胡根生,殷存軍,張 艷,方 怡,朱艷秋

(1.安徽大學(xué) 農(nóng)業(yè)生態(tài)大數(shù)據(jù)分析與應(yīng)用技術(shù)國(guó)家地方聯(lián)合工程研究中心,安徽 合肥 230601;2.安徽大學(xué) 電子信息工程學(xué)院,安徽 合肥 230601)

我國(guó)作為傳統(tǒng)的農(nóng)業(yè)大國(guó)，農(nóng)業(yè)產(chǎn)物的病害范圍大、種類(lèi)廣.在松樹(shù)病害方面，尤以松樹(shù)腐爛病和白粉病、松材線(xiàn)蟲(chóng)病發(fā)病多，危害大.松材線(xiàn)蟲(chóng)病被稱(chēng)作是松樹(shù)的“癌癥”，其病傳播途徑廣，發(fā)病部位隱蔽，治理難度大，對(duì)松樹(shù)的打擊是致命的.松材線(xiàn)蟲(chóng)病發(fā)生后，松樹(shù)針葉會(huì)失水褪綠后變褐色，最后會(huì)整株樹(shù)枯死.可以利用遙感技術(shù)獲取冠層的葉片信息觀(guān)察松樹(shù)的狀態(tài)，利用航拍遙感、衛(wèi)星遙感和計(jì)算機(jī)視覺(jué)技術(shù)對(duì)病蟲(chóng)害松樹(shù)進(jìn)行識(shí)別，有利于動(dòng)態(tài)大范圍監(jiān)測(cè)松樹(shù)林病害情況.當(dāng)松線(xiàn)蟲(chóng)病發(fā)生時(shí)，可以及時(shí)解決問(wèn)題，避免病害向其他植株的蔓延.傳統(tǒng)的人工監(jiān)測(cè)方式，過(guò)于費(fèi)力且效率低下，不利于大范圍的植株動(dòng)態(tài)監(jiān)測(cè).

隨著遙感技術(shù)的發(fā)展和普及應(yīng)用，其具有的探測(cè)范圍廣、獲取空間信息能力強(qiáng)的特點(diǎn)被用在農(nóng)業(yè)病害檢測(cè)與研究上.目前大多數(shù)松樹(shù)病害研究是借助無(wú)人機(jī)航拍技術(shù)來(lái)獲取近地遙感圖片，然后利用相應(yīng)遙感處理軟件提取植被指數(shù)并進(jìn)行分類(lèi)，分類(lèi)多是使用傳統(tǒng)的機(jī)器學(xué)習(xí)方法.劉遐齡等[1]利用光譜、紋理及位置等特征對(duì)松材線(xiàn)蟲(chóng)病發(fā)病各時(shí)期松樹(shù)狀態(tài)進(jìn)行預(yù)測(cè).胡根生等[2]通過(guò)無(wú)人機(jī)平臺(tái)獲取遙感圖像并利用加權(quán)支持向量數(shù)據(jù)對(duì)病害松樹(shù)區(qū)域進(jìn)行識(shí)別.黃煥華等[3]利用歸一化植被指數(shù)(normalized difference vegetation index，簡(jiǎn)稱(chēng)NDVI)對(duì)松材線(xiàn)蟲(chóng)病枯死的松樹(shù)進(jìn)行識(shí)別.胡根生等[4]利用加權(quán)小波支持向量數(shù)據(jù)對(duì)無(wú)人機(jī)平臺(tái)獲取的遙感圖像病害區(qū)域進(jìn)行檢測(cè).李宗南等[5]將RGB(red,green,bule)圖像轉(zhuǎn)為HLS(hue,lightness,saturation)圖像并提取該空間下的顏色特征和灰度共生矩陣獲取倒伏的玉米區(qū)域.唐翠翠等[6]利用歸一化植被指數(shù)(NDVI)、比值植被指數(shù)(ratio vegetation index，簡(jiǎn)稱(chēng)RVI)和地表溫度(land surface temperature，簡(jiǎn)稱(chēng)LST)等作為特征對(duì)冬小麥蚜蟲(chóng)情況進(jìn)行預(yù)測(cè).劉文靜[7]提取多光譜遙感圖像的小波特征用以對(duì)小麥白粉病情況進(jìn)行分類(lèi).近些年來(lái)，由于深度學(xué)習(xí)領(lǐng)域的神經(jīng)網(wǎng)絡(luò)技術(shù)在分類(lèi)處理上取得了良好的識(shí)別效果，同時(shí)用于分類(lèi)處理的神經(jīng)網(wǎng)絡(luò)類(lèi)別也越來(lái)越多，傳統(tǒng)的農(nóng)業(yè)病害研究領(lǐng)域在深度學(xué)習(xí)的帶動(dòng)下往高精度、實(shí)用性、遷移性方面靠攏.林中琦[8]使用改進(jìn)型卷積神經(jīng)網(wǎng)絡(luò)對(duì)小麥葉部病害情況進(jìn)行分類(lèi)識(shí)別.張飛云[9]通過(guò)提取圖像的顏色、形狀等特征，并將其導(dǎo)入學(xué)習(xí)型量化神經(jīng)網(wǎng)絡(luò)對(duì)小麥葉片病害進(jìn)行分類(lèi).黃健熙等[10]提取高分1號(hào)(GF-1)遙感影像的歸一化植被指數(shù)(NDVI)、增強(qiáng)植被指數(shù)(enhanced vegetation index，簡(jiǎn)稱(chēng)EVI)等對(duì)種植區(qū)玉米和大豆面積進(jìn)行檢測(cè).沈文穎等[11]提取小麥葉片的常規(guī)光譜特征參數(shù)、歸一化植被指數(shù)等特征，將其導(dǎo)入BP(back propagation)神經(jīng)網(wǎng)絡(luò)反演白粉病情況.馬慧琴等[12]通過(guò)提取Landsat-8遙感影像的光譜特征，并將提取的特征運(yùn)用最小冗余最大相關(guān)算法(minimum redundancy maximum relevance，簡(jiǎn)稱(chēng)mRMR)篩選最關(guān)鍵特征，將篩選后的特征導(dǎo)入Adaboost分類(lèi)器對(duì)小麥白粉病情況進(jìn)行檢測(cè).周明非[13]使用改進(jìn)型的深度神經(jīng)網(wǎng)絡(luò)DNN(deep neural networks)對(duì)高分辨率遙感圖像地物目標(biāo)進(jìn)行識(shí)別.Sharada等[14]利用深度卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks，簡(jiǎn)稱(chēng)CNN)對(duì)植物葉片病害種類(lèi)進(jìn)行分類(lèi).Rutu等[15]利用生成式對(duì)抗網(wǎng)絡(luò)(generative adversarial networks，簡(jiǎn)稱(chēng)GAN)擴(kuò)充訓(xùn)練數(shù)據(jù)集后再利用深度卷積神經(jīng)網(wǎng)絡(luò)對(duì)植株葉片病害情況進(jìn)行分類(lèi).上述方法都取得了良好的處理效果，尤其是卷積神經(jīng)網(wǎng)絡(luò)用于病害檢測(cè)，在使用深層模型進(jìn)行分類(lèi)時(shí)良好的魯棒性和泛化能力，顯著提高了檢測(cè)識(shí)別精度，并能有效地進(jìn)行遷移學(xué)習(xí).

相較于傳統(tǒng)病害松樹(shù)研究方法，對(duì)于復(fù)雜背景的病害目標(biāo)處理不夠理想，尤其在農(nóng)田、裸土等處理上，往往會(huì)因?yàn)轭伾卣髋c松線(xiàn)蟲(chóng)病害松樹(shù)相似而兩種影像紋理特征上又不夠明顯的特點(diǎn)，容易產(chǎn)生混淆錯(cuò)分情況.論文提取一種結(jié)合深度卷積神經(jīng)網(wǎng)絡(luò)與Adaboost分類(lèi)器的方法用于無(wú)人機(jī)航拍遙感病害松樹(shù)目標(biāo)的檢測(cè)識(shí)別，使用該卷積神經(jīng)網(wǎng)絡(luò)提取復(fù)雜地物中的田地、裸土及陰影等干擾項(xiàng)，通過(guò)上述操作后，再提取圖像中健康、病害與陰影區(qū)域的顏色特征和灰度共生矩陣，利用提取的特征訓(xùn)練Adaboost分類(lèi)器，將去除裸土、田地等干擾項(xiàng)的目標(biāo)圖像導(dǎo)入Adaboost分類(lèi)器進(jìn)而實(shí)現(xiàn)精分類(lèi)的目的.論文使用深度卷積神經(jīng)網(wǎng)絡(luò)VGG(visual geometry group)19用于提取目標(biāo)圖像的深層信息，并將經(jīng)過(guò)卷積計(jì)算后的結(jié)果作為Adaboost分類(lèi)器的輸入.將輸出結(jié)果導(dǎo)入Adaboost分類(lèi)器進(jìn)行病害目標(biāo)的識(shí)別，識(shí)別是在卷積神經(jīng)網(wǎng)絡(luò)分類(lèi)的決策層進(jìn)行.最后，將論文算法與傳統(tǒng)的K-means聚類(lèi)及支持向量機(jī)(support vector machine,簡(jiǎn)稱(chēng)SVM)、Adaboost算法、BP神經(jīng)網(wǎng)絡(luò)、Alex-net神經(jīng)網(wǎng)絡(luò)等進(jìn)行分析比較.

1 研究方法

1.1 病蟲(chóng)害松樹(shù)林區(qū)域獲取

論文所選研究區(qū)域?yàn)榘不帐『戏适凶吓钌絿?guó)家森林公園區(qū)域，該區(qū)域森林面積超過(guò)3 500公頃，植物種類(lèi)有470種，并種有大量松樹(shù)，松樹(shù)覆蓋面積達(dá)70%.經(jīng)過(guò)實(shí)地采樣，該區(qū)域存在一定量的松線(xiàn)蟲(chóng)病害松樹(shù)，若這些病株不盡早處理，松線(xiàn)蟲(chóng)會(huì)侵入其他健康松樹(shù)，對(duì)周?chē)仓陼?huì)造成毀滅性影響.該次實(shí)驗(yàn)數(shù)據(jù)是由2018年9月9日夏秋之交時(shí)獲取的，采集數(shù)據(jù)時(shí)實(shí)時(shí)風(fēng)力等級(jí)為2級(jí)，晴天，光線(xiàn)效果良好，獲取的植被面積約有6公頃，其中90%以上為松樹(shù).該次實(shí)驗(yàn)使用的是大疆系列Phantom4 PRO版V2.0型號(hào)的無(wú)人機(jī)，搭載有2 000萬(wàn)像素的影像傳感器探頭.該次實(shí)驗(yàn)無(wú)人機(jī)設(shè)置的飛行高度為103.52 m，飛行速度為3 m·s-1.該型無(wú)人機(jī)具備搜星功能，能夠自動(dòng)獲取當(dāng)前經(jīng)緯度信息，并按照設(shè)置的航線(xiàn)飛行拍攝地物圖像.拍攝所得圖像經(jīng)過(guò)無(wú)人機(jī)軟件PhotoScan合成，所獲得的是3張可見(jiàn)光波段遙感圖像，大小分別為2 751*2 321、2 601*1 801、14 921*14 293.論文實(shí)驗(yàn)前兩張測(cè)試圖像由佛山市水木源集團(tuán)提供.

考慮訓(xùn)練集病害圖像數(shù)量有限，所研究的圖像經(jīng)過(guò)旋轉(zhuǎn)不改變其顏色、紋理、輪廓等基本特征，所改變的僅是位置特征，而病害松樹(shù)對(duì)位置不敏感，故對(duì)其進(jìn)行旋轉(zhuǎn)處理擴(kuò)充數(shù)據(jù)集.由于在整個(gè)獲取圖像過(guò)程中存在噪聲干擾，故對(duì)訓(xùn)練和測(cè)試圖像進(jìn)行預(yù)處理，預(yù)處理包括對(duì)圖像進(jìn)行去噪、濾波.

1.2 復(fù)雜背景信息的剔除

論文實(shí)驗(yàn)所選區(qū)域?yàn)樯絽^(qū)林場(chǎng)，存在不少的道路、裸土及田地區(qū)域，以及拍攝時(shí)由于背光影響產(chǎn)生的陰影區(qū)域，這些干擾區(qū)域使用前景分割和傳統(tǒng)的機(jī)器學(xué)習(xí)方法無(wú)法有效去除，會(huì)導(dǎo)致接下來(lái)的病害區(qū)域檢測(cè)效果不佳，而卷積神經(jīng)網(wǎng)絡(luò)能夠獲取圖像深層次信息.論文的地物對(duì)象雖然復(fù)雜，但是田地、路、裸土等對(duì)象顏色和輪廓分布相對(duì)比較集中，卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)能力很強(qiáng)，在經(jīng)過(guò)足夠次數(shù)的訓(xùn)練迭代后，根據(jù)訓(xùn)練加權(quán)結(jié)果，生成分布概率模型，通過(guò)調(diào)整參數(shù)和微調(diào)網(wǎng)絡(luò)結(jié)構(gòu)訓(xùn)練分類(lèi)模型，將訓(xùn)練模型用于復(fù)雜背景的剔除.

VGG網(wǎng)絡(luò)是Simonyan等[16]設(shè)計(jì)實(shí)現(xiàn)的，該網(wǎng)絡(luò)設(shè)計(jì)曾獲得ILSVRC-2014大賽的分類(lèi)亞軍及物體檢測(cè)冠軍.論文選用VGG19網(wǎng)絡(luò)的卷積層的前8層及3層全連接層，網(wǎng)絡(luò)深度為11層.實(shí)驗(yàn)結(jié)果表明其擁有良好的特征提取能力及分類(lèi)效果.組成的網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示.

圖1 特征提取及分類(lèi)網(wǎng)絡(luò)框架圖

論文中的VGG網(wǎng)絡(luò)采用Adam算法來(lái)優(yōu)化損失值，該算法通過(guò)計(jì)算損失函數(shù)的梯度來(lái)自適應(yīng)地調(diào)節(jié)學(xué)習(xí)率，并更新參數(shù).梯度計(jì)算公式如下

(1)

其中：m是從訓(xùn)練集提取的樣本x(i)個(gè)數(shù),y(i)是與樣本x(i)對(duì)應(yīng)的標(biāo)簽，θ是初始參數(shù)，f(x(i);θ)是樣本x(i)在θ下的估計(jì)值，L計(jì)算估計(jì)值與真實(shí)值的差異值，θ是函數(shù)f在點(diǎn)x(i)處包含的全部偏導(dǎo)數(shù).

計(jì)算損失L，首先使用Softmax函數(shù)將樣本輸入值轉(zhuǎn)化為概率分布，公式為

(2)

其中：x(i)為第i個(gè)樣本經(jīng)過(guò)卷積運(yùn)算輸出到當(dāng)前層時(shí)值，j是當(dāng)前小樣本個(gè)數(shù).

當(dāng)概率分布計(jì)算完成后，再運(yùn)用交叉熵計(jì)算損失值，公式為

(3)

其中：m是樣本的個(gè)數(shù)，x(i)是第i個(gè)訓(xùn)練樣本，y(i)是第i個(gè)樣本真實(shí)概率分布，hθ(x(i))為第i個(gè)樣本計(jì)算概率分布，Cr值即損失值.

1.3 病害松樹(shù)識(shí)別

論文實(shí)驗(yàn)病害松樹(shù)素材均取自松蟲(chóng)病松樹(shù)，其顏色明顯與健康松樹(shù)、黑影區(qū)域有別.病害樹(shù)種與健康樹(shù)種的紋理脈絡(luò)接近，兩者與黑影區(qū)域紋理有別.實(shí)驗(yàn)采集健康植被、松蟲(chóng)害松樹(shù)及黑影數(shù)據(jù).圖2所繪圖各選取50個(gè)健康與病害、黑影樣本區(qū)域點(diǎn)取其均值，其中：橫坐標(biāo)R、G、B對(duì)應(yīng)圖像3個(gè)通道的數(shù)值歸一化后的值；Correlation(相關(guān)性)、Energy(能量)、Homogeneity(同質(zhì)性)對(duì)應(yīng)周邊小區(qū)域的紋理值分布[17].從圖中可看出目標(biāo)地物的顏色、紋理特征明顯有別，因此所選特征能夠作為該實(shí)驗(yàn)分類(lèi)的依據(jù).

圖2 地物特征數(shù)值分布

Adaboost算法是一種監(jiān)督學(xué)習(xí)算法，該算法通過(guò)恰當(dāng)?shù)貏澐指鱾€(gè)樣本和分類(lèi)器的權(quán)重，在最終分類(lèi)時(shí)達(dá)到收斂避免過(guò)擬合發(fā)生.在論文實(shí)驗(yàn)中，分類(lèi)器初始化參數(shù)并設(shè)置各正負(fù)樣本的閾值，劃分顏色紋理特征值的權(quán)重值，從而達(dá)到提高整體分類(lèi)的精確度.Adaboost分類(lèi)器通過(guò)訓(xùn)練多個(gè)弱分類(lèi)器并級(jí)聯(lián)實(shí)現(xiàn)最終強(qiáng)分類(lèi)的目的，其分類(lèi)結(jié)果具有很高精確性，相較于隨機(jī)森林等算法，其很好地考慮了各個(gè)分類(lèi)器的權(quán)重搭配.論文Adaboost算法使用單層決策樹(shù)作為它的弱分類(lèi)器，弱分類(lèi)訓(xùn)練模型為

(4)

通過(guò)弱分類(lèi)級(jí)聯(lián)，并優(yōu)化權(quán)重得到最終的強(qiáng)分類(lèi)器，強(qiáng)分類(lèi)器模型為

(5)

其中：M是弱分類(lèi)器個(gè)數(shù)，αm是各弱分類(lèi)所占權(quán)重系數(shù)，ym(x)是各弱分類(lèi)器的計(jì)算結(jié)果，YM(x)是最終分類(lèi)結(jié)果.

1.4 算法步驟及流程

將操作(5)完成的結(jié)果圖提取顏色和紋理特征，導(dǎo)入訓(xùn)練好的Adaboost分類(lèi)器，生成病害松樹(shù)初步識(shí)別結(jié)果圖，對(duì)初步識(shí)別結(jié)果圖進(jìn)行去噪和去除孔洞操作，生成最終的識(shí)別結(jié)果.算法流程圖如圖3所示.

圖3 論文算法流程圖

算法具體步驟如下：

(1) 訓(xùn)練集選取大小為14 921*14 293的圖像.首先對(duì)圖像進(jìn)行去噪、濾波處理，處理完成后裁剪為64*64的小圖提取裁剪所得圖像，選取健康樣本672個(gè)、病害樣本79個(gè)、陰影樣本479個(gè)、其他類(lèi)樣本580個(gè)，其中其他類(lèi)標(biāo)簽為包含路、田地和裸土等背景的圖像.選取兩張大小分別為2 751*2 321和2 601*1 801的圖像作為測(cè)試集，對(duì)圖像進(jìn)行去噪、濾波后將其裁剪為大小64*64的小圖.

(2) 將病害標(biāo)簽類(lèi)樣本進(jìn)行旋轉(zhuǎn)和加噪擴(kuò)充，病害樣本增加為237個(gè).為檢測(cè)VGG19訓(xùn)練模型精度，訓(xùn)練集選取177個(gè)病害樣本，測(cè)試集選取病害樣本60個(gè)、健康樣本90個(gè)、陰影樣本90個(gè)、其他類(lèi)樣本90個(gè).

(3) 初始化VGG19網(wǎng)絡(luò)參數(shù)，選取VGG19網(wǎng)絡(luò)前8層卷積層及后3層全連接層，在卷積層到全連接層之間使用flatten層進(jìn)行多維數(shù)據(jù)一維化展平操作，損失函數(shù)使用平均交叉熵函數(shù)，優(yōu)化學(xué)習(xí)率算法使用Adam算法，學(xué)習(xí)率設(shè)為0.000 002，單次處理的圖片個(gè)數(shù)為10，迭代次數(shù)為4 000次.

(4) 計(jì)算每批圖片的損失值，具體計(jì)算見(jiàn)公式(2)和(3).計(jì)算損失值后通過(guò)公式(1)的Adam優(yōu)化算法來(lái)調(diào)節(jié)學(xué)習(xí)率和動(dòng)量值，通過(guò)學(xué)習(xí)獲得新的權(quán)重和偏移值.

(5) 當(dāng)訓(xùn)練達(dá)到指定的迭代次數(shù)時(shí)，結(jié)束尋優(yōu)，利用操作(1)、(2)的訓(xùn)練集、測(cè)試集數(shù)據(jù)驗(yàn)證當(dāng)前模型的精度.當(dāng)精度較高時(shí)，記錄當(dāng)前模型參數(shù)并存儲(chǔ)訓(xùn)練模型變量.

(6) 加載訓(xùn)練模型，將測(cè)試圖像裁剪所得的小圖按順序經(jīng)過(guò)訓(xùn)練模型，自動(dòng)檢測(cè)出目標(biāo)樣本的標(biāo)簽類(lèi)別.將被標(biāo)記為黑影和其他標(biāo)簽的樣本像素值設(shè)置為零，完成測(cè)試后將小圖按順序拼湊成同原圖大小的效果圖.

(7) 取健康和病害松樹(shù)、黑影區(qū)域總計(jì)13塊目標(biāo)點(diǎn)，獲取各區(qū)域單個(gè)像素顏色值和周邊5*5小塊的灰度共生矩陣值，生成訓(xùn)練集并貼上對(duì)應(yīng)標(biāo)簽.

(8) 將操作(7)的訓(xùn)練樣本和標(biāo)簽導(dǎo)入Adaboost分類(lèi)器，初始化訓(xùn)練樣本的權(quán)重值，這樣初始樣本的概率分布d1為

(6)

(9) 進(jìn)行迭代優(yōu)化T次，選取一個(gè)當(dāng)前誤差率最低的弱分類(lèi)器h作為第t個(gè)基本分類(lèi)器Ht，并計(jì)算弱分類(lèi)器ht：X→{-1,+1}，該弱分類(lèi)器在分布dt上的誤差為

(7)

(10) 計(jì)算該分類(lèi)器在最終分類(lèi)器上所占的權(quán)重為

(8)

(9)

(11) 按照各弱分類(lèi)器的權(quán)重，組成最終的強(qiáng)分類(lèi)器為

(10)

(12) 將操作(6)生成的效果圖導(dǎo)入訓(xùn)練后的Adaboost分類(lèi)器，根據(jù)顏色和灰度共生矩陣值大小，按照實(shí)際訓(xùn)練的權(quán)值，將目標(biāo)圖像中R、G和B通道灰度值均非零的點(diǎn)進(jìn)行分類(lèi)，生成效果圖.對(duì)效果圖進(jìn)行去噪和去除孔洞操作，生成目標(biāo)圖像，即為檢測(cè)效果圖.

2 實(shí)驗(yàn)結(jié)果與討論

2.1 實(shí)驗(yàn)結(jié)果

圖4(a)～(g)是對(duì)區(qū)域1使用不同分類(lèi)方法的檢測(cè)結(jié)果.

圖4 區(qū)域1各種算法檢測(cè)效果圖

圖5(a)～(g)是對(duì)區(qū)域2使用不分類(lèi)方法的檢測(cè)結(jié)果.圖中紅色區(qū)域是病害區(qū)域，黑色區(qū)域?yàn)殛幱盎蚵阃恋葏^(qū)域，綠色區(qū)域是健康松樹(shù)區(qū)域.

圖5 區(qū)域2各種算法檢測(cè)效果圖

圖4、5的(b)和(g)中綠色區(qū)域是去噪和去孔洞后接近病害區(qū)域的干擾項(xiàng).僅使用Alex-net或VGG進(jìn)行識(shí)別時(shí)，紅色框內(nèi)為識(shí)別出的病害松樹(shù)區(qū)域.

2.2 實(shí)驗(yàn)結(jié)果分析

論文實(shí)驗(yàn)基于實(shí)地調(diào)查結(jié)果驗(yàn)證檢測(cè)正確率，通過(guò)對(duì)比論文算法與K-means聚類(lèi)、支持向量機(jī)、BP神經(jīng)網(wǎng)絡(luò)、Alex-net神經(jīng)網(wǎng)絡(luò)等方法，對(duì)松樹(shù)病害情況進(jìn)行分類(lèi).當(dāng)發(fā)現(xiàn)病害松樹(shù)及時(shí)進(jìn)行清除，避免對(duì)周?chē)鷺?shù)種的感染，降低林場(chǎng)損失.表1是基于各種算法的病害點(diǎn)統(tǒng)計(jì)和錯(cuò)誤分類(lèi)情況.表1中識(shí)別錯(cuò)誤是將非病害區(qū)域識(shí)別為病害區(qū)域，該指標(biāo)展示了各算法對(duì)于特征接近于病害區(qū)域目標(biāo)識(shí)別判斷能力.另一方面該指標(biāo)也表示了各算法的過(guò)擬合情況，當(dāng)分類(lèi)器過(guò)擬合嚴(yán)重時(shí)會(huì)導(dǎo)致大量非病害目標(biāo)被檢測(cè)為病害目標(biāo)，識(shí)別遺漏是將病害區(qū)域識(shí)別為非病害區(qū)域，該指標(biāo)表示分類(lèi)器的漏分情況，識(shí)別正確為正確識(shí)別到病害區(qū)域.該指標(biāo)表示提取的特征有效性和各分類(lèi)器的識(shí)別判斷能力，病害識(shí)別精度為正確識(shí)別到的病害區(qū)域個(gè)數(shù)除以實(shí)際病害點(diǎn)總數(shù)，表中INF表示該類(lèi)型檢測(cè)結(jié)果超過(guò)100個(gè).對(duì)于工程應(yīng)用實(shí)際而言，病害松樹(shù)誤檢測(cè)為非病害類(lèi)時(shí)影響最嚴(yán)重，其次大面積非病害類(lèi)被判斷為病害類(lèi)會(huì)嚴(yán)重增加工作負(fù)擔(dān)，因此特將病害松樹(shù)識(shí)別為非病害、非病害區(qū)域識(shí)別為病害類(lèi)作為單獨(dú)一項(xiàng)列出.

在復(fù)雜背景的剔除階段，論文的Alex-net和VGG網(wǎng)絡(luò)訓(xùn)練損失值收斂情況見(jiàn)圖6(a)和圖6(b)所示.可以看出，在訓(xùn)練的過(guò)程中，VGG網(wǎng)絡(luò)的損失值在不斷下降并最終在0.5左右達(dá)到收斂，而Alex-net也在不斷下降，但是損失值在1.0左右并且會(huì)震蕩上升，單純的VGG訓(xùn)練的效果要強(qiáng)于A(yíng)lex-net網(wǎng)絡(luò).Alex-net和VGG檢測(cè)的效果圖如圖4(e)、5(e)和圖4(f)、5(f)所示.

圖6 兩種卷積神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練損失收斂圖

論文結(jié)果經(jīng)過(guò)實(shí)地考察驗(yàn)證，其中區(qū)域1共有病害松樹(shù)點(diǎn)15個(gè)、區(qū)域2共有病害松樹(shù)點(diǎn)3個(gè)，總計(jì)18個(gè)病害區(qū)域點(diǎn).從圖4、5上可以看出，K-means聚類(lèi)處理顏色特征接近而紋理不明顯區(qū)域，識(shí)別效果不好, Adaboost、SVM和BP-net在檢測(cè)時(shí)精度較高，能夠較好地分出病害及正常區(qū)域，但存在不少的非病害區(qū)域檢測(cè)為病害區(qū)域.從統(tǒng)計(jì)表格1可看出，傳統(tǒng)方法將大量田地、裸土誤識(shí)別為松線(xiàn)蟲(chóng)病害點(diǎn)，識(shí)別精確度分別為33.3%、77.8%、83.3%和88.9%.傳統(tǒng)的方法中BP-net達(dá)到了最高的精度，歸功于其良好的權(quán)重調(diào)節(jié)能力和參數(shù)學(xué)習(xí)機(jī)制.在處理其他標(biāo)簽類(lèi)地物信息時(shí)，使用單純的卷積神經(jīng)網(wǎng)絡(luò)Alex-net和VGG19能夠達(dá)到較高的精度，但是不足之處是會(huì)將不少健康松樹(shù)點(diǎn)與病害松樹(shù)點(diǎn)混淆，產(chǎn)生不小的分類(lèi)誤差.從圖4(e)～(f)到圖5(e)～(f)，可以觀(guān)察出效果圖中復(fù)雜的田地、裸土等區(qū)域去除較為明顯，但是目標(biāo)圖中的很多健康植被也被當(dāng)作松線(xiàn)蟲(chóng)病害區(qū)域，上述兩種深度機(jī)器學(xué)習(xí)的方法精確度分別達(dá)到50%、88.9%.

論文算法對(duì)兩塊目標(biāo)區(qū)域處理的效果圖如圖4(g)、5(g)所示，觀(guān)察圖4(g)、5(g)的結(jié)果可知論文算法在處理復(fù)雜的地物信息時(shí)達(dá)到很好的識(shí)別特性，在處理顏色、紋理明顯有別的健康、病害松樹(shù)及黑影區(qū)域時(shí)也達(dá)到了良好的效果，其分類(lèi)精度達(dá)到了94.4%，識(shí)別錯(cuò)誤總數(shù)為3，漏檢數(shù)目為1，為上述所有方法中精確度最高的，錯(cuò)分率最低的.算法將VGG網(wǎng)絡(luò)和Adaboost分類(lèi)器進(jìn)行級(jí)聯(lián)，在處理復(fù)雜背景的病害松樹(shù)遙感圖像時(shí)，先從復(fù)雜的背景進(jìn)行考慮，在使用VGG卷積神經(jīng)網(wǎng)絡(luò)處理背景后，再使用傳統(tǒng)的自適應(yīng)增強(qiáng)分類(lèi)器識(shí)別顏色、紋理有別的植被、黑影區(qū)域，從而提高整體的識(shí)別精確度，說(shuō)明論文算法有效地將Adaboost分類(lèi)器和深度卷積神經(jīng)網(wǎng)絡(luò)融合進(jìn)行識(shí)別病害松樹(shù)的目的，在處理復(fù)雜情況下的地物目標(biāo)時(shí)具有更好的魯棒性和泛化能力.該算法能應(yīng)用到工程實(shí)踐中，在應(yīng)用中將目標(biāo)域數(shù)據(jù)提取到訓(xùn)練集中，加快目標(biāo)函數(shù)的收斂速度，提高識(shí)別的精確度.論文訓(xùn)練集數(shù)據(jù)量不足，這是導(dǎo)致該算法精確度降低的原因之一.7種算法驗(yàn)證結(jié)果如表1所示.

表1 7種算法驗(yàn)證結(jié)果

論文實(shí)驗(yàn)區(qū)域1、2為紫蓬山國(guó)家森林公園區(qū)域，無(wú)人機(jī)共采集3組航拍圖像數(shù)據(jù)，其中實(shí)驗(yàn)的區(qū)域1的中心GPS為東經(jīng)117.019 67°、北緯31.730 98°，區(qū)域2的中心GPS位置為東經(jīng)117.021 37°、北緯31.731 22°.

3 結(jié)束語(yǔ)

論文利用無(wú)人機(jī)航拍遙感圖像作為數(shù)據(jù)源，使用深度卷積神經(jīng)網(wǎng)絡(luò)和Adaboost分類(lèi)器結(jié)合的方法對(duì)病害松樹(shù)區(qū)域進(jìn)行識(shí)別，利用卷積神經(jīng)網(wǎng)絡(luò)處理復(fù)雜的背景信息提高Adaboost分類(lèi)器的識(shí)別精度.將論文方法與傳統(tǒng)的K-means聚類(lèi)、支持向量機(jī)和學(xué)習(xí)型神經(jīng)網(wǎng)絡(luò)等分類(lèi)結(jié)果進(jìn)行對(duì)比，結(jié)果說(shuō)明，論文的方法精度最高，達(dá)到了94.4%的識(shí)別精度和最低錯(cuò)分誤差.通過(guò)論文方法對(duì)病害區(qū)域進(jìn)行檢測(cè)，解決了人力檢測(cè)的局限性問(wèn)題，在松線(xiàn)蟲(chóng)病害發(fā)生時(shí)能以較快速度處理病害植株，避免禍及周?chē)】邓蓸?shù)，對(duì)大范圍的林場(chǎng)區(qū)域松樹(shù)保護(hù)有著深遠(yuǎn)意義.在后續(xù)的研究中，將考慮使用多光譜高分辨率衛(wèi)星遙感圖像作為數(shù)據(jù)源，增加訓(xùn)練集數(shù)據(jù)量，增大處理面積，節(jié)約成本.