HyperAI超神经

Inhalte im Überblick:Eine frühzeitige Erkennung von Schädlingen ist entscheidend, um auf die örtlichen Gegebenheiten abgestimmte Präventions- und Bekämpfungsmaßnahmen ergreifen zu können. Mithilfe der Fernerkundungstechnologie lassen sich zwar schnell große Flächen scannen, bei Signalen geringer Intensität oder schwer zu erkennenden Objekten ist sie jedoch weniger effektiv. Daher kombinierten Forscher der Universität Lissabon Drohnen mit KI-basierter Bildanalyse und testeten zwei Deep-Learning-Methoden – FRCNN und YOLO –, um frühe Nester des Kiefernwicklers zu erkennen – mit signifikanten Ergebnissen.

Schlüsselwörter:KI-Algorithmus zur Schädlingserkennung YOLO

Dieser Artikel wurde zuerst auf der öffentlichen HyperAI WeChat-Plattform veröffentlicht~

Angesichts des Rückgangs der Waldressourcen und der zunehmenden Umweltzerstörung sind Waldschädlinge heute eine der größten Herausforderungen für den weltweiten Waldschutz.Unter ihnen haben zerstörerische Schädlinge wie der Kiefernwickler (Thaumetopoea pityocampa) große Aufmerksamkeit erregt.Der Kiefernwickler ist vor allem in Südeuropa, im Mittelmeerraum und in Nordafrika verbreitet. Seine Larven bohren Löcher in die Stämme und Äste von Kiefern und fressen diese, wodurch das Wachstum und die Entwicklung der Kiefern zerstört werden.

Zur Früherkennung und Bekämpfung des Kiefernwicklers verglichen Forscher der Universität Lissabon zwei Deep-Learning-Algorithmen, um die Herausforderung der Nestidentifizierung in Drohnenbildern zu bewältigen.Die Forschungsergebnisse wurden in der Zeitschrift NeoBiota unter dem Titel „Testing early detection of pine processionary moth Thaumetopoea pityocampa nests using UAV-based methods“ veröffentlicht.

Die Forschungsergebnisse wurden in NeoBiota veröffentlicht

Papieradresse:

https://neobiota.pensoft.net/article/95692/

Experimentübersicht

In der Vergangenheit nutzten Forscher üblicherweise Fernerkundungstechnologien (Satelliten usw.) in Kombination mit Multispektralkameras, um Bilder der Waldbedeckung in einem bestimmten Gebiet zu erhalten und die allgemeine Insektenschädlingssituation anhand von Informationen wie der Kronenfarbe und der Position abgestorbener Bäume zu beurteilen. Aufgrund der geringen Auflösung der Bilder ist es allerdings nicht möglich, Befall an einzelnen Bäumen festzustellen.Daher schlugen die Forscher in diesem Experiment eine Methode zur Bilderfassung durch Drohnen vor. Dadurch kann die Drohne näher an einzelne Bäume herankommen und diese detaillierter scannen und erfassen.

Die Forscher nutzten von Drohnen aufgenommene Bilder, umZwei Deep-Learning-Methoden, Faster R-CNN (FRNN) und YOLO, wurden getestet, um frühe Nester des Kiefernspinners (im Folgenden als Nester bezeichnet) zu erkennen. Der konkrete Versuchsablauf ist wie folgt:

Auswahl des Forschungsstandorts

Die Forscher wählten jeweils einen Studienstandort in Frankreich, Italien und Portugal aus.Wie in Abbildung 1 dargestellt, unterschieden sich Merkmale wie Baumalter und -dichte an den drei Standorten.

Abbildung 1: Studienort

a: Portugiesischer Kiefernwald

b: Französischer Kiefernwald

c: Italienischer Schwarzkiefernwald

An allen drei Standorten führten die Forscher Bodenzählungen durch (zwei Beobachter untersuchten beide Seiten der Bäume visuell), um die Anzahl der Nester zu ermitteln.Darüber hinaus standen die Forscher in dem in Abbildung 1b gezeigten französischen Kiefernwald auf einer mobilen Plattform 2 m über dem Baumkronendach, um die Anzahl der Nester zu ermitteln.

Datensatz

Die Forscher verwendeten Drohnen und hochauflösende Kameras, um Bilder von drei Probenstandorten zu sammeln.Die beste Anwendungsleistungslösung für hochauflösende (HD) Kameras (RGB HD SONY Alpha 7R) wurde wie folgt ermittelt: Verwendung eines RGB HD-Sensors mit einer Brennweite von 35 mm und einer Auflösung von mindestens 36 Mpix, wobei als Drohne die Multirotor-Drohnenplattform DJI Matrice 300 ausgewählt wurde und die Überlappung innerhalb und über die Spur von 80% formuliert wurde.

Am Ende erhielten die Forscher 22.904 von Drohnen aufgenommene Bilder als Datensatz und bearbeiteten die Drohnenbilder durch Datenerweiterungstechniken wie etwa die Änderung von Helligkeit, Farbton, Rauschen und Bildkomprimierung, um einen neuen Datensatz zu generieren, der es dem Modell ermöglicht, besser zu lernen und zu verallgemeinern.Davon werden 80% dieses Datensatzes für das Modelltraining und 20% zum Testen verwendet..

Experimentelle Verfahren

Drohnenmodell

Da einige Nester nur von der Seite sichtbar sind, verwendeten die Forscher die Modellerkennung hauptsächlich für ein einzelnes Drohnen-Orthofoto und nicht für ein globales Orthofoto.Da das Gesamtbild in vertikaler Perspektive vorliegt, können leicht Auslassungen entstehen.Bei Drohnen-Orthofotos handelt es sich um von Drohnen aufgenommene Bilder, die so bearbeitet wurden, dass ihre Position und ihr Maßstab auf der Karte mit ihrer Position und ihrem Maßstab in der realen Welt übereinstimmen.

Das Forschungsteam trainierte zwei Deep-Learning-Modelle basierend auf FRCNN und YOLO.Um die Erkennungsergebnisse des Modells anhand von Drohnenbildern auszuwerten, wurde außerdem ein Beobachter beauftragt, die Anzahl der Nester in jedem Bild visuell zu beurteilen.

Die Forscher verwendeten den F1-Score, um die Leistung des Modells im Vergleich zur Erkennung durch das menschliche Auge bei Drohnen- und Bodenbildern zu messen..Die Formel zur Berechnung des F1-Scores lautet wie folgt:

Abbildung 2: F1-Berechnungsformel

Der F1-Score ist der harmonische Mittelwert aus Präzision und Rückruf und kann zur Beurteilung der Genauigkeit und Vollständigkeit eines Modells verwendet werden.Der Wertebereich reicht von 0 bis 1. Je näher er bei 1 liegt, desto besser ist die Leistung des Modells.

Experimentelle Ergebnisse

Die Forscher verglichen die Modelle FRCNN und YOLO mit der Erkennung durch das menschliche Auge.Die Leistung des Modells beim Erkennen des Vorhandenseins oder Fehlens von Nestern auf Bäumen (%-befallene Bäume) und der Anzahl der Nester (Anzahl PPM-Nester) wurde getestet.

Tabelle 1: Erkennung von Kiefernwicklernestern mit verschiedenen Methoden

Wie aus Tabelle 1 hervorgeht, wurden im gesamten Untersuchungsgebiet insgesamt 665 Nester durch Zählen am Boden mit menschlichem Auge in Bäumen beobachtet, während 222 Nester durch visuelle Inspektion von Drohnenbildern entdeckt wurden. Die Forscher sind der Ansicht, dass der Unterschied auf die Tatsache zurückzuführen ist, dass visuelle Beobachtungen vom Boden aus über mehrdimensionale Blickwinkel verfügen, während Drohnen auf Aufnahmen aus der Luft beschränkt sind.Allerdings haben Drohnenbilder auch ihre eigenen Vorteile, da detaillierte Bodeninspektionen kostspielig sind und Drohnen die Menschen über die Risiken informieren und weitere Maßnahmen zur Durchführung detaillierter Bodeninspektionen einleiten können.

Die folgende Abbildung zeigt die F1-Werte der beiden Modelle zum Erkennen des Vorhandenseins von Nestern und der Anzahl der Nester pro Baum auf Drohnenbildern von drei Beispielflächen.

Abbildung 3: F1-Werte zweier Modelle zur Drohnenbilderkennung

a: Erkennen Sie das Vorhandensein von Nestern auf Drohnenbildern

b: Ermitteln Sie die Anzahl der Nester auf jedem Baum

Wie in Abbildung 3 dargestellt, beträgt der F1-Score des YOLO-Modells zum Erkennen von Nestern in Drohnenbildern 0,826 und der F1-Score des YOLO-Modells zum Erkennen der Anzahl der Nester auf jedem Baum 0,696.Gleichzeitig stellten die Forscher fest, dass die Erkennungsleistung des YOLO-Modells höher war als die von FRCNN.Die folgende Abbildung zeigt die F1-Werte der beiden Modelle beim Erfassen von Drohnenbildern an verschiedenen Untersuchungsstandorten (verschiedene Kiefernarten).

Abbildung 4: F1-Werte der beiden Modelle an verschiedenen Untersuchungsorten

a: Erkennen des Vorhandenseins von Nestern auf Drohnenbildern

b: Ermitteln Sie die Anzahl der Nester auf jedem Baum

Wie in Abbildung 4 gezeigt, wird in den drei Diagrammen, ob das Vorhandensein von Nestern oder die Anzahl der Nester auf jedem Baum erkannt wird,Der F1-Score des YOLO-Modells ist besser als der des FRCNN-Modells.

Zusammenfassend schlugen die Forscher vor, dassDurch die Kombination von Drohnen und KI-Modellen können Nester des Kiefernwicklers frühzeitig und effektiv erkannt werden.Drohnen bieten unter anderem folgende Vorteile:

Effizienz: Drohnen können große Gebiete schnell abdecken und große Datenmengen sammeln.
Hohe Präzision: Die hochauflösenden Kameras der Drohnen können sehr detaillierte Bilder und Videos aufnehmen, sodass Drohnen hochpräzise Daten liefern können.

Das YOLO-Modell schneidet sowohl bei der Nesterkennung als auch bei der Nestmengenerkennung auf Drohnenbildern gut ab.Dies zeigt, dass die Kombination relevanter Technologien für die Überwachung und Bekämpfung von Schädlingen und Krankheiten in Wäldern von großer Bedeutung ist und auch neue Ideen für den Schutz von Waldökosystemen liefert.

Drohnen + KI: Wichtige Technologietrends

Derzeit sind Drohnen und KI bei der Entwicklung des Waldschutzes im In- und Ausland zum Konsens geworden.Durch die Luftperspektive von Drohnen und die Analyse künstlicher Intelligenz können Forscher Aufgaben effizienter, genauer und automatischer ausführen und so die Effizienz des Waldschutzes verbessern.

Der von der Chinesischen Akademie der Wissenschaften veröffentlichte Bericht „Remote Sensing Monitoring of Forest Pests and Diseases - From Satellites to UAVs“ konzentriert sich auf China und beschreibt detailliert die Arten, Entwicklungsstadien und Erkennungsmethoden von Waldschädlingen und -krankheiten.und schlug vor, dass eine der wichtigsten Richtungen für die zukünftige Arbeit zum Waldschutz darin besteht, Vorhersagemodelle zu entwickeln und eine nahtlose Integration von Vorhersage- und Erkennungsmethoden zu erreichen, was mit den Forschungsergebnissen dieses Papiers übereinstimmt.

Meldeadresse:

https://bit.ly/3oJgDWf

Es ist ersichtlich, dass Drohnen und KI neue Chancen und Herausforderungen für den Waldschutz mit sich gebracht haben und eine wichtige Rolle bei der Verbesserung der Effizienz und dem Schutz der Waldressourcen gespielt haben.Allerdings ist die Integration von Drohnen und künstlicher Intelligenz auch mit einer Reihe von Herausforderungen verbunden.Einerseits ist es notwendig, die Entwicklung von Drohnen und künstlicher Intelligenz kontinuierlich voranzutreiben, um Leistung und Stabilität zu verbessern. Andererseits sind im Hinblick auf Datensicherheit und Datenschutz entsprechende Richtlinien und Vorschriften erforderlich, um sicherzustellen, dass Drohnen und Anwendungen künstlicher Intelligenz Daten sicher verarbeiten und speichern können.