共计 2837 个字符，预计需要花费 8 分钟才能阅读完成。
内容一览： 晚期发现虫害对于就地取材采取防控措施至关重要。只管遥感技术可用于疾速扫描大面积区域，但面对低强度信号或难以检测的物体，其成果并不尽如人意。因而，里斯本大学钻研人员将无人机与 AI 图像剖析相结合，在此基础上测试了两种深度学习办法—— FRCNN 及 YOLO 来检测晚期松异舟蛾巢穴，并且效果显著。
关键词： AI 算法 害虫检测 YOLO
本文首发自 HyperAI 超神经微信公众平台~
当下，森林资源缩小和环境好转更加重大，森林害虫未然成为寰球森林保护的重要挑战之一。 其中，松异舟蛾 (Thaumetopoea pityocampa) 这类具备破坏力的害虫引起了宽泛器重。 松异舟蛾次要散布在欧洲南部、地中海和北非地区，其幼虫会在松树的树干和枝条上钻洞啃食，毁坏松树的成长和发育。
为了晚期检测和防控松异舟蛾，里斯本大学 (University of Lisbon) 钻研人员比拟了两种深度学习算法，以解决无人机图像中的巢穴辨认难题。 目前该钻研已公布在《NeoBiota》期刊，题目为「Testing early detection of pine processionary moth Thaumetopoea pityocampa nests using UAV-based methods」。
该研究成果已发表在《NeoBiota》上
论文地址：
https://neobiota.pensoft.net/article/95692/
试验概述
过往，科研人员通常借助遥感技术（卫星等）和多光谱相机联合，失去肯定区域内的森林笼罩图像，并从树冠色彩、死树地位等信息判断整体虫害状况。然而，因为图像分辨率很低，无奈检测到单个树木虫害状况。 因而，本试验中钻研人员提出了由无人机采集图像的形式。这样，无人机可能靠近单个树木并对它们进行更粗疏的扫描和采集。
钻研人员在无人机获取的图像上， 测试了两种深度学习办法——Faster R-CNN (FRNN) 及 YOLO 来检测晚期松异舟蛾巢穴（以下简称巢穴），具体试验过程如下：
钻研选址
钻研人员在法国、意大利和葡萄牙各抉择了 1 个钻研地点。 如图 1 所示，这 3 个地点之间树龄、密度等特色均不雷同。
图 1：钻研地点状况
a：葡萄牙松树林
b：法国松树林
c：意大利黑松林
在 3 个地点中，钻研人员都采纳了高空计数 (2 名观察员别离目测树木两侧) 来检测巢穴数量， 除此之外，图 1b 所示的法国松树林中，钻研人员还站在一个位于树冠上方 2 米的挪动平台上，来检测巢穴数量。
数据集
钻研人员应用了无人机加高清摄像头的形式采集了 3 个样地的图像 ，其中高清 (HD) 摄像机 (RGB HD SONY Alpha 7R) 最佳利用性能计划确定为：采纳具备 35mm 焦距和至多 36 Mpix 分辨率的 RGB HD 传感器，而无人机则抉择了 DJI Matrice 300 多旋翼无人机平台，并制订了 80% 的航迹外部和横跨航迹的重叠度。
最终，钻研人员失去了无人机收集的 22,904 张图像作为数据集，并通过数据加强技术，如扭转亮度、色调、噪声及图像压缩等操作无人机图像，生成新的数据集，使模型更好地学习和泛化。 其中，该数据集的 80% 用于模型训练，20% 用于测试 。
试验过程
无人机模型
思考到一些巢穴只能从侧面看到，钻研人员用模型检测次要针对的是单张无人机正射图像而非全局正射图像 ，因为全局图像是垂直视角，容易造成脱漏。 无人机正射图像是指通过对无人机采集的图像进行解决，使其在地图上的地位和比例与事实世界中的地位和比例统一。
钻研团队训练了基于 FRCNN 和 YOLO 的两种深度学习模型， 同时为了评估模型检测无人机图像的后果，还装备 1 名观测员对每张图像上的巢穴数量进行了视觉评估。
钻研人员应用了 F1 得分具体掂量模型与人眼检测 (human eye) 在无人机、高空图像上的性能 。 其中 F1 得分计算公式如下图：
图 2：F1 计算公式
F1 得分是准确率和召回率的和谐平均值，可用来评估模型的准确性和完整性。 其取值范畴为 0 到 1，越靠近 1 示意模型的性能越好。
试验后果
钻研人员将 FRCNN 及 YOLO 模型与人眼检测进行了比拟， 测试了模型在检测树上有无巢穴存在 (% infested trees) 和巢穴数量 (No. PPM nests) 的性能。
表 1：不同形式检测松异舟蛾巢穴状况
如表 1 所示，通过高空计数，人眼对整个钻研范畴内树木一共目测到 665 个巢穴；而通过目测无人机图像，则检测到 222 个巢穴。钻研人员认为造成二者差别的起因是高空目测具备多维观测角度，而无人机局限于从上方进行拍摄。 不过，无人机图像具备其本身劣势，因为高空具体检测须要消耗较高老本，而无人机能够告知人们存在的危险并进一步采取行动进行具体的高空检测。
下图是两种模型在 3 个样地无人机图像上的巢穴存在检测和每棵树上巢穴数量检测的 F1 得分。
图 3：两种模型对无人机图像检测 F1 得分
a：检测无人机图像上的巢穴存在
b：检测每棵树上巢穴数量
如图 3 所示，检测无人机图像上的巢穴，YOLO 模型 F1 得分高达 0.826，检测每棵树上巢穴数量，YOLO 模型 F1 得分高达 0.696。 同时，钻研人员发现 YOLO 模型的检测性能高于 FRCNN。 下图是在不同钻研地点（不同松树种类），两种模型在检测无人机图像时的 F1 得分。
图 4：不同钻研地点，两种模型 F1 得分
a: 检测无人机图像上的巢穴存在
b: 检测每棵树上巢穴数量
如图 4 所示，在 3 个样地，无论是检测巢穴存在还是检测每棵树上巢穴的数量，YOLO 模型 F1 得分均优于 FRCNN 模型。
综上，钻研人员提出， 无人机和 AI 模型相结合可能无效地对松异舟蛾巢穴进行晚期检测。 其中，无人机有如下长处：
- 高效性 ：无人机能够疾速地笼罩大面积的地区，收集大量的数据。
- 高精度 ：无人机搭载的高分辨率相机能够捕捉到十分精密的图像和视频，从而使无人机能够提供高精度的数据。
针对无人机图像上的巢穴检测及巢穴数量检测，YOLO 模型都体现优异。 这表明相干技术的联合，在监测和治理森林中的害虫和病害方面具备重要意义，同时也为爱护森林生态系统提供了新的思路。
无人机 + AI：科技领域的重要趋势
目前看来，无人机 + AI 已成为国内外森林保护倒退的共识。 通过无人机的低空视角和人工智能的剖析，钻研人员执行工作时可能更高效、精确和自动化，从而改善森林保护效率。
聚焦国内，中国科学院公布的「森林病虫害遥感监测——从卫星到无人机」报告中具体介绍了森林病虫害的类型、倒退阶段以及检测办法 ，并提出将来森林保护工作的重要方向之一正是倒退预测模型，实现预测和检测办法的无缝对接，这与本论文的研究成果不约而同。
报告地址：
https://bit.ly/3oJgDWf
能够看到，无人机 + AI 为森林保护工作带来了新的时机和挑战，为晋升效率和爱护森林资源施展了重要作用。 然而，无人机与人工智能的交融同时也面临一系列挑战。 一方面，须要一直推动无人机和人工智能的倒退，进步性能和稳定性。另一方面，在数据安全和隐衷爱护方面，须要相干政策和标准，以确保无人机和人工智能利用能平安地解决和存储数据。
本文首发自 HyperAI 超神经微信公众平台~
