利用深度學習計數航拍圖中的桉樹樹樁

摘" 要：針對林木采伐過程中，被采伐林木的數量難以準確計數的問題，提出一種從航拍圖中計數樹樁的新思路。首先用無人機低空飛行獲得經采伐后桉樹林地的高清影像。將影像導入ArcGIS Pro，用內置的深度學習模塊計數桉樹樹樁。對深度學習模塊進行多輪參數優化后，得到計數結果為947個樹樁。選取2塊具有代表性的樣地，通過目視判讀進行精度驗證，錯分誤差為12.31%，漏分誤差為2.56%，結果較為理想，證明該方法的實用性和準確性，可為桉樹林地的經營管理提供技術支持。

關鍵詞：無人機；航拍圖；深度學習；桉樹；樹樁

中圖分類號：S792.39 文獻標志碼：A" " " " " 文章編號：2096-9902（2023）16-0028-04

Abstract： In order to solve the problem that it is difficult to accurately count the number of trees to be cut in the process of forest cutting， a new idea of counting tree stumps from aerial pictures is put forward. First of all， the high-definition image of Eucalyptus woodland was obtained by low-altitude flight of UAV. Import the image into ArcGIS Pro and count the Eucalyptus stumps with the built-in deep learning module. After many rounds of parameter optimization of the depth learning module， the counting result is 947 stumps. Two representative sample plots are selected and the accuracy is verified by visual interpretation. the error of misclassification is 12.31% and the error of leakage is 2.56%. The result is ideal， thereby proves the practicability and accuracy of this method， and can provide technical support for the management of Eucalyptus woodland.

Keywords： UAV; aerial picture; deep learning; Eucalyptus; tree stump

隨著遙感技術的快速發展，無人機遙感技術給林業工作帶來新的方法和思路，有效提高了林業工作的效率和質量[1]。在植被遙感的研究中，多位學者通過無人機航拍圖像結合遙感分析的方法得出樹木的數量。如付虹雨等[2]利用無人機遙感技術進行了竺麻植株計數；李越帥等[3]利用無人機遙感影像對塔里木河流域的胡楊林進行樹冠分割；朱學巖等[4]以貝葉斯CSRNet模型快速地統計無人機航拍圖像內的云杉數量。在現代林業工作中，合理應用無人機遙感能夠顯著提升作業效率及質量。

同時，隨著近幾年智能林業的興起，深度學習在林業的應用被越來越多的學者所重視[5]，與傳統圖像分類方法相比，深度學習在圖像分類中略過了復雜的人工提取特征過程，僅需輸入圖像即可進行特征提取及識別，且分類效果更好。目前，深度學習在林業方面主要應用于樹木分類與識別[6]、病蟲害監測、森林火災監測與樹木監測4個方面[7]。如趙嚴等[8]利用深度學習模型Pest-YOLOv4對林業害蟲進行檢測；楊攀[9]利用深度學習WMR-CNN模型對木材材積進行測量。雖然深度學習在林業方面的應用發展十分迅速，但總體上對林業實際工作的應用仍然較少。如何充分將其應用于林業生產工作中，提高工作的效率和準確率，是現代林業工作的重點。本文從實際生產中出發，為解決林業問題提供新思路。

在當前的樹木采伐工作中，被采伐樹木數量的統計主要通過集中放置樹木主干后，對樹木主干進行計數。這一方法雖然可以獲得較為準確的被伐木數量，但其全程由采伐工作的承包人員操作，難以對其準確性進行核實。據業內人士反映，樹木采伐人員常有將上報被伐木的數量減少的傾向。這一現象在南方的桉樹林種植區相當普遍。本研究嘗試在被采伐后的桉樹林地，用無人機航拍結合深度學習的方式，對被采伐桉樹的樹樁數量進行準確計數，最后得出實際被伐木數量。

1" 林地概況

試驗林地位于廣東省清遠市清新區的桉樹商品林地，試驗林地的其他植被為竹類和小灌木。2023年2月對試驗林地的桉樹進行了采伐，航拍圖中桉樹樹樁主要位于道路旁或夾雜在其他植被間。

2" 材料

2.1" 儀器

無人機：Mavic 3 Pro，深圳大疆創新科技有限公司。

2.2" 軟件

Agisoft Metashape Professional2.0（Agisoft LLC）；

Arcgis Pro 3.0（Esri）。

3" 試驗步驟

3.1" 無人機圖像拍攝

拍攝時間為2023年4月。設定飛行參數如下：飛行覆蓋范圍為0.022 4 km2，飛行高度為35.8 m，照片數量為98張，正射影像分辨率為1.1 cm/pix。

3.2" 樣本標注及保存

將原始影像拼接為正射影像圖以后，導入ArcGIS Pro，利用ArcGIS Pro分類工具中的“標注對象以供深度學習使用”工具進行標注。標注時選擇的樣本應具代表性，確保樣本基本涵蓋所有類型，從而使深度學習對樣本的特征提取更全面。盡量保證標注的樣本特征被全部涵蓋的同時減少周邊物體的干擾（如灌木、散落的樹枝、土地），即盡可能提高相應樹樁所有特征在標注區域中的面積占比。標注完成后保存以作為樣本進行模型訓練。除此之外，樣本的標注數量不能太少，否則無法通過訓練得到穩定的模型。

3.3" 訓練深度學習模型及確定適當模型

使用Arcgispro“地理處理”窗格中的“訓練深度學習模型”工具進行模型訓練，通過調節批大小（batch-size）、訓練輪數（epoch）進行多次訓練。在模型儲存目錄下的model_metrics文件可以看到模型的評價指標——平均精度得分（Average Precision Score）。訓練時盡可能地提高精度，從而得到適當的模型。

3.4" 使用深度學習進行目標檢測

利用訓練好的模型對數據進行處理，打開“使用深度學習檢測對象”工具，通過調整置信度（threshold）、批大小（batch-size）進行多次處理，直到得到較好結果。

3.5" 對結果進行檢驗以評價其效果

選取合適的樣地進行精度檢驗[10]，在圖片上標注漏分的研究對象和錯分為研究對象的其他事物的位置， 并統計其數量， 對圖片上難以確定的對象到現場進行調查。根據結果計算錯分誤差和漏分誤差，計算公式為

制圖精度（%）=軟件判讀的研究對象數量/（軟件判讀的研究對象數量+漏分的研究對象數量），漏分誤差（%）=1-制圖精度（%），用戶精度（%）=軟件判讀的研究對象數量/（軟件判讀的研究對象數量+錯分為研究對象的其他事物數量），錯分誤差（%）=1-用戶精度（%）。

4" 結果與分析

4.1" 航拍結果

航拍結果如圖1所示。

4.2" 樣本標注、模型訓練及輸出結果

4.2.1" 樣本標注

將圖片導入ArcGIS Pro中，樹樁形狀各異，還有部分樹樁的截面剛好位于分枝處，同時包括主干及分枝，因此標注樣本時既要涵蓋各種形狀的僅包括主干的樹樁，也要標注同時含有主干以及分枝年輪的樹樁。標注樣本不宜過少，本試驗標注樣本數量為90個。

4.2.2" 模型訓練

經多次模型訓練，當批大小選擇為8，訓練輪數為30輪，模型類型為單幀選擇器，骨干模型為ResNet-152時，模型擬合較好，平均精度得分較高，達到0.822 4，確定其為適當的模型。

4.2.3" 輸出結果

利用選定的模型對數據進行處理多次得出，當置信度選擇0.55，批大小選擇為8時，效果最佳。

4.3" 結果檢驗及評價

程序輸出結果顯示要素總數為947個，通過選取樣地、目視判讀、精度檢驗等工作對結果進行檢驗及評價。

4.3.1" 樣地選擇

該林地地勢起伏不大，整體來看可分為植被密集區域及植被稀疏區域（如道路周邊），為確保樣本具代表性，分別選擇左上方及右下方2塊區域作為樣地，且左上方樣地植被密集，而右下方樣地植被較稀疏。如圖1所示

選擇樣地的目的是得到可用于精度檢驗的樣本，為確保其可驗證整體的精準度，應保持樣本數不少于整體數量的10%，故選取樣本總數應不少于95個，2塊樣地的樹樁均為114個，總數為228個。

4.3.2" 樣本檢驗

對樣本進行目視判讀，分別標記錯分為目標的非目標對象以及遺漏的目標對象，其結果如圖2—圖5所示。

4.3.3" 計算精準度

經檢驗，標記出樣地的錯分、漏分對象，其中白色圓形為錯分對象，白色三角形為漏分對象，2塊樣地的統計結果見表1。

錯分對象共32個，其中其他植物3個、道路8個、重復21個。錯分對象主要為重復，其主要原因是部分桉樹采伐時截面同時保留有主干及分枝，導致軟件識別為2個目標，造成了重復；而道路則由于其顏色同樹樁類似被錯分為目標；其他植物則是因為標注對象時為保證樣本具有代表性，部分被少量周邊植物遮蔽的樹樁也被作為樣本供深度學習訓練，導致錯誤識別。漏分對象共6處，其主要原因是被周邊植物遮蔽很嚴，在置信度不是很低的情況下會被軟件漏判。錯分誤差為1-87.69%=12.31%，漏分誤差為1-97.44%=2.56%。

4.3.4" 結果評價

錯分誤差較漏分誤差稍高，但總體結果較好。

5" 討論

在林業工作中，采伐工作是極為常見且重要的一環，這一工作常常被承包給專業采伐公司，因此之后的驗收工作就極為重要，特別是采伐數目核對工作。目前數目核對工作仍是一個棘手的問題，林業工作范圍大，采伐驗收工作勢必也要耗費更多的人力、物力，且效果也難以評價。本研究提出的利用深度學習計數航拍圖中被伐樹樁的方法在實際生產中能較好地解決人工驗收所面臨的痛點。

在林業相關問題中，其所需統計的樹木、樹樁等，都具有數量大、結構不清晰且差異微小的特點，十分符合深度學習的應用領域。深度學習在圖像的多尺度和多層次特征提取以及從低層次到高層次的特征組合方面具有很大的優勢，在圖像處理[11]和分類問題中表現出優異的性能。目前的深度學習大都依賴于編程工具，如Python等算法語言，但這對于林業工作者來說難度較大。本研究將無人機航拍的圖像與ArcGIS Pro軟件相結合，利用ArcGIS Pro軟件中內置的深度學習功能來解決生產問題利用現有工具簡化了操作流程，降低了使用門檻，林業工作者更易掌握并用于實踐推廣，具有強大的現實意義。

本次試驗雖取得了較高的精度，但仍有許多可以改進的方面。

1）提高樣本數量。由樣本進行訓練生成的深度學習模型對試驗結果影響較大，其中所標記樣本的數量對模型質量的影響很大。樣本數量的增加等于增大了數據量，從而增加了生成模型的訓練量，更易得到表現良好的模型，提高解譯結果精準度。

2）遙感影像優化。在使用深度學習模型判讀結果時，以道路干擾為例，由于道路的顏色與樹樁截面十分相似，因此在機器判讀過程中，較多道路上的板塊被判定為樹樁，導致錯分較多。道路干擾問題如果能夠解決，錯分誤差將由12.31%降至9.52%，結果更加精準。解決道路干擾問題賴于對樣本的優化，如：在條件允許情況下采用更高分辨率的拍攝設備；對遙感影像進行數據增強等。在后續的研究中，如果能利用深度學習把一部分干擾嚴重的非研究對象先一步分類并裁剪處理，理論上能夠一定程度地減少干擾從而優化模型，提高準確率，有待諸位學者進一步試驗。

參考文獻：

[1] 唐盛哲，潘海云，廖興文，等.我國林業遙感技術的發展及應用[J].農業研究與應用，2022，35（1）：49-54.

[2] 付虹雨，崔國賢，佘瑋，等.結合無人機遙感和目標檢測實現苧麻植株計數[J].中國麻業科學，2022，44（5）：267-277.

[3] 李越帥，鄭宏偉，羅格平，等.集成U-Net方法的無人機影像胡楊樹冠提取和計數[J].遙感技術與應用，2019，34（5）：939-949.

[4] 朱學巖，張新偉，才嘉偉，等.基于無人機圖像和貝葉斯CSRNet模型的粘連云杉計數[J].農業工程學報，2022，38（14）：43-50，319.

[5] MINU E P， MAYA L P. Detection of rice leaf diseases using image processin[C]//In 2020 Fourth International Conference onComputing Methodologies and Communication（ICCMC），2020：424-430.

[6] 章晨. 基于深度學習的無人機遙感城市森林樹種分類研究[D].杭州：浙江農林大學，2019.

[7] 南玉龍，張慧春，鄭加強，等.深度學習在林業中的應用[J].世界林業研究，2021，34（5）：87-90.

[8] 趙嚴，劉應安，業巧林，等.基于深度學習的林業害蟲檢測優化[J].液晶與顯示，2022，37（9）：1216-1227.

[9] 楊攀.基于深度學習的木材材積自動測量關鍵技術研究[D].福州：福建工程學院，2022.

[10] 王上上，王軍，孫思.無人機遙感技術對園林樹木的計數統計[J].仲愷農業工程學院學報，2017，30（3）：37-42.

[11] 仲科，張曉勤.發展我國的數字林業體系[J].北京林業大學學報，2000，22（5）：102-103.