基于無人機(jī)圖像的松樹枯萎病近距離檢測(cè)方法研究

Plant Phenomics | 南京林業(yè)大學(xué)利用改進(jìn)的深度學(xué)習(xí)方法探索基于無人機(jī)圖像的松樹枯萎病近距離檢測(cè)方法

松樹枯萎�。≒WD）是一種由松木線蟲引起的疾病，屬于破壞性極大的森林病害，對(duì)中國(guó)的針葉林構(gòu)成嚴(yán)重威脅。為了更好的檢測(cè)和控制松樹枯萎病的蔓延，迫切需要一種實(shí)時(shí)、高效的方法來檢測(cè)受感染的樹木。然而，現(xiàn)有的目標(biāo)檢測(cè)模型在兼顧輕量級(jí)設(shè)計(jì)和準(zhǔn)確性方面往往面臨挑戰(zhàn)，尤其是在復(fù)雜的混交林中。
 

2023年12月，Plant Phenomics 在線發(fā)表了南京林業(yè)大學(xué)題為 Exploring the Close-Range Detection of UAV-Based Images on Pine Wilt Disease by an Improved Deep Learning Method 的研究論文。
 

該文研究人員針對(duì) YOLOv5s（You Only Look Once version 5s）算法進(jìn)行了改進(jìn)，提出了實(shí)時(shí)高效模型 PWD-YOLO。首先，構(gòu)建了一個(gè)由多個(gè)相連的 RepVGG 塊組成的輕量骨架，這種設(shè)計(jì)避免了不同網(wǎng)絡(luò)之間的流動(dòng)所造成的額外計(jì)算負(fù)擔(dān)，并通過其獨(dú)特的殘差設(shè)計(jì)進(jìn)一步彌補(bǔ)了多分支結(jié)構(gòu)的缺點(diǎn)，大大提高了模型的推理速度。針對(duì)計(jì)算量小導(dǎo)致信道信息丟失的缺點(diǎn)，該模型的特征融合網(wǎng)絡(luò)提出了擁有更豐富梯度流信息的 C2fCA 模塊，并引入了 GSConv 網(wǎng)絡(luò)，取代了原算法的 C3 模塊和常規(guī)卷積，在速度和精度之間取得了平衡。最后采用雙向特征金字塔網(wǎng)絡(luò)（BiFPN）策略，加強(qiáng)網(wǎng)絡(luò)中多個(gè)尺度的 PWD 感染樹之間的信息傳播和共享。
 

圖 2 LabelImg 標(biāo)注的不同環(huán)境下的數(shù)據(jù)示例。(A) 紅色闊葉樹和裸露土地。(B) 紅色闊葉樹。(C) 目標(biāo)遮擋。(D) 紅色闊葉樹和目標(biāo)遮擋。(E) 枯樹和不完整目標(biāo)。(F) 枯樹和目標(biāo)遮擋。(G) 多尺度和枯樹。(H) 小目標(biāo)。
 

圖3  YOLOv5 的網(wǎng)絡(luò)架構(gòu)
 

圖8 PWD-YOLO的網(wǎng)絡(luò)構(gòu)架
 

圖 9 不同模型在不同復(fù)雜環(huán)境中檢測(cè) PWD 的結(jié)果。(A) 紅色闊葉樹。(B) 紅色闊葉樹。(C) 紅色闊葉樹。(D) 裸地。(E) 密集目標(biāo)。
 

本研究根據(jù)實(shí)際需求，通過改進(jìn) YOLOv5，提出了一種實(shí)時(shí)高效的檢測(cè)方法，驗(yàn)證了僅利用無人機(jī)獲取的 RGB 圖像檢測(cè)復(fù)雜混交林中感染松樹枯萎病的變色樹木的有效性和可行性。所提出的 PWD-YOLO 的F1分?jǐn)?shù)和mAP@0.5分別達(dá)到83%和87.7%，比原來的YOLOv5s（82%和86.2%）分別高出1%和1.5%，表現(xiàn)出很強(qiáng)的魯棒性。與其他主流物體檢測(cè)模型相比，PWD-YOLO 在模型輕量化方面具有顯著優(yōu)勢(shì)，模型大小、計(jì)算復(fù)雜度和參數(shù)大小分別僅為 2.7 MB、3.5 GFLOPs 和 1.09 MB。在檢測(cè)速度方面，每秒幀數(shù)達(dá)到了 98.0，更適合部署在消費(fèi)級(jí)無人機(jī)等嵌入式設(shè)備上。在測(cè)試集上進(jìn)行評(píng)估時(shí)，所提出的模型的精確度、召回率和 F1 分?jǐn)?shù)分別達(dá)到了 93.9%、92.5% 和 95.3%。這表明即使在不同的森林環(huán)境中，該模型也具有出色的泛化能力。
 

圖 10. 不同干擾條件下 YOLOv5s 和 PWD-YOLO 熱圖的可視化結(jié)果。(A) 紅色闊葉樹和枯樹。(B) 密集目標(biāo)。(C) 紅色闊葉樹。(D) 紅色闊葉樹和裸露土地。(E) 目標(biāo)不完整。(F) 枯死樹木和裸露土地。

總的來說PWD-YOLO 能夠作為一種有效的工具在各種環(huán)境下實(shí)時(shí)、準(zhǔn)確地檢測(cè)感染松樹枯萎病的樹木，為控制松樹枯萎病的傳播提供強(qiáng)有力的技術(shù)支持，滿足森林管理的實(shí)際需求。該方法還為消費(fèi)級(jí)無人機(jī)結(jié)合深度學(xué)習(xí)算法在森林資源監(jiān)測(cè)、精準(zhǔn)林業(yè)、智慧林業(yè)等相關(guān)領(lǐng)域的應(yīng)用提供了寶貴的啟示，展示了廣闊的實(shí)際應(yīng)用前景。
 

本研究中使用和分析的部分?jǐn)?shù)據(jù)、代碼和優(yōu)化模型已上傳至網(wǎng)站：https://github.com/YeXinQuan/PWD-YOLO。

此外，本研究中的所有自制數(shù)據(jù)集（共 6,308 張）可通過聯(lián)系相應(yīng)作者獲得。

論文鏈接：

https://spj.science.org/doi/10.34133/plantphenomics.0129

——推薦閱讀——

CountShoots: Automatic detection and counting of slash pine new shoots using UAV imagery

https://spj.science.org/doi/10.34133/plantphenomics.0065

Plant Phenomics | "CountShoots"：一種使用無人機(jī)圖像的濕地松新抽梢自動(dòng)檢測(cè)和計(jì)數(shù)軟件

ExtSpecR: a R package and tool for extracting trees spectra from UAV-based remote sensing 

https://spj.science.org/doi/10.34133/plantphenomics.0103

Plant Phenomics | ExtSpecR：無人機(jī)與R語言聯(lián)手，樹木光譜分析更簡(jiǎn)單

加入作者交流群

掃碼添加小編微信，拉您進(jìn)入《植物表型組學(xué)》作者交流群，群內(nèi)不定期開展作者分享會(huì)、專刊發(fā)布會(huì)等高質(zhì)量活動(dòng)。

添加小編微信，備注姓名+單位+PP，加入作者交流群

About Plant Phenomics

《植物表型組學(xué)》（Plant Phenomics）是由南京農(nóng)業(yè)大學(xué)和美國(guó)科學(xué)促進(jìn)會(huì)（AAAS）合作創(chuàng)辦的英文學(xué)術(shù)期刊，于2019年1月正式上線發(fā)行。采用開放獲取形式，刊載植物表型組學(xué)交叉學(xué)科熱點(diǎn)領(lǐng)域具有突破性科研進(jìn)展的原創(chuàng)性研究論文、綜述、數(shù)據(jù)集和觀點(diǎn)。具體范圍涵蓋高通量表型分析的最新技術(shù)，基于圖像分析和機(jī)器學(xué)習(xí)的表型分析研究，提取表型信息的新算法，作物栽培、植物育種和農(nóng)業(yè)實(shí)踐中的表型組學(xué)新應(yīng)用，與植物表型相結(jié)合的分子生物學(xué)、植物生理學(xué)、統(tǒng)計(jì)學(xué)、作物模型和其他組學(xué)研究，表型組學(xué)相關(guān)的植物生物學(xué)等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等數(shù)據(jù)庫收錄�？祁Ｎò睯CR2021影響因子為6.5，位于農(nóng)藝學(xué)、植物科學(xué)、遙感一區(qū)。2023年中科院期刊分區(qū)位于農(nóng)林科學(xué)大類一區(qū)。2020年入選中國(guó)科技期刊卓越行動(dòng)計(jì)劃高起點(diǎn)新刊項(xiàng)目。

說明：本文由《植物表型組學(xué)》編輯部負(fù)責(zé)組稿。
中文內(nèi)容僅供參考，一切內(nèi)容以英文原版為準(zhǔn)。
撰稿：李嘉琦（南京農(nóng)業(yè)大學(xué)）
排版：趙倩瑩（南京農(nóng)業(yè)大學(xué)）
審核：孔敏、王平