基于多光譜遙感的松材線蟲病受害木識別方法

褚東花，李德峰，宋西強

(1.臨沂市蒙陰縣國有天麻林場,山東 蒙陰 276200；2.臨沂市蒙陰縣林業(yè)局,山東 蒙陰 276200；3.臨沂沂蒙山世界地質(zhì)公園管理局,山東 臨沂 273304)

1 引言

松材線蟲病是松樹的一種毀滅性病害，傳染性極強，受害面積極大。松墨天牛(Monochamusalternatus)，是松材線蟲的傳播媒介[1]。松樹感染上此病，從發(fā)病到死亡的過程約40 d[2]。學(xué)者KIYOHARA等對大范圍內(nèi)的松樹進行了接種試驗研究，第一次驗證了松樹致病的根本原因是因為松材線蟲的存在。分子植物病理學(xué)之中有十大植物寄生蟲，而松材線蟲感染病就是其中一種。感染松材線蟲的松樹的葉片會轉(zhuǎn)變?yōu)辄S褐色，嚴重后轉(zhuǎn)變?yōu)榧t褐色，直至最后完全枯萎，這個過程為感染的表現(xiàn)癥狀[3]。該病源由北美洲地區(qū)開始，后傳播至日本。1982年，我國第一次發(fā)現(xiàn)感染松材線蟲病是在南京中山陵的黑松上，之后松材線蟲病便在我國不斷擴散致大片松樹林枯萎死亡。

針對松材線蟲感染木最有效的處理方法就是將受害木砍斷，然后熏蒸焚燒。懸掛誘捕器以及投放天敵也是防控線蟲病的一種處理形式。該病狀防控的工作基礎(chǔ)是疫情調(diào)查。地面調(diào)查、無人機遙感監(jiān)測以及衛(wèi)星遙感監(jiān)測是目前對受害木的監(jiān)測手段[4]。無人機遙感的優(yōu)點較多，如成本低、應(yīng)用周期短、操作簡便、時間和空間分辨率高以及靈活性高等優(yōu)點。無人機遙感技術(shù)目前已經(jīng)應(yīng)用在森林信息提取、資源調(diào)查、病蟲害監(jiān)測防治以及火災(zāi)監(jiān)測等方面[5]。采用無人機遙感技術(shù)不僅可以節(jié)省人力物力的資源，同時可以達到對松材線蟲受害木進行單株檢測。

目前，已存在大量針對受害木識別的專研報告，學(xué)者潘滄桑等對松樹正射后經(jīng)過處理將其導(dǎo)入到Geo Link軟件，利用目視判讀的形式尋找受害木。學(xué)者石進等采取的方式是觀察松材線蟲受害木樹冠上的顏色變化，無人機工作期間能夠采取到相應(yīng)數(shù)據(jù)，通過正射圖像的形狀對松材線蟲受害木進行目視判讀。在操作的過程中工作效率較低、主觀意識較強。而學(xué)者陶歡采取的HSV閾值法是根據(jù)圖像上的色調(diào)、明亮度以及顏色的飽和度對受害木進行識別，相比較前者，這種方法對識別的正確率有所提高。學(xué)者劉遐齡等通過運用無人機，對受害樹木的影像進行高分辨率獲取，通過多模板識別方式，對不同階段感染程度進行識別，研究結(jié)果表明：模板匹配方法檢測效率較目視判讀相比，有更高的效率性。隨著機器學(xué)習(xí)成為研究的熱點之后，一小部分學(xué)者逐漸采用機器學(xué)習(xí)的方式進行識別檢測受害木。

在Faster R-CNN目標測試的基礎(chǔ)上，從飛機、船、鳥以及西紅柿等各物體的檢測中獲取出較好的效果。以Fast R-CNN和R-CNN基礎(chǔ)上加以改進，在算法檢測精準度方面來說，前者比SSD、YOLO更高。迄今為止，在松材線蟲受害木識別的領(lǐng)域里，并沒有更深一層的研究方法，本文提及的方法也考慮了由其他原因?qū)е滤蓸渌劳龅挠绊懸蛩兀绺珊邓劳觥⒆匀凰劳觥Ｍㄟ^受害木等現(xiàn)象枯死的數(shù)據(jù)集對模型進行訓(xùn)練，從而提高了受害木識別的效果和精度。

2 模型和方法

2.1 加權(quán)支持向量數(shù)據(jù)描述多分類算法

最小超球體內(nèi)包含盡可能多的目標樣本，即是SVDD思想，并以此根據(jù)作為數(shù)據(jù)描述[6]。訓(xùn)練樣本不同影響分類模型做出的共享程度，故此引入權(quán)重系數(shù)而得到WSVDD模型。

(1)

如式(1)所示，超球體半徑為R；超球體球心為c；權(quán)重系數(shù)為i；松弛變量為ξi；懲罰系數(shù)為C；從原始空間延至高維特征空間中的映射函數(shù)為φ(x)。

訓(xùn)練樣本模型中，中心點和離群點影響著最終貢獻程度，二者之間的差值影響結(jié)果不同，根據(jù)結(jié)果確定樣本距離中心點距離權(quán)重函數(shù)。

中心距離定義:針對任一樣本點x(x∈X)，此樣本與訓(xùn)練樣本X的中心距離為D(x)=||x-α||。

定義權(quán)重系數(shù)所示為

(2)

如式(2)所示：計算全部訓(xùn)練樣本平均中心距離，通過Davr加以表示；正整數(shù)為P；在輸入空間中，樣本點表述方式為，點到中心距離視為D(xi)，Dmin≤D(xi)≤Davr，xi的權(quán)重系數(shù)隨著中心距離變化而變化；當Davr

圖1 錯誤分類示意

為此，本文采用的決策方法如下:

訓(xùn)練樣本集為{(xi,yi),i=1,2,…,n}，yi∈{1,2,…,M}，類別數(shù)為M。

(1)根據(jù)訓(xùn)練樣本點的不同將木比樣本劃分為M類。

(2)依次用SVDD分類的方法，建立M個最小包圍球體。

(3)基于測試樣本x，對超球體相對距離加以計算，假設(shè)超球體數(shù)量為M。

(3)

如(3)式顯示：ci為作為第個超球體的球心。

(4)將的值進行比較，最小值所對i即是測試樣點x的類別，即：

y=argmin(di)(i=1,2,…,M)

(4)

模型這種算法不僅概念清晰、效率快，而且容易實現(xiàn)，但也容易出現(xiàn)誤差現(xiàn)象，如，當所求出最小包圍超球體在相較過程中形成的錯誤歸類，分類結(jié)果出現(xiàn)錯誤，誤差較小。

2.2 圖像特征提取

將圖案中內(nèi)容進行準確描述，對圖像中所呈現(xiàn)的圖像顏色、紋理特征作為圖像像素點的綜合特征屬性，進而分類別圖案中呈現(xiàn)的內(nèi)容信息[9]。

裝有雙光譜相機的無人機的成像率比較高，功效小以及小體積的特點，同時可以獲取可見光圖像和近紅外圖像，根據(jù)圖像中3種不同顏色的分量做信息描述，進而構(gòu)成圖案思維顏色特征向量[10]。

根據(jù)可見光圖像操作像素4個不同方向共生的矩陣，計算其平均值和標準值可以得出多個變化的紋理特征，由3個紋理特征生成6個旋轉(zhuǎn)不變的特紋理特征，再由6個紋理特征生成1十維樣本特征向量。

3 應(yīng)用研究

通過EcoDrone USA-8型號無人機，鏡頭像素為120萬每波段。在選樣地附近選擇無高壓電線干擾處作為起飛點，在直線距離1 km以內(nèi)的平坦地面進行飛行(圖2、表1)。

圖2 八旋翼無人機及航拍

試驗地域選取健康樹與枯死樹混合的松林，對松林樹木進行采樣工作，為了保障葉片完整性，避免水分流失，采摘過程需要連同葉鞘共同進行，在密封袋內(nèi)加入保鮮劑進行密封。將帶回實驗室的松針進行整理后分為 4 組，如圖3所示。

圖3 松針情況

受害木識別方法的評價指標為mAP值，即均值平均精度，是指每個類別AP(PR曲線圍起來的面積)的平均值，其值越高代表方法的識別性能越好。通過(5)式計算mAP值，結(jié)果如表2所示。

表2 mAP值測試結(jié)果

(5)

式(5)中，表示驗證集中葉片圖片各類別的平均精度之和，N(Classes)表示所有類別的數(shù)目。

從表2中可以看出，本文方法進行受害木識別，得到的mAP值為0.98，而利用文獻方法進行受害木識別，得到的mAP值分別為0.847、0.836。由以上3種結(jié)果對比可知，本文識別方法的性能更好，識別準確率更高。主要原因在于本文方法采用多光譜遙感技術(shù)能夠及時的發(fā)掘受害木的感染分布情況，采用最小超球體包含盡可能多的目標樣本，將其他枯死樹木以及紅色闊葉樹的樣本信息加入數(shù)據(jù)集當中，提高識別效果以及檢測精度。

4 結(jié)論

以無人機遙感技術(shù)獲取超高空間分辨率與深度學(xué)習(xí)目標檢測技術(shù)相結(jié)合的方式對受害木進行檢測，效率高，同時還具備高檢測精度。依據(jù)感染后樹木的冠幅大小，將其修改成RPN網(wǎng)絡(luò)中anchor的尺寸大小后，將其他枯死樹木以及紅色闊葉樹的樣本信息加入數(shù)據(jù)集當中，這種方法可以提高識別效果以及檢測精度，得到的mAP值為0.98。多光譜遙感技術(shù)能夠及時的發(fā)掘受害木的感染分布情況，進而有效地檢測受害木感染情況的具體分布情況發(fā)展狀態(tài)，同時也為松林管理、防護人員提供了及時有效的信息狀況。