تحليل صور الطائرات بدون طيار والذكاء الاصطناعي: جامعة لشبونة تكتشف آفات الغابات بكفاءة
المحتويات في لمحة:يعد الكشف المبكر عن الآفات أمرا حاسما لاتخاذ تدابير الوقاية والسيطرة الملائمة للظروف المحلية. ورغم أنه من الممكن استخدام تقنية الاستشعار عن بعد لمسح مناطق واسعة بسرعة، إلا أنها أقل فعالية عند مواجهة إشارات منخفضة الكثافة أو أجسام يصعب اكتشافها. ولذلك، قام باحثون من جامعة لشبونة بدمج الطائرات بدون طيار مع تحليل الصور بالذكاء الاصطناعي واختبار طريقتين للتعلم العميق - FRCNN وYOLO للكشف عن أعشاش عثة الصنوبر المبكرة، مع نتائج مهمة.
الكلمات المفتاحية:خوارزمية الذكاء الاصطناعي للكشف عن الآفات YOLO
نُشرت هذه المقالة لأول مرة على منصة HyperAI WeChat العامة~
في الوقت الحاضر، ومع تدهور الموارد الحرجية وتدهور البيئة بشكل أكثر خطورة، أصبحت آفات الغابات واحدة من التحديات الرئيسية لحماية الغابات العالمية.ومن بين هذه الآفات، الآفات المدمرة مثل عثة الصنوبر (Thaumetopoea pityocampa) التي جذبت اهتماما واسع النطاق.تنتشر عثة الصنوبر بشكل رئيسي في جنوب أوروبا ومنطقة البحر الأبيض المتوسط وشمال أفريقيا. تقوم يرقاتها بحفر ثقوب في جذوع وأغصان أشجار الصنوبر وتأكلها، مما يؤدي إلى تدمير نمو وتطور أشجار الصنوبر.
من أجل الكشف المبكر والسيطرة على عثة الصنوبر، قام باحثون من جامعة لشبونة بمقارنة خوارزميتين للتعلم العميق لمعالجة تحدي تحديد العش في صور الطائرات بدون طيار.نُشر البحث في مجلة NeoBiota تحت عنوان "اختبار الكشف المبكر عن أعشاش عثة الصنوبر Thaumetopoea pityocampa باستخدام أساليب تعتمد على الطائرات بدون طيار".
وقد تم نشر نتائج البحث في مجلة NeoBiota
عنوان الورقة:
https://neobiota.pensoft.net/article/95692/
نظرة عامة على التجربة
في الماضي، كان الباحثون يستخدمون عادة تكنولوجيا الاستشعار عن بعد (الأقمار الصناعية، وما إلى ذلك) مع كاميرات متعددة الأطياف للحصول على صور لتغطية الغابات في منطقة معينة، والحكم على الوضع العام للآفات الحشرية على أساس معلومات مثل لون التاج وموقع الأشجار الميتة. ومع ذلك، بسبب الدقة المنخفضة للصور، فإنه من غير الممكن اكتشاف الإصابة بالأشجار الفردية.ولذلك، اقترح الباحثون في هذه التجربة طريقة لجمع الصور بواسطة الطائرات بدون طيار. يتيح هذا للطائرة بدون طيار الاقتراب من الأشجار الفردية ومسحها والتقاط صور لها بتفاصيل أكبر.
استخدم الباحثون الصور التي التقطتها الطائرات بدون طيار لـتم اختبار طريقتين للتعلم العميق، Faster R-CNN (FRNN) وYOLO، للكشف عن الأعشاش المبكرة لعثة الصنوبر P. (المشار إليها فيما يلي بالأعشاش). وتتمثل العملية التجريبية المحددة فيما يلي:
اختيار موقع البحث
اختار الباحثون موقعًا واحدًا للدراسة في كل من فرنسا وإيطاليا والبرتغال.كما هو موضح في الشكل 1، كانت الخصائص مثل عمر الأشجار وكثافتها مختلفة بين المواقع الثلاثة.
الشكل 1: موقع الدراسة
أ: غابة الصنوبر البرتغالية
ب: غابة الصنوبر الفرنسية
ج: غابة الصنوبر الأسود الإيطالية
وفي جميع المواقع الثلاثة، استخدم الباحثون إحصاءات الأرض (حيث قام مراقبان بفحص جانبي الأشجار بصريًا) لتحديد عدد الأعشاش.وبالإضافة إلى ذلك، في غابة الصنوبر الفرنسية الموضحة في الشكل 1ب، وقف الباحثون على منصة متحركة على ارتفاع 2 متر فوق مظلة الشجرة لتحديد عدد الأعشاش.
مجموعة البيانات
واستخدم الباحثون طائرات بدون طيار وكاميرات عالية الدقة لجمع صور لثلاثة مواقع عينة.تم تحديد أفضل حل لأداء التطبيق للكاميرات عالية الدقة (HD) (RGB HD SONY Alpha 7R) على النحو التالي: استخدام مستشعر RGB HD مع طول بؤري 35 مم ودقة 36 ميجا بكسل على الأقل، في حين تم اختيار الطائرة بدون طيار من طراز DJI Matrice 300 متعدد الدوارات، وتم صياغة التداخل داخل وعبر مسار 80%.
وفي النهاية، حصل الباحثون على 22,904 صورة تم جمعها بواسطة طائرات بدون طيار كمجموعة بيانات، وقاموا بالتلاعب بصور الطائرات بدون طيار من خلال تقنيات زيادة البيانات، مثل تغيير السطوع والصبغة والضوضاء وضغط الصورة، لتوليد مجموعة بيانات جديدة تمكن النموذج من التعلم والتعميم بشكل أفضل.ومن بينها، يتم استخدام 80% من هذه المجموعة من البيانات لتدريب النموذج، ويتم استخدام 20% للاختبار..
الإجراءات التجريبية
نموذج طائرة بدون طيار
وباعتبار أن بعض الأعشاش لا يمكن رؤيتها إلا من الجانب، فقد استخدم الباحثون الكشف عن النموذج بشكل أساسي لصورة جوية لطائرة بدون طيار واحدة بدلاً من صورة جوية عالمية.نظرًا لأن الصورة العالمية في منظور عمودي، فمن السهل التسبب في حدوث إغفالات.تشير الصور الجوية الملتقطة بواسطة طائرات بدون طيار إلى الصور التي تم جمعها بواسطة طائرات بدون طيار والتي تمت معالجتها بحيث يتوافق موقعها ومقياسها على الخريطة مع موقعها ومقياسها في العالم الحقيقي.
قام فريق البحث بتدريب نموذجين للتعلم العميق يعتمدان على FRCNN وYOLO.لتقييم نتائج اكتشاف النموذج على صور الطائرات بدون طيار، تم أيضًا تعيين مراقب لتقييم عدد الأعشاش في كل صورة بصريًا.
استخدم الباحثون درجة F1 لقياس أداء النموذج مقارنة باكتشاف العين البشرية على صور الطائرات بدون طيار والأرض..صيغة حساب درجة F1 هي كما يلي:
الشكل 2: صيغة حساب F1
تُعد درجة F1 المتوسط التوافقي للدقة والتذكر ويمكن استخدامها لتقييم دقة واكتمال النموذج.يتراوح نطاق قيمتها من 0 إلى 1، وكلما اقتربت من 1 كان أداء النموذج أفضل.
النتائج التجريبية
قام الباحثون بمقارنة نماذج FRCNN وYOLO مع اكتشاف العين البشرية.تم اختبار أداء النموذج في الكشف عن وجود أو عدم وجود أعشاش على الأشجار (الأشجار المصابة بـ %) وعدد الأعشاش (عدد أعشاش PPM).
الجدول 1: الكشف عن أعشاش عثة الصنوبر بطرق مختلفة
كما هو موضح في الجدول 1، تم رصد إجمالي 665 عشًا بصريًا بواسطة العيون البشرية في الأشجار في جميع أنحاء منطقة الدراسة من خلال العد الأرضي، بينما تم اكتشاف 222 عشًا من خلال الفحص البصري لصور الطائرات بدون طيار. ويعتقد الباحثون أن الاختلاف يعود إلى حقيقة أن الرصد البصري الأرضي له زوايا رؤية متعددة الأبعاد، بينما تقتصر الطائرات بدون طيار على التصوير من الأعلى.ومع ذلك، فإن صور الطائرات بدون طيار لها مزاياها الخاصة حيث أن عمليات التفتيش الأرضية التفصيلية مكلفة ويمكن للطائرات بدون طيار إبلاغ الناس بالمخاطر واتخاذ إجراءات أخرى لإجراء عمليات تفتيش أرضية تفصيلية.
يوضح الشكل أدناه درجات F1 للنموذجين لاكتشاف وجود الأعشاش وعدد الأعشاش لكل شجرة على صور الطائرات بدون طيار لثلاث قطع عينة.
الشكل 3: درجات F1 لنموذجين لاكتشاف صور الطائرات بدون طيار
أ: الكشف عن وجود الأعشاش في صور الطائرات بدون طيار
ب: اكتشف عدد الأعشاش على كل شجرة
كما هو موضح في الشكل 3، فإن درجة F1 لنموذج YOLO لاكتشاف الأعشاش في صور الطائرات بدون طيار تصل إلى 0.826، ودرجة F1 لنموذج YOLO لاكتشاف عدد الأعشاش على كل شجرة تصل إلى 0.696.وفي الوقت نفسه، وجد الباحثون أن أداء الكشف لنموذج YOLO كان أعلى من أداء FRCNN.يوضح الشكل أدناه درجات F1 للنموذجين عند اكتشاف صور الطائرات بدون طيار في مواقع دراسة مختلفة (أنواع مختلفة من الصنوبر).
الشكل 4: درجات F1 للنموذجين في مواقع دراسة مختلفة
أ: الكشف عن وجود الأعشاش في صور الطائرات بدون طيار
ب: اكتشف عدد الأعشاش على كل شجرة
كما هو موضح في الشكل 4، في المخططات الثلاثة، سواء من خلال اكتشاف وجود الأعشاش أو عدد الأعشاش على كل شجرة،إن درجة F1 لنموذج YOLO أفضل من درجة نموذج FRCNN.
وفي الختام اقترح الباحثون أنيمكن للجمع بين الطائرات بدون طيار ونماذج الذكاء الاصطناعي اكتشاف أعشاش عثة الصنوبر بشكل فعال في مرحلة مبكرة.ومن بين هذه المزايا تتمتع الطائرات بدون طيار بالمزايا التالية:
- كفاءة:يمكن للطائرات بدون طيار تغطية مناطق واسعة بسرعة وجمع كميات كبيرة من البيانات.
- دقة عالية:تتميز الكاميرات عالية الدقة التي تحملها الطائرات بدون طيار بالقدرة على التقاط صور ومقاطع فيديو مفصلة للغاية، مما يسمح للطائرات بدون طيار بتوفير بيانات عالية الدقة.
يؤدي نموذج YOLO أداءً جيدًا في كل من اكتشاف العش واكتشاف كمية العش على صور الطائرات بدون طيار.ويظهر هذا أن الجمع بين التقنيات ذات الصلة له أهمية كبيرة في مراقبة وإدارة الآفات والأمراض في الغابات، كما يوفر أفكارًا جديدة لحماية النظم البيئية للغابات.
الطائرات بدون طيار + الذكاء الاصطناعي: اتجاهات مهمة في التكنولوجيا
في الوقت الحاضر، أصبحت الطائرات بدون طيار + الذكاء الاصطناعي إجماعًا في تطوير حماية الغابات في الداخل والخارج.ومن خلال المنظور الجوي للطائرات بدون طيار وتحليل الذكاء الاصطناعي، يستطيع الباحثون أداء المهام بكفاءة ودقة وتلقائية أكبر، وبالتالي تحسين كفاءة حماية الغابات.
مع التركيز على الصين، أصدرت الأكاديمية الصينية للعلوم تقريرا بعنوان "مراقبة الاستشعار عن بعد للآفات والأمراض الحرجية - من الأقمار الصناعية إلى الطائرات بدون طيار"، والذي يوضح أنواع ومراحل تطور وطرق الكشف عن الآفات والأمراض الحرجية.واقترح أن أحد الاتجاهات المهمة لأعمال حماية الغابات في المستقبل هو تطوير نماذج التنبؤ وتحقيق التكامل السلس بين أساليب التنبؤ والكشف، وهو ما يتوافق مع نتائج البحث في هذه الورقة.
عنوان التقرير:
ومن الواضح أن الطائرات بدون طيار والذكاء الاصطناعي جلبت فرصًا وتحديات جديدة لحماية الغابات، ولعبت دورًا مهمًا في تحسين الكفاءة وحماية موارد الغابات.ومع ذلك، فإن دمج الطائرات بدون طيار والذكاء الاصطناعي يواجه أيضًا سلسلة من التحديات.ومن ناحية أخرى، من الضروري تعزيز تطوير الطائرات بدون طيار والذكاء الاصطناعي بشكل مستمر لتحسين الأداء والاستقرار. ومن ناحية أخرى، فيما يتعلق بأمن البيانات وحماية الخصوصية، هناك حاجة إلى سياسات ولوائح ذات صلة لضمان قدرة الطائرات بدون طيار وتطبيقات الذكاء الاصطناعي على معالجة البيانات وتخزينها بأمان.
نُشرت هذه المقالة لأول مرة على منصة HyperAI WeChat العامة~