ドローン + AI 画像分析: リスボン大学が森林害虫を効率的に検出
内容の概要:害虫の侵入を早期に発見することは、地域の状況に合わせて予防および制御措置を調整するために非常に重要です。リモート センシング技術を使用すると広いエリアを迅速にスキャンできますが、低強度の信号や検出が難しい物体に直面した場合、その結果は満足のいくものではありません。そこで、リスボン大学の研究者らは、ドローンと AI 画像解析を組み合わせ、FRCNN と YOLO という 2 つの深層学習手法をテストして、初期のマツ同形の蛾の巣を検出しました。その結果は驚くべきものでした。
キーワード:AI アルゴリズムによる害虫検出 YOLO
この記事は、HyperAI Super Neural WeChat パブリック プラットフォームで初めて公開されました~
現在、森林資源の減少と環境破壊はますます深刻化しており、森林害虫は地球規模の森林保護における重要な課題の一つとなっています。中でも、Thaumetopoea putiocampa などの破壊的害虫は広く注目を集めています。マツヘテロポッドガは主に南ヨーロッパ、地中海、北アフリカに分布しており、その幼虫は松の幹や枝に穴を掘り、松の成長と発達を破壊します。
マツ等生虫蛾の早期発見と制御を実現するために、リスボン大学の研究者らは、ドローン画像における巣の識別の問題を解決するために 2 つの深層学習アルゴリズムを比較しました。この研究は、「UAVベースの方法を使用したマツの行進蛾Thaumetopoea putocampa巣の早期検出のテスト」というタイトルでNeoBiota誌に掲載された。
研究成果が「NeoBiota」に掲載されました
用紙のアドレス:
https://neobiota.pensoft.net/article/95692/
実験概要
これまで科学研究者は通常、リモートセンシング技術（衛星など）とマルチスペクトルカメラを組み合わせて、特定地域の森林被覆画像を取得し、樹冠の色や枯れ木の位置などの情報から全体的な害虫の状況を判断していました。ただし、画像の解像度が低いため、個々の樹木昆虫の侵入を検出することはできません。そこで今回の実験では、ドローンによる画像収集方法を提案しました。このようにして、ドローンは個々の木に近づき、より詳細にスキャンして収集することができます。
ドローンで得られた画像について、研究者らはFaster R-CNN (FRNN) と YOLO という 2 つの深層学習手法を使用して、初期のマツ等脚類の蛾の巣 (以下、巣と呼びます) を検出するためにテストされました。具体的な実験プロセスは次のとおりです。
研究拠点の選定
研究者らは、フランス、イタリア、ポルトガルからそれぞれ1つの研究施設を選択した。図1に示すように、3地点間では樹齢や密度などの特徴が異なります。
図 1: 調査場所の条件
a: ポルトガル松林
b: フランス松林
c: イタリアクロマツ林
3 つのサイトすべてで、研究者は巣の数を検出するために地面のカウント (木の両側にいる 2 人の観察者の目視検査) を使用しました。さらに、図 1b に示すフランス松林では、研究者らは巣の数を検出するために、樹冠から 2 メートル上にある移動式プラットフォームにも立ちました。
データセット
研究者たちはドローンと高解像度カメラを使用して 3 つの区画の画像を収集しましたその中で、高精細 (HD) カメラ (RGB HD SONY Alpha 7R) に最適なアプリケーション パフォーマンス ソリューションは、焦点距離 35 mm と解像度 36 Mpix 以上の RGB HD センサーを使用すること、ドローンが選択したものであると判断されました。 DJI Matrice 300 マルチローター ドローン ヒューマン マシン プラットフォームを採用し、80% のトラック内およびトラックを横切るオーバーラップを開発しました。
最終的に、研究者らはドローンによって収集された 22,904 枚の画像をデータセットとして取得し、明るさ、色合い、ノイズの変更、画像圧縮などのデータ拡張技術を使用してドローン画像を操作し、モデルをより正確にするための新しいデータセットを生成しました。よく学び、一般化しましょう。このうち、このデータセットの 80% はモデルのトレーニングに使用され、20% はテストに使用されます。。
実験プロセス
ドローンモデル
一部の巣は側面からしか見ることができないことを考慮して、研究者らは、グローバル オルソ写真ではなく、主に単一の UAV オルソ写真でモデル検出を使用しました。, 全体像は縦長の視点なので見落としがちです。UAV オルソフォトとは、地図上の位置と比率が現実世界のものと一致するように、UAV によって収集された画像を処理することを指します。
研究チームは、FRCNN と YOLO に基づいて 2 つの深層学習モデルをトレーニングしました。同時に、モデル検出ドローン画像の結果を評価するために、各画像上の巣の数を視覚的に評価する観察者も割り当てられました。
研究者らは、F1 スコアを使用して、モデルのパフォーマンスと、ドローンと地上画像での人間の目の検出を具体的に測定しました。。F1 スコアの計算式は次のとおりです。
図2：F1の計算式
F1 スコアは精度と再現率の調和平均であり、モデルの精度と完全性を評価するために使用できます。値の範囲は 0 ～ 1 です。1 に近づくほど、モデルのパフォーマンスが向上します。
実験結果
研究者らは、FRCNN モデルと YOLO モデルを人間の目の検出と比較しました。樹木内の巣の存在 (% に感染した木) と巣の数 (PPM 巣数) を検出するモデルのパフォーマンスがテストされました。
表 1: マツ等脚蛾の巣の状況を検出するさまざまな方法
表 1 に示すように、地上での計数により、調査範囲全体の樹木で合計 665 個の巣が目視で検出され、ドローン画像の目視検査では 222 個の巣が検出されました。研究者らは、この違いの理由は、地上目視検査には多次元の観察角度があるのに対し、ドローンは上空からの撮影に限定されるためだと考えている。ただし、ドローン画像には独自の利点があり、詳細な地上検査は高価ですが、ドローンは人々にリスクを知らせ、詳細な地上検査を実施するためのさらなる措置を講じることができます。
以下の図は、3 つのプロットのドローン画像上の各木の巣の存在検出と巣数検出に関する 2 つのモデルの F1 スコアを示しています。
図 3: UAV 画像検出用の 2 つのモデルの F1 スコア
a: ドローン画像から巣の存在を検出
b: 各ツリーの巣の数を検出します。
図 3 に示すように、ドローン画像で巣を検出する場合、YOLO モデルの F1 スコアは 0.826 と高く、各木の巣の数を検出する場合、YOLO モデルの F1 スコアは 0.696 と高くなります。同時に研究者らは、YOLO モデルの検出性能が FRCNN の検出性能よりも高いことを発見しました。以下の図は、さまざまな調査場所 (さまざまな松の樹種) でドローン画像を検出した場合の 2 つのモデルの F1 スコアを示しています。
図 4: 異なる研究施設での 2 つのモデルの F1 スコア
a: ドローン画像から巣の存在を検出
b: 各ツリーの巣の数を検出します。
図 4 に示すように、3 つのプロットでは、巣の存在を検出しているか、各木の巣の数を検出しているかにかかわらず、YOLO モデルの F1 スコアは、FRCNN モデルの F1 スコアよりも優れています。
要約すると、研究者らは次のように提案しました。ドローンと AI モデルを組み合わせることで、マツ同形の蛾の巣を効果的に早期発見できます。その中でもドローンには以下のようなメリットがあります。
- 効率：ドローンは広いエリアを素早くカバーし、大量のデータを収集できます。
- 高精度: ドローンに搭載された高解像度カメラは非常に詳細な画像やビデオをキャプチャできるため、ドローンは高精度のデータを提供できます。
ドローン画像上の巣検出と巣数検出では、YOLO モデルが良好なパフォーマンスを発揮します。これは、関連技術の組み合わせが森林の害虫や病気の監視と管理に非常に重要であることを示しており、また森林生態系を保護するための新しいアイデアも提供します。
ドローン + AI: テクノロジーの重要なトレンド
現在、国内外の森林保護の発展はドローン＋AIがコンセンサスとなっているようだ。ドローンの高高度視点と人工知能の分析を通じて、研究者はタスクをより効率的、正確かつ自動的に実行できるため、森林保護の効率が向上します。
中国科学院が発表した報告書「森林病害虫のリモートセンシング監視 - 衛星からドローンまで」では、中国に焦点を当て、森林病害虫の種類、発生段階、検出方法について詳しく解説している。、そして、将来の森林保護活動の重要な方向性の一つは、予測方法と検出方法の間のシームレスな接続を達成するための予測モデルを開発することであり、これはこの論文の研究結果と一致すると提案しました。
報告先アドレス:
ドローン + AI は森林保護作業に新たな機会と課題をもたらし、効率の向上と森林資源の保護に重要な役割を果たしていることがわかります。ただし、ドローンと人工知能の統合は一連の課題にも直面しています。一方で、パフォーマンスと安定性を向上させるために、ドローンと人工知能の開発を継続的に促進する必要があります。一方で、データセキュリティとプライバシー保護の観点からは、ドローンや人工知能アプリケーションがデータを安全に処理および保存できるようにするために、関連するポリシーや規制が必要です。
この記事は、HyperAI Super Neural WeChat パブリック プラットフォームで初めて公開されました~