jiān)測流程和檢測周期較長，無人機(jī)機(jī)組針對性較差，監(jiān)測成本較高；2)已有識別算法大多采用CPU計(jì)算，運(yùn)算能力較低，無法直接用于大量的完整無人機(jī)圖像；3)圖像分析算法通常對圖像光影條件要求較高，識別精確度依賴圖像預(yù)處理； 4)對于較高空無人機(jī)圖像中分布密集、不規(guī)律的小目標(biāo)樹木，當(dāng)多株受災(zāi)樹木集聚時(shí)無法準(zhǔn)確定位每株受災(zāi)樹木；5)部分方法還需結(jié)合人眼觀察和數(shù)據(jù)統(tǒng)計(jì)等后續(xù)工作，不能實(shí)現(xiàn)自動化檢測。

近年來，隨著深度學(xué)習(xí)的迅猛發(fā)展，基于深度學(xué)習(xí)的目標(biāo)檢測方法已成為計(jì)算機(jī)視覺領(lǐng)域的主流，該方法無需人工設(shè)計(jì)特征和分類器，可不依賴預(yù)處理，自動完成精確目標(biāo)檢測，其中，輕量級目標(biāo)檢測框架SSD(single shot multibox detector)因檢測精確度高、速度快等優(yōu)點(diǎn)得到廣泛應(yīng)用。SSD300使用NVIDIA TITAN X顯卡，檢測速度為59 fps(每秒傳輸幀數(shù))，遠(yuǎn)快于重量級目標(biāo)檢測框架Faster R-CNN(7 fps)，且SSD300檢測框架在PASCAL VOC2007數(shù)據(jù)集測試的平均準(zhǔn)確度達(dá)74.3%，比Faster R-CNN高1.1%(Everinghametal.， 2015)。然而，作為一種多尺度目標(biāo)檢測網(wǎng)絡(luò)框架，SSD放棄了含有豐富位置信息的底層特征，對小目標(biāo)的魯棒性較低；且由于小目標(biāo)所在區(qū)域較小，可提取的相關(guān)特征較少，不利于對小目標(biāo)的檢測。針對這一問題，Li等 (2017)、Liu等 (2018)采用ResNet101(Heetal.， 2016)作為基礎(chǔ)特征提取器，分別提出特征融合模塊、RFB (receptive field block)結(jié)構(gòu)方法，以增強(qiáng)網(wǎng)絡(luò)對小目標(biāo)的檢測能力。盡管改變網(wǎng)絡(luò)基礎(chǔ)特征提取器可提升檢測精度，但在一定程度上增加了模型參數(shù)量，降低了檢測速度，且以上改進(jìn)方法只針對PASCAL VOC和MSCOCO(Linetal.， 2014)等通用數(shù)據(jù)集，偏向檢測大中尺寸目標(biāo)，無法準(zhǔn)確檢測無人機(jī)圖像中的小目標(biāo)樹木。

基于深度學(xué)習(xí)的圖像識別、目標(biāo)檢測等方法在遙感圖像植被識別領(lǐng)域取得了一定進(jìn)展：Li等(2016)設(shè)計(jì)了一種針對油棕(Elaeisguineensis)遙感圖像的深度學(xué)習(xí)目標(biāo)檢測框架； Guirado等(2017)基于卷積神經(jīng)網(wǎng)絡(luò)識別Google Earth圖像中植被覆蓋區(qū)域； Baeta等(2017)采用多尺度特征卷積神經(jīng)網(wǎng)絡(luò)定位遙感圖像中的咖啡(Coffeaarabica)作物。但是，上述方法主要針對高空遙感圖像中大范圍區(qū)域檢測以及規(guī)則排列的農(nóng)作物和人工林識別，且為提高檢測精度,在訓(xùn)練模型前還采用多種方法對數(shù)據(jù)進(jìn)行預(yù)處理，而這不足以支持彩色高分辨率無人機(jī)森林圖像中分布不規(guī)律、生長密集的每株小目標(biāo)受災(zāi)樹木檢測。鑒于此，本研究以受紅脂大小蠹(Dendroctonusvalens)侵害的油松(Pinustabulaeformis)林為研究對象，利用無人機(jī)采集可見光圖像，針對無人機(jī)森林圖像中樹木尺度小、生長密集以及分布不規(guī)律等問題，提出一種基于深度學(xué)習(xí)的小目標(biāo)受災(zāi)樹木檢測方法(small infected trees detector，SITD)，以準(zhǔn)確識別和定位高分辨率無人機(jī)森林圖像中的小尺度受災(zāi)樹木。

1 試驗(yàn)數(shù)據(jù)

1.1 數(shù)據(jù)采集

以遼寧省凌源縣受紅脂大小蠹侵害的油松林無人機(jī)圖像為數(shù)據(jù)源，采集時(shí)間為2017年8月。采用DJI Inspire2四旋翼航拍機(jī)(表1)，搭載DJI X5S云臺相機(jī)，航拍鏡頭為奧林巴斯50 mm F1.8定焦鏡頭。無人機(jī)飛行高度為180 ～240 m，掃描拍攝1—6號樣地。

表1 DJI Inspire2無人機(jī)和 X5S云臺相機(jī)主要參數(shù)

圖1 數(shù)據(jù)集中圖像及標(biāo)注文件格式

1.2 無人機(jī)森林蟲害數(shù)據(jù)集建立

無人機(jī)森林蟲害數(shù)據(jù)集以3—6號樣地?zé)o人機(jī)圖像為訓(xùn)練集，1、2號樣地?zé)o人機(jī)圖像為測試集，圖1a、b分別為1號樣地185 m飛行高度和5號樣地240 m飛行高度拍攝的無人機(jī)圖像示例，待檢測目標(biāo)尺度較小。油松受災(zāi)后，老葉先失綠變黃，當(dāng)年夏天呈紅褐色，次年變暗，最后凋落(吳建功等， 2002)。針對受災(zāi)油松針葉變色特點(diǎn)，本研究以受災(zāi)變色油松為檢測目標(biāo)。為保證圖像中各目標(biāo)完整，利用LabelImg開源軟件對無人機(jī)圖像中受災(zāi)樹木進(jìn)行標(biāo)注，標(biāo)注內(nèi)容為受災(zāi)樹木矩形包圍框坐標(biāo)，存儲為文本文件用于檢測模型訓(xùn)練和測試，標(biāo)注文件格式如圖1c所示。由于本研究采集的原始圖像分辨率為5 280×3 956像素，無法直接用于訓(xùn)練目標(biāo)檢測框架，為減小運(yùn)算量、加快訓(xùn)練速度，在構(gòu)建數(shù)據(jù)集階段，將圖像長、寬各縮小一半，并裁剪圖像為1 024×1 024像素，裁剪步長為512像素。在裁剪過程中，如果待檢測樹木被裁為多個(gè)部分，則計(jì)算每部分與原始面積的比值：

(1)

式中，Ao為該樹包圍框的面積；ai為裁剪后各部分包圍框的面積，i取值為 (1，2)。如果Ui<0.7，則該部分標(biāo)記為困難樣本。數(shù)據(jù)集中原始圖像共95張，受災(zāi)樹木總數(shù)11 678株，裁剪后圖像共1 261張，其中訓(xùn)練集圖像947張、驗(yàn)證集圖像314張。

本研究采用待檢測目標(biāo)包圍框的高度評估圖像中目標(biāo)大小(Yangetal.， 2016)，并將目標(biāo)尺度劃分為50像素以下、50～300像素和300像素以上3類，50像素以下為小目標(biāo)。無人機(jī)森林圖像數(shù)據(jù)集和常見通用數(shù)據(jù)集中目標(biāo)大小占比如表2所示，無人機(jī)森林圖像數(shù)據(jù)集的目標(biāo)集中在0～50像素，相比通用數(shù)據(jù)集PASCAL VOC和MSCOCO其小目標(biāo)更多，可見通用目標(biāo)檢測模型并不適用于本研究數(shù)據(jù)集中小尺度受災(zāi)樹木檢測。

表2 不同數(shù)據(jù)集中目標(biāo)大小占比

圖2 SITD模型訓(xùn)練過程及基于SITD的森林蟲害監(jiān)測流程

2 研究方法

針對無人機(jī)森林圖像中樹林尺度小、生長密集以及分布不規(guī)律等問題，本研究提出一種基于深度學(xué)習(xí)的小目標(biāo)樹木檢測方法(SITD)。SITD主要針對180～240 m拍攝高度的無人機(jī)圖像中尺度較小的受災(zāi)樹木，框架設(shè)計(jì)基于SSD。為提升模型對小目標(biāo)受災(zāi)樹木的識別和定位能力，框架結(jié)合默認(rèn)框優(yōu)化、特征金字塔和空洞卷積網(wǎng)絡(luò)等技術(shù)，訓(xùn)練過程采用雙層損失函數(shù)以增強(qiáng)模型學(xué)習(xí)能力。檢測模型訓(xùn)練和監(jiān)測系統(tǒng)實(shí)現(xiàn)流程如圖2所示，分為訓(xùn)練階段和林區(qū)現(xiàn)場測試階段。

在訓(xùn)練階段，對訓(xùn)練圖像中檢測目標(biāo)的分類和位置進(jìn)行標(biāo)注后，將圖像和標(biāo)注數(shù)據(jù)輸入到SITD模型，通過網(wǎng)絡(luò)正向傳播，預(yù)測目標(biāo)是否為受災(zāi)樹木和該目標(biāo)包圍框坐標(biāo)，再由損失函數(shù)計(jì)算人工標(biāo)注與預(yù)測類別和定位之間的誤差，通過網(wǎng)絡(luò)反向傳播進(jìn)行參數(shù)更新，多次迭代該過程，直到損失函數(shù)值穩(wěn)定，即完成受災(zāi)樹木檢測模型的訓(xùn)練。在測試集上進(jìn)行測試，將選出的最優(yōu)模型部署至移動圖形工作站。

在林區(qū)現(xiàn)場測試階段，現(xiàn)場系統(tǒng)包括無人機(jī)、連接安卓移動設(shè)備的無人機(jī)遙控器、部署檢測模型的移動圖形工作站和遠(yuǎn)端監(jiān)測服務(wù)器。首先，無人機(jī)在180～240 m高度巡航拍攝圖像，并通過局域網(wǎng)將圖像傳輸至遙控器上的安卓移動設(shè)備； 然后，傳輸至本地移動圖形工作站；調(diào)用工作站的受災(zāi)樹木檢測模型，檢測圖像中的小目標(biāo)受災(zāi)樹木，并統(tǒng)計(jì)受災(zāi)數(shù)量；最后將受災(zāi)數(shù)量、無人機(jī)拍攝GPS坐標(biāo)和拍攝時(shí)間等信息上傳至云服務(wù)器數(shù)據(jù)庫，位于森防站和實(shí)驗(yàn)室的遠(yuǎn)端監(jiān)測服務(wù)器可讀取數(shù)據(jù)庫信息，并在地圖上可視化受災(zāi)區(qū)域，展示受災(zāi)信息，完成無人機(jī)森林蟲害遠(yuǎn)程監(jiān)測過程。該系統(tǒng)可提升外業(yè)機(jī)組針對性，緊密結(jié)合外業(yè)機(jī)組和森防站工作, 提高林業(yè)有害生物監(jiān)測效率。

2.1 SITD框架結(jié)構(gòu)

SSD300框架結(jié)構(gòu)如圖3a所示，輸入圖像分辨率為300×300像素，在基礎(chǔ)特征提取器VGG16(Renetal.， 2015)后添加分辨率更小、語義特征更強(qiáng)的卷積層conv6_2、conv7_2、conv8_2，conv9_2，與VGG16的高層特征圖conv4_3、conv_fc7組成多尺度金字塔形預(yù)測模塊b1—b6，并以特征圖的每個(gè)單元為中心，生成不同尺寸默認(rèn)框，用于檢測不同大小的目標(biāo)。

SITD基于SSD框架，結(jié)構(gòu)如圖3b所示。為提升框架對小尺度目標(biāo)的檢測能力，保留VGG16的conv1_1—conv5_3，將fc6和fc7層轉(zhuǎn)化為卷積層，并將輸入圖像分辨率擴(kuò)大至640×640像素。同時(shí)，為了盡可能利用網(wǎng)絡(luò)空間信息，保證生成默認(rèn)框覆蓋更多的小目標(biāo)樹木，SITD從conv3_3開始構(gòu)建預(yù)測模塊。受拍攝高度、鏡頭焦距和樹木冠幅約束，本研究數(shù)據(jù)集的樹木目標(biāo)尺寸范圍相對固定。如圖4a所示，特征圖b5、bM6默認(rèn)框尺寸遠(yuǎn)大于圖3b和圖4c中無人機(jī)圖像的樹木目標(biāo)，因此SITD不再添加卷積層，選擇b1—b4(conv3_3、conv4_3、conv5_3，conv_fc7)構(gòu)建基礎(chǔ)預(yù)測模塊,對輸入圖像進(jìn)行第一次基礎(chǔ)預(yù)測，各層分辨率分別為160×160和80×80和40×40和20×20像素。

此外，本研究設(shè)計(jì)特征增強(qiáng)模塊，強(qiáng)化網(wǎng)絡(luò)對小目標(biāo)樹木的識別能力。將基礎(chǔ)特征圖b1—b4轉(zhuǎn)化為增強(qiáng)特征圖e1—e4，構(gòu)建增強(qiáng)預(yù)測模塊，進(jìn)行第二次增強(qiáng)預(yù)測。增強(qiáng)特征圖分辨率與對應(yīng)基礎(chǔ)特征圖相同，但包含更豐富的語義信息。訓(xùn)練過程結(jié)合2次預(yù)測，每次預(yù)測生成1組默認(rèn)框，測試過程只利用增強(qiáng)預(yù)測，以避免產(chǎn)生額外計(jì)算量。

圖3 SSD300和SITD框架結(jié)構(gòu)對比

默認(rèn)框生成設(shè)置如表3所示，其中默認(rèn)框生成步長決定相鄰默認(rèn)框在輸入圖像上的間隔。為保證網(wǎng)絡(luò)對小尺寸樹木的敏感性，根據(jù)相等比例間隔原則(Zhangetal.， 2017)，設(shè)置默認(rèn)框像素大小為步長的4倍，以保證不同尺寸樹木可匹配到的默認(rèn)框數(shù)近似相等。如圖4d所示，白色虛線框?yàn)槿斯?biāo)注框，黃色和藍(lán)色實(shí)線框?yàn)?個(gè)不同分辨率特征圖生成的默認(rèn)框，分別與不同尺寸樹木相匹配。當(dāng)默認(rèn)框?yàn)閚×n像素時(shí)，步長為n/4； 當(dāng)默認(rèn)框?yàn)閚/2×n/2時(shí)，步長為n/8，此時(shí)2株樹木均匹配到3個(gè)默認(rèn)框。增強(qiáng)特征圖e1—e4默認(rèn)框大小為16～128像素，相比同等級的增強(qiáng)特征圖，基礎(chǔ)特征圖用于分類的語義信息較少，但含有更多的空間信息，對小目標(biāo)位置更敏感，因此b1—b4默認(rèn)框設(shè)為e1—e4的0.5倍，范圍為8～64像素。由于無人機(jī)圖像中樹冠包圍框的長寬比近似為1，故設(shè)置特征圖每個(gè)單元格只對應(yīng)1個(gè)正方形默認(rèn)框，即長寬比為1。2組默認(rèn)框總數(shù)為68 000個(gè)，可有效覆蓋圖中待檢測小尺度目標(biāo)。

圖4 不同基礎(chǔ)特征圖生成默認(rèn)框示意及默認(rèn)框在輸入圖像中分布對比

表3 基礎(chǔ)和增強(qiáng)預(yù)測模塊特征圖及默認(rèn)框?qū)傩?/p>

2.2 特征增強(qiáng)模塊

為豐富原始特征圖的語義信息，保證網(wǎng)絡(luò)對小目標(biāo)樹木精確定位的同時(shí)提高網(wǎng)絡(luò)識別能力，本研究設(shè)計(jì)一種結(jié)合特征金字塔網(wǎng)絡(luò)與空洞卷積的特征增強(qiáng)模塊。

特征金字塔網(wǎng)絡(luò)利用標(biāo)準(zhǔn)卷積和側(cè)面連接組成自頂向下結(jié)構(gòu)，通過融合低層特征和上采樣后的高層特征，使低層特征含有語義更強(qiáng)的高級特征。頂層b4特征層中目標(biāo)樹木較小，作為特征金字塔會產(chǎn)生較多噪聲，且模糊的小尺寸樹木與清晰的大尺寸樹木紋理特征差別較大，使用頂層特征增強(qiáng)小目標(biāo)檢測并不合理。因此，特征增強(qiáng)模塊利用低層特征金字塔網(wǎng)絡(luò) (low-level feature pyramid network，LFPN)(Tangetal., 2018)結(jié)構(gòu)方式，對特征圖b1—b3構(gòu)建特征金字塔。

相比普通卷積，空洞卷積(Chenetal.， 2018)可在保證網(wǎng)絡(luò)參數(shù)量相等的前提下得到分辨率更高、語義信息更豐富的特征圖。故本研究在b1—b3特征金字塔網(wǎng)絡(luò)后構(gòu)建多分支空洞卷積網(wǎng)絡(luò)，以增大網(wǎng)絡(luò)寬度、提高檢測準(zhǔn)確度。

圖5 特征增強(qiáng)模塊結(jié)構(gòu)

b1—b3的特征增強(qiáng)模塊結(jié)構(gòu)如圖5所示。首先對基礎(chǔ)特征圖bi+1進(jìn)行1×1卷積，輸出通道數(shù)為Ci；然后對該特征圖進(jìn)行上采樣，擴(kuò)大分辨率至B×B，并與1×1卷積平滑后的bi逐像素點(diǎn)相加得到融合特征圖；接著將融合特征圖送入多分支空洞卷積網(wǎng)絡(luò)，空洞卷積次數(shù)分別為0、1、2，卷積核k為3，步長s為1，膨脹系數(shù)d為2，輸入通道數(shù)為Ci，輸出分別為256、128、128； 最后拼接各分支輸出，生成通道數(shù)為512的增強(qiáng)特征圖ei。b4的特征增強(qiáng)模塊只采用多分支空洞卷積網(wǎng)絡(luò)。

2.3 雙層損失函數(shù)

SITD模型訓(xùn)練采用雙層損失函數(shù)(L)，即基礎(chǔ)預(yù)測損失函數(shù) (Lb)與增強(qiáng)預(yù)測損失函數(shù) (Le)的加和：

L=Lb+Le。

(2)

Lb和Le為基于默認(rèn)框的多任務(wù)損失函數(shù)(Liuetal., 2016)，由分類損失 (Lc)和位置損失 (Ll)組成：

(3)

(4)

Lloc為預(yù)測框與標(biāo)注框之間的smoothL1損失(Ross, 2015)，定義為：

(5)

式中：(x,y)、w和h分別為包圍框的中心坐標(biāo)、寬和高。

分類損失Lconf為背景與受災(zāi)樹木間的softmax損失，定義為：

(6)

背景分類記為0，受災(zāi)樹木分類記為1。

3 結(jié)果與分析

3.1 試驗(yàn)環(huán)境與評價(jià)指標(biāo)

本研究訓(xùn)練模型的深度學(xué)習(xí)服務(wù)器安裝Ubuntu 16.04 64位系統(tǒng)，使用PyTorch深度學(xué)習(xí)開源框架，服務(wù)器搭載Intel CPU (64 GB 內(nèi)存)NVIDIA GTX 1080TI GPU (11GB 顯存)。訓(xùn)練階段設(shè)置初始學(xué)習(xí)率為0.001，批量大小為8，選擇動量為0.9的隨機(jī)梯度下降算法進(jìn)行優(yōu)化。模型共訓(xùn)練150輪，學(xué)習(xí)率在120輪下降為原來的0.1倍。數(shù)據(jù)擴(kuò)充方法與SSD目標(biāo)檢測框架相同。

測試階段采用PASCAL VOC標(biāo)準(zhǔn)的平均查準(zhǔn)率 (average precision，AP)評價(jià)受災(zāi)樹木檢測精確度。AP是深度學(xué)習(xí)目標(biāo)檢測通用評價(jià)指標(biāo)，可評價(jià)分類和定位準(zhǔn)確率，分類即判斷預(yù)測是否為受災(zāi)樹木，定位即判斷模型預(yù)測框與人工標(biāo)注框之間的IoU是否符合要求。AP為召回率(Recall)和精確率 (Precision)曲線下的面積(Everinghametal.， 2015),精確率和召回率定義為:

(7)

(8)

式中：Tp為檢測結(jié)果中的真正類 (true positive)個(gè)數(shù)，即預(yù)測框與標(biāo)注框類別相同且IoU > 0.5;Nd為非極大值抑制后檢測框個(gè)數(shù);Ng為標(biāo)注框個(gè)數(shù)。

3.2 試驗(yàn)分析

不同檢測模型在無人機(jī)森林圖像數(shù)據(jù)集上的檢測精確度如表4所示。模型0、1的預(yù)測模塊均使用基礎(chǔ)特征圖，模型1只保留b1—b4，以減少運(yùn)算量和參數(shù)量，測試AP為90.42%，相比模型0幾乎沒有降低。模型2加入特征增強(qiáng)模塊，預(yù)測模塊采用增強(qiáng)特征圖e1—e4，比模型1測試AP提高0.5%。模型3采用雙預(yù)測模塊，AP提高至92.62%。模型4以ResNet101為基礎(chǔ)特征提取器，相比模型3測試AP降低0.33%，原因可能如下： 1) ResNet101第一個(gè)卷積層下采樣操作導(dǎo)致網(wǎng)絡(luò)丟失部分空間信息，降低了網(wǎng)絡(luò)對小目標(biāo)的檢測能力。2) ResNet101使用批歸一化 (batch normalization，BN)(Ioffeetal.， 2015)，而BN的性能依賴于批量大小 (通常為32)，批量減小將增大BN預(yù)測誤差(Wuetal.， 2018)，ResNet101訓(xùn)練需大顯存。本試驗(yàn)受服務(wù)器顯存限制，在模型4訓(xùn)練過程中批量最大為4，從而導(dǎo)致測試AP較低。

表4 不同SITD檢測模型的測試AP

SITD和已有目標(biāo)檢測框架在無人機(jī)森林圖像數(shù)據(jù)集上的Precision-Recall曲線如圖6所示。各檢測框架基礎(chǔ)特征提取器均為VGG16，訓(xùn)練批量為8，后綴300和512表示輸入圖像大小分別為300×300像素和512×512像素。在SSD300、SSD512、FSSD512和RFBNet512檢測框架中，RFBNet512框架表現(xiàn)最好，在數(shù)據(jù)集上的測試AP為71.81%，SITD框架的測試AP比RFBNet提高21.51%，比SSD300提高69.71%。由此可見，相較于面向通用數(shù)據(jù)集的目標(biāo)檢測框架，更適用于無人機(jī)圖像中的小目標(biāo)樹木檢測。

3.3 檢測結(jié)果與錯(cuò)誤分析

完整無人機(jī)森林圖像中樹木密度較大，且生長在坡地的樹木圖像邊緣存在畸變。圖7a、b所示為受災(zāi)樹木分布密集區(qū)域檢測結(jié)果，SITD框架可準(zhǔn)確識別和定位其中單株受災(zāi)樹木。此外SITD框架對區(qū)域1中位于圖像邊緣的側(cè)視受災(zāi)樹木也有較高檢測能力，可準(zhǔn)確辨別較大樹木的樹枝和較小樹木(圖7c)。綜上，SITD框架能夠?qū)崿F(xiàn)無人機(jī)森林圖像中受災(zāi)樹木的數(shù)量統(tǒng)計(jì)和定位。影響檢測精度的主要原因如下： 1) 特殊姿態(tài)的樹木由于訓(xùn)練樣本較少，不易檢測而導(dǎo)致漏檢，如圖7b所示，區(qū)域2中被漏檢的左右2株分別為已落葉枯死木倒伏木；2) 位于圖像邊緣的不完整樹木不易檢測而導(dǎo)致漏檢，如圖7d所示。

4 討論

針對現(xiàn)有無人機(jī)森林圖像識別方法效率低、無法直接處理高分辨率圖像以及難以檢測生長密集、尺度較小的樹木等問題，本研究提出一種基于深度學(xué)習(xí)的小目標(biāo)受災(zāi)樹木檢測方法(SITD)。SITD框架在SSD目標(biāo)檢測框架基礎(chǔ)上增大輸入圖像和分辨率，從conv3_3開始構(gòu)建預(yù)測模塊，精簡基礎(chǔ)特征圖為b1—b4，并優(yōu)化特征圖的默認(rèn)框生成方式； 此外，通過特征增強(qiáng)模塊將基礎(chǔ)特征圖轉(zhuǎn)化為增強(qiáng)特征圖，在模型訓(xùn)練中結(jié)合基礎(chǔ)特征圖進(jìn)行2次預(yù)測，生成2組默認(rèn)框； 模型訓(xùn)練采用雙層損失函數(shù)，以提升網(wǎng)絡(luò)的特征學(xué)習(xí)能力。

相比已有利用圖像顏色特征(呂曉君等， 2016)檢測受災(zāi)樹木的方法，SITD無需人工目視判斷樹木受災(zāi)情況，且可準(zhǔn)確區(qū)分顏色相近的道路、裸地和屋頂?shù)雀蓴_因素。同時(shí)，利用圖像分析技術(shù)(費(fèi)運(yùn)巧等， 2017b)進(jìn)行受災(zāi)樹木檢測，需針對不同試驗(yàn)數(shù)據(jù)設(shè)計(jì)算法，耗時(shí)較久，且該技術(shù)對無人機(jī)圖像中小尺度目標(biāo)識別和定位效果較差，通常只能分割受災(zāi)區(qū)域，難以定位受災(zāi)單株。而SITD可面向不同數(shù)據(jù)，無需進(jìn)行大量圖像預(yù)處理，結(jié)合移動圖形工作站可實(shí)現(xiàn)林區(qū)現(xiàn)場受災(zāi)樹木實(shí)時(shí)檢測，極大縮短了森林蟲害監(jiān)測流程；此外，與目前通用的深度學(xué)習(xí)目標(biāo)檢測框架相比，SITD檢測準(zhǔn)確度提升較大，可更為精確地識別和定位小尺度受災(zāi)單株。

SITD只能識別是否受災(zāi)，無法對受災(zāi)等級進(jìn)行分類；且除蟲害外，干旱、病害等其他因素也可造成松樹顏色變化。因此，下一步究將圍繞樹木受災(zāi)階段及不同災(zāi)害原因分類識別展開。

5 結(jié)論

本研究基于深度學(xué)習(xí)目標(biāo)檢測方法，提出一種面向高分辨率無人機(jī)森林圖像的小目標(biāo)受災(zāi)樹木檢測框架(SITD)，該框架平均查準(zhǔn)率達(dá)92.62%，相比原始SSD300框架提升69.71%，可快速、準(zhǔn)確地對小目標(biāo)受災(zāi)樹木進(jìn)行檢測，與已有無人機(jī)森林圖像檢測方法相比具有明顯優(yōu)勢，結(jié)合無人機(jī)機(jī)組林區(qū)現(xiàn)場巡航、云服務(wù)器數(shù)據(jù)庫存儲和地圖可視化等技術(shù)，能夠簡化林業(yè)有害生物監(jiān)測流程，提升對森林蟲害的預(yù)警能力。