使用無人機加 AI 圖像分析，及早發現森林蟲害

當下，森林資源減少和環境惡化愈加嚴重，森林害蟲已然成為全球森林保護的重要挑戰之一。其中，松舟蛾（Thaumetopoea pityocampa）這類具有破壞力的害蟲引起了廣泛重視。松舟蛾主要分布在歐洲南部、地中海和北非地區，其幼蟲會在松樹的樹幹和枝條上鑽洞啃食，破壞松樹的生長和發育。

為了早期檢測和防控松舟蛾，里斯本大學（University of Lisbon）研究人員比較了兩種深度學習演算法，以解決無人機圖像中的巢穴辨識難題。目前該研究已發佈在《NeoBiota》期刊，標題為「Testing early detection of pine processionary moth Thaumetopoea pityocampa nests using UAV-based methods」。

▲ Testing early detection of pine processionary moth Thaumetopoea pityocampa nests using UAV-based methods

該研究成果已發表在《NeoBiota》上

實驗概述

過往，科研人員通常借助遙感技術（衛星等）和多光譜相機結合，得到一定區域內的森林覆蓋圖像，並從樹冠顏色、死樹位置等資訊判斷整體蟲害情況。然而，由於圖像解析度很低，無法檢測到單個樹木蟲害情況。因此，本實驗中研究人員提出了由無人機採集圖像的方式。這樣，無人機能夠接近單個樹木並對它們進行更精細的掃描和採集。

研究人員在無人機獲取的圖像上，測試了兩種深度學習方法——Faster R-CNN （FRNN）及 YOLO 來檢測早期松舟蛾巢穴（以下簡稱巢穴），具體實驗過程如下：

研究選址

研究人員在法國、義大利和葡萄牙各選擇了 1 個研究地點。如圖 1 所示，這 3 個地點之間樹齡、密度等特徵均不相同。

▲ 圖 1：研究地點情況、a：葡萄牙松樹林、b：法國松樹林、c：義大利黑松林

在 3 個地點中，研究人員都採用了地面計數（2 名觀察員分別目測樹木兩側）來檢測巢穴數量，除此之外，圖 1b 所示的法國松樹林中，研究人員還站在一個位於樹冠上方 2 公尺的移動平臺上，來檢測巢穴數量。

資料集

研究人員使用了無人機加高解析攝影鏡頭的方式採集了 3 個樣地的圖像，其中高解析（HD）攝影機（RGB HD SONY Alpha 7R）最佳應用性能方案確定為：採用具有 35mm 焦距和至少 36 Mpix 解析度的 RGB HD 感測器，而無人機則選擇了 DJI Matrice 300 多旋翼無人機平臺，並制定了 80% 的航跡內部和橫跨航跡的重疊度。

最終，研究人員得到了無人機收集的 22,904 張圖像作為資料集，並透過資料增強技術，如改變亮度、色調、雜訊及圖像壓縮等操作無人機圖像，產生新的資料集，使模型更好地學習和泛化。其中，該資料集的 80% 用於模型訓練，20% 用於測試。

實驗過程

無人機模型

考慮到一些巢穴只能從側面看到，研究人員用模型檢測主要針對的是單張無人機正射圖像而非全域正射圖像，因為全域圖像是垂直視角，容易造成遺漏。無人機正射圖像是指透過對無人機採集的圖像進行處理，使其在地圖上的位置和比例與現實世界中的位置和比例一致。

研究團隊訓練了基於 FRCNN 和 YOLO 的兩種深度學習模型，同時為了評估模型檢測無人機圖像的結果，還配備 1 名觀測員對每張圖像上的巢穴數量進行了視覺評估。

研究人員使用了 F1 得分具體衡量模型與人眼檢測（human eye）在無人機、地面圖像上的性能。其中 F1 得分計算公式如下圖：

▲ F1 計算公式

F1 得分是精確率和召回率的調和平均值，可用來評估模型的準確性和完整性。其取值範圍為 0 到 1，越接近 1 表示模型的性能越好。

實驗結果

研究人員將 FRCNN 及 YOLO 模型與人眼檢測進行了比較，測試了模型在檢測樹上有無巢穴存在（% infested trees）和巢穴數量（No. PPM nests）的性能。

▲ 表 1：不同方式檢測松舟蛾巢穴情況

如表 1 所示，透過地面計數，人眼對整個研究範圍內樹木一共目測到 665 個巢穴；而透過目測無人機圖像，則檢測到 222 個巢穴。研究人員認為造成二者差異的原因是地面目測具有多維度觀測角度，而無人機局限於從上方進行拍攝。不過，無人機圖像具有其自身優勢，因為地面詳細檢測需要耗費較高成本，而無人機可以告知人們存在的風險並進一步採取行動進行詳細的地面檢測。

下圖是兩種模型在 3 個樣地無人機圖像上的巢穴存在檢測和每棵樹上巢穴數量檢測的 F1 得分。

▲ 圖 3：兩種模型對無人機圖像檢測 F1 得分

a：檢測無人機圖像上的巢穴存在
b：檢測每棵樹上巢穴數量

如圖 3 所示，檢測無人機圖像上的巢穴，YOLO 模型 F1 得分高達 0.826，檢測每棵樹上巢穴數量，YOLO 模型 F1 得分高達 0.696。同時，研究人員發現 YOLO 模型的檢測性能高於 FRCNN。下圖是在不同研究地點（不同松樹品種），兩種模型在檢測無人機圖像時的 F1 得分。

▲ 圖 4：不同研究地點，兩種模型 F1 得分

a: 檢測無人機圖像上的巢穴存在
b: 檢測每棵樹上巢穴數量

如圖 4 所示，在 3 個樣地，無論是檢測巢穴存在還是檢測每棵樹上巢穴的數量，YOLO 模型 F1 得分均優於 FRCNN 模型。

綜上，研究人員提出，無人機和 AI 模型相結合能夠有效地對松舟蛾巢穴進行早期檢測。其中，無人機有如下優點：

高效性：無人機可以快速地覆蓋大面積的地區，收集大量的資料。
高精度：無人機搭載的高解析度相機可以捕捉到非常精細的圖像和影片，進而使無人機可以提供高精度的資料。

針對無人機圖像上的巢穴檢測及巢穴數量檢測，YOLO 模型都表現優異。這表明相關技術的結合，在監測和管理森林中的害蟲和病害方面具有重要意義，同時也為保護森林生態系統提供了新的思路。

無人機+ AI：科技領域的重要趨勢

目前看來，無人機+ AI 已成森林保護發展的共識。透過無人機的高空視角和人工智慧的分析，研究人員執行任務時能夠更高效、準確和自動化，進而改善森林保護效率。

無人機+ AI 為森林保護工作帶來了新的機遇和挑戰，為提升效率和保護森林資源發揮了重要作用。然而，無人機與人工智慧的融合同時也面臨一系列挑戰。一方面，需要不斷推動無人機和人工智慧的發展，提高性能和穩定性。另一方面，在資料安全和隱私保護方面，需要相關政策和規範，以確保無人機和人工智慧應用能安全地處理和儲存資料。