王澤鵬,張瀟巍,薛芳秀,文 劍,韓紅巖,黃 瑩
探地雷達(dá)樹木根系定位與直徑估算
王澤鵬1,張瀟巍1,薛芳秀1,文 劍1※,韓紅巖2,黃 瑩2
(1. 北京林業(yè)大學(xué)工學(xué)院,北京 100083;2. 北京市頤和園管理處,北京 100091)
針對(duì)樹木根系的探地雷達(dá)(Ground Penetrating Radar,GPR)檢測(cè)圖像復(fù)雜、解譯困難、自動(dòng)化程度低且精度不高等問題,該研究提出了一種基于YOLOv3的樹根自動(dòng)識(shí)別和參數(shù)估計(jì)的方法。通過不同的根預(yù)埋試驗(yàn)分析了根直徑、掩埋深度和朝向?qū)Ω底R(shí)別和預(yù)測(cè)的影響,對(duì)比評(píng)估了在復(fù)雜現(xiàn)場(chǎng)環(huán)境下該方法與商業(yè)軟件常用的閾值分割方法的識(shí)別效果。結(jié)果表明算法可實(shí)現(xiàn)根系自動(dòng)提取和雙曲線頂點(diǎn)定位,對(duì)根雙曲線的識(shí)別準(zhǔn)確率和召回率分別達(dá)到了96.62%和86.94%,根系參數(shù)預(yù)測(cè)的總平均相對(duì)誤差在10.57%以內(nèi)。該方法具有較高的識(shí)別準(zhǔn)確率和魯棒性,可實(shí)時(shí)地對(duì)樹木根系進(jìn)行檢測(cè)并進(jìn)行根系參數(shù)預(yù)測(cè),對(duì)樹木根系無損檢測(cè)具有重要意義。
探地雷達(dá);根系定位;YOLOv3;隨機(jī)霍夫變換;Savizky-Golay濾波
樹木根系作為重要器官在樹木生長(zhǎng)發(fā)育的過程中發(fā)揮了重要作用,其參與了土壤中的物質(zhì)循環(huán)和能量流動(dòng)[1]。根系探測(cè)的研究有助于進(jìn)一步了解植物根系與土壤間的相互作用[2],根系探測(cè)傳統(tǒng)的挖掘方法(如挖掘法,根鉆法等)十分復(fù)雜繁瑣,不但會(huì)破壞土壤環(huán)境和樹木根系,而且會(huì)受到試驗(yàn)場(chǎng)地條件和土壤表層狀態(tài)的限制[3],諸多的干擾因素和限制條件導(dǎo)致傳統(tǒng)方法探測(cè)結(jié)果準(zhǔn)確性較低[4]。
探地雷達(dá)作為一種無損檢測(cè)工具,近年來已在樹根探測(cè)研究中得到廣泛應(yīng)用[5-7]。Hruska等[8]首次使用天線頻率為450MHz的EKKO1000探地雷達(dá)系統(tǒng)繪制出了根徑大于3 cm的橡樹根系的三維圖像。Hirano等[9]通過試驗(yàn)測(cè)試出根系檢測(cè)與雷達(dá)參數(shù)之間的關(guān)系。Li等[10]采用隨機(jī)霍夫變換的方法對(duì)雙曲線進(jìn)行自動(dòng)識(shí)別,識(shí)別率精度可達(dá)到80%。王明凱等[11]通過定性研究的方法對(duì)不同方位的粗根反射信號(hào)進(jìn)行了分析,結(jié)果表明根朝向的變化會(huì)導(dǎo)致根反射雙曲線的形狀變化。截至目前,研究人員和雷達(dá)軟件制造商嘗試了不同的策略解決探地雷達(dá)圖像中的雙曲線檢測(cè)問題[12],例如,基于聚類的方法[13]、基于機(jī)器學(xué)習(xí)的方法[14]以及基于雙曲線擬合的方法[15],上述方法主要包括兩個(gè)步驟。第一步提取特征區(qū)域以縮小待研究區(qū)域的大??;第二步在特征區(qū)域內(nèi)應(yīng)用雙曲線擬合算法計(jì)算雙曲線參數(shù)。在使用神經(jīng)網(wǎng)絡(luò)提取特征區(qū)域時(shí)雖然速度較快,但是其準(zhǔn)確率很大程度上取決于訓(xùn)練數(shù)據(jù)的構(gòu)成和數(shù)量;基于數(shù)學(xué)推導(dǎo)的方法能較好地識(shí)別和擬合標(biāo)準(zhǔn)雙曲線,對(duì)非標(biāo)準(zhǔn)雙曲線識(shí)別效果較差,且對(duì)反射雜波同樣敏感;根系參數(shù)的計(jì)算主要依賴于雙曲線擬合后的結(jié)果,部分?jǐn)M合結(jié)果可能導(dǎo)致根系參數(shù)無解析解。
針對(duì)以上問題本文提出一種在復(fù)雜的野外環(huán)境下綜合自動(dòng)的探地雷達(dá)雙曲線定位和根系直徑估計(jì)的方法。該方法使用YOLOv3神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)樹根雙曲線目標(biāo)的自動(dòng)檢測(cè),取代了人工標(biāo)定的方法[16]。通過結(jié)合使用多種圖像處理方法模擬了人類模式識(shí)別的過程。從物理成像和數(shù)學(xué)幾何關(guān)系出發(fā)使用隨機(jī)霍夫變換(Random Hough Transform,RHT)算法定位雙曲線頂點(diǎn)。引入Savizky-Golay(SG)濾波算法對(duì)雙曲線頂點(diǎn)處的探地雷達(dá)一維數(shù)據(jù)(A-scan)離散序列進(jìn)行濾波,針對(duì)濾波后不同的極點(diǎn)分布情況提出了兩種根直徑計(jì)算的算法。通過不同直徑、掩埋深度和朝向的根預(yù)埋試驗(yàn)對(duì)該方法的有效性進(jìn)行了重點(diǎn)分析總結(jié)。此外,在對(duì)現(xiàn)場(chǎng)環(huán)境下真實(shí)數(shù)據(jù)無先知介質(zhì)相對(duì)介電常數(shù)的情況下,測(cè)試了該方法根系識(shí)別的通用性和魯棒性,并將結(jié)果與商業(yè)軟件閾值分割方法的結(jié)果進(jìn)行比較。
所有試驗(yàn)使用的均為TreeRadar公司的探地雷達(dá),天線頻率為900 MHz。根預(yù)埋試驗(yàn)中根據(jù)土壤條件,在土壤回填的過程中對(duì)沙土中直徑在1.2 cm以下的小石塊進(jìn)行了濾除。
用于網(wǎng)絡(luò)模型的原始數(shù)據(jù)集(1 489張)主要由真實(shí)數(shù)據(jù)(329張)和仿真數(shù)據(jù)(1 160張)兩部分構(gòu)成。真實(shí)數(shù)據(jù)包括2019年5月至2020年1月分別于頤和園(274張)、北戴河(19張)和北京林業(yè)大學(xué)工學(xué)院實(shí)訓(xùn)基地(36張)獲取的樹木根系探地雷達(dá)真實(shí)數(shù)據(jù)。仿真數(shù)據(jù)通過GprMax軟件隨機(jī)生成,限定土壤相對(duì)介電常數(shù)為6,根相對(duì)介電常數(shù)為10至13的隨機(jī)數(shù),根直徑為10~30 mm的隨機(jī)數(shù),每張?zhí)降乩走_(dá)二維數(shù)據(jù)(B-scan)圖中隨機(jī)生成5至8個(gè)根。對(duì)原始數(shù)據(jù)集B-scan圖中的根反射雙曲線目標(biāo)使用LabelImg工具進(jìn)行標(biāo)注,通過數(shù)據(jù)增強(qiáng)(隨機(jī)水平翻轉(zhuǎn)、隨機(jī)失真、高斯模糊、隨機(jī)拉伸)10倍后共得到16 379張圖像,其中13 267張圖像用于訓(xùn)練,1 474張圖像用于驗(yàn)證,1 638張圖像用于測(cè)試。所有的圖像均為單通道的灰度圖,且高均為512像素,其中真實(shí)數(shù)據(jù)圖像的寬最小為148像素,最大為3 816像素,仿真數(shù)據(jù)圖像的寬均為1 183像素。
使用Tensorflow框架搭建網(wǎng)絡(luò),試驗(yàn)所用的硬件處理平臺(tái)為個(gè)人電腦(Personal Computer,PC),配置為AMD Ryzen 7 4800H@2.9GHz CPU,GPU為GeForce RTX 2060 6GB顯存,內(nèi)存為16 GB。
訓(xùn)練采用遷移學(xué)習(xí)的思想[17],使用預(yù)訓(xùn)練好的權(quán)重進(jìn)行訓(xùn)練。損失函數(shù)使用融合均方誤差損失和二值交叉熵?fù)p失的多目標(biāo)損失函數(shù)。優(yōu)化算法選用Adam優(yōu)化器,一階矩估計(jì)的指數(shù)衰減率設(shè)為0.9,二階矩估計(jì)的指數(shù)衰減率設(shè)為0.999。訓(xùn)練總計(jì)100次迭代(Epoch),前50次迭代凍結(jié)網(wǎng)絡(luò)的前184層,Batch Size為16,初始學(xué)習(xí)率設(shè)置為0.001;后50次迭代解凍全部網(wǎng)絡(luò),每個(gè)批次訓(xùn)練樣本的數(shù)量大?。˙atch Size)為4,學(xué)習(xí)率設(shè)置為0.000 1,學(xué)習(xí)率變化曲線如圖1a所示。訓(xùn)練過程中每次迭代結(jié)束后記錄訓(xùn)練集和驗(yàn)證集的損失值并繪制圖像,如圖1b所示,訓(xùn)練損失和驗(yàn)證損失在第50次迭代時(shí)分別驟增和驟減,這與修改學(xué)習(xí)率和解凍網(wǎng)絡(luò)全部參數(shù)有關(guān),但訓(xùn)練損失和驗(yàn)證損失整體上呈現(xiàn)下降趨勢(shì)。
選取北京頤和園作為現(xiàn)場(chǎng)試驗(yàn)的場(chǎng)地(北緯:39°59'22.88",東經(jīng):116°16'14"),此處氣候條件為溫帶季風(fēng)氣候,園中樹木以松柏為主,具體試驗(yàn)樹木及其參數(shù)如表1。在試驗(yàn)過程中,以樹木為中心等間距選取8個(gè)同心圓作為進(jìn)行探地雷達(dá)探測(cè)的軌道,最小的同心圓半徑為樹半徑的基礎(chǔ)上增加30 cm,以表1中的樹1為例,最小的同心圓半徑為63 cm,每個(gè)同心圓半徑的增量為30 cm。
為了驗(yàn)證方法的準(zhǔn)確性,在北京林業(yè)大學(xué)工學(xué)院實(shí)訓(xùn)基地(北緯:40°0'58",東經(jīng):116°21'15")試驗(yàn)場(chǎng)地進(jìn)行根預(yù)埋試驗(yàn)。選取與根相對(duì)介電常數(shù)相近的葡萄藤枝條作為試驗(yàn)的模擬根系,通過不同直徑、不同掩埋深度和不同朝向的掩埋試驗(yàn),確定不同根參數(shù)對(duì)方法準(zhǔn)確性的影響。根直徑使用游標(biāo)卡尺分別測(cè)量根的上中下3個(gè)位置的直徑后取平均值。建立如圖2中根預(yù)埋圖所示的坑體直角坐標(biāo)系,所有的預(yù)埋根均平行于O平面放置,根直徑和根掩埋深度試驗(yàn)中根平放于坑底部,在根朝向的試驗(yàn)中為保證根傾斜角度不變,將根幾何中心以下的部分掩埋在坑底部下方。以表2中根直徑試驗(yàn)的根0為例,坐標(biāo)值為點(diǎn)(500,0,500)沿方向距離根最近的長(zhǎng)度。每次掃描探地雷達(dá)均從起點(diǎn)(0,0,500)處沿軸方向掃描至終點(diǎn)(2000,0,500)。
表1 頤和園古樹試驗(yàn)記錄
注:樹木半徑由地面10 cm高度處的樹木周長(zhǎng)計(jì)算得到。
Note: The tree radius is calculated from the perimeter of the tree at a height of 10 cm above the ground.
表2 根預(yù)埋試驗(yàn)設(shè)計(jì)
注:表中垂直傾角表示根與水平面的夾角。
Note: The vertical dip in the table indicates the angle between the root and the horizontal plane.
完整算法的實(shí)現(xiàn)如圖3所示分為5步:首先對(duì)現(xiàn)場(chǎng)真實(shí)的B-scan數(shù)據(jù)進(jìn)行零點(diǎn)標(biāo)定;接下來通過YOLOv3算法自動(dòng)識(shí)別提取根反射雙曲線的感興趣區(qū)域(Region of Interest,ROI);對(duì)提取的感興趣區(qū)域進(jìn)行局部的圖像處理;在處理后的感興趣區(qū)域內(nèi)進(jìn)行隨機(jī)霍夫變換確定雙曲線的頂點(diǎn);最后預(yù)測(cè)根直徑。
1.5.1 零點(diǎn)標(biāo)定
標(biāo)定地面反射起始零點(diǎn)是關(guān)系到測(cè)量深度準(zhǔn)確性的關(guān)鍵操作[18],通過對(duì)反射直達(dá)波的識(shí)別和極性分析可確定起始零點(diǎn),如圖4b所示。
1.5.2 YOLOv3識(shí)別提取感興趣區(qū)域
YOLOv3模型[19]中使用了一個(gè)53層的卷積網(wǎng)絡(luò)來提取特征,該卷積網(wǎng)絡(luò)借鑒了殘差網(wǎng)絡(luò)的結(jié)構(gòu)形成了更深的網(wǎng)絡(luò)層次。圖4a為輸入圖像,該算法通過特征提取網(wǎng)絡(luò)對(duì)輸入圖像提取特征,得到特定尺寸的特征圖,將輸入圖像分成×柵格,當(dāng)訓(xùn)練集對(duì)置信區(qū)域中某個(gè)目標(biāo)的中心坐標(biāo)落在某網(wǎng)格單元中時(shí),就由該柵格來預(yù)測(cè)該目標(biāo),每個(gè)柵格預(yù)測(cè)3個(gè)初始尺寸不一樣的邊界框。為了改善網(wǎng)絡(luò)對(duì)小尺寸物體檢測(cè)能力差的問題,YOLOv3使用3種不同尺度的特征圖進(jìn)行目標(biāo)檢測(cè),分別為13×13、26×26和52×52,只有與置信區(qū)域重合度最大的邊界框才用來預(yù)測(cè)該目標(biāo),如圖4c所示。
1.5.3 局部圖像處理
該部分對(duì)提取的雙曲線感興趣區(qū)域進(jìn)行圖像處理,依次進(jìn)行直方圖均衡化[20]、高斯濾波平滑和Canny邊緣檢測(cè)[21],如圖4d所示。
1.5.4 隨機(jī)霍夫變換確定雙曲線頂點(diǎn)
由于土壤和樹根的相對(duì)介電常數(shù)不同,雷達(dá)波在土壤中和樹根中的傳播速度可分別通過式(2)和(3)求得。
1.5.5 預(yù)測(cè)根直徑
在原始圖片中獲取到的雙曲線頂點(diǎn)橫坐標(biāo)處A-scan數(shù)據(jù),對(duì)A-scan離散序列進(jìn)行SG平滑濾波[23],該操作可使離散數(shù)據(jù)中后段的局部極值點(diǎn)唯一。確定A-scan離散數(shù)據(jù)的局部極小值點(diǎn)和局部極大值點(diǎn)后,將地面反射起始零點(diǎn)、雙曲線頂點(diǎn)和雙曲線頂點(diǎn)后的首個(gè)局部極大值進(jìn)行標(biāo)記,如圖6所示。對(duì)雙曲線頂點(diǎn)與雙曲線頂點(diǎn)后首個(gè)局部極大值點(diǎn)之間的極值點(diǎn)分布進(jìn)行分析,若兩者之間存在2個(gè)以上局部極小值點(diǎn)時(shí),調(diào)整SG濾波的參數(shù)直至局部極小值點(diǎn)數(shù)量為0或1。之后,根據(jù)雙曲線頂點(diǎn)與雙曲線頂點(diǎn)后首個(gè)局部極大值點(diǎn)之間局部極小值點(diǎn)的數(shù)量分兩種情況計(jì)算根的直徑。情況1:僅存在一個(gè)局部極小值點(diǎn)時(shí),選取雙曲線頂點(diǎn)后的首個(gè)局部極大值點(diǎn)處作為根的圓心,根直徑為雙曲線頂點(diǎn)與雙曲線頂點(diǎn)后首個(gè)局部極大值點(diǎn)之間距離的2倍;情況2:無局部極小值點(diǎn)時(shí),根直徑為雙曲線頂點(diǎn)與雙曲線頂點(diǎn)后首個(gè)局部極大值點(diǎn)之間距離的6倍。
訓(xùn)練完成后在測(cè)試集上對(duì)模型進(jìn)行評(píng)估,計(jì)算準(zhǔn)確率(Precision,P)、召回率(Recall,R)、調(diào)和均值1、平均精度(Average Precision,AP)和平均檢測(cè)時(shí)間(Average Detection Time,ADT)這4個(gè)指標(biāo)[24]。準(zhǔn)確率表示預(yù)測(cè)為正的所有樣本中真正為正的樣本所占的比例。召回率表示真正為正的樣本中被預(yù)測(cè)為正的樣本所占的比例。1值是基于準(zhǔn)確率和召回率的調(diào)和平均,綜合考慮了準(zhǔn)確率和召回率,當(dāng)1越逼近于1時(shí)說明模型優(yōu)化的越好。在根目標(biāo)檢測(cè)任務(wù)中以召回率和準(zhǔn)確率分別為橫坐標(biāo)和縱坐標(biāo)繪制P- R曲線,AP就是P- R曲線與坐標(biāo)軸之間的面積。計(jì)算公式為
注:朝下的三角和朝上的三角分別為局部極小值點(diǎn)和局部極大值點(diǎn);點(diǎn)線為標(biāo)定的地面反射起始零點(diǎn);虛線為雙曲線頂點(diǎn)在A-scan數(shù)據(jù)中的位置;實(shí)線為雙曲線頂點(diǎn)后首個(gè)局部極大值的位置。
2.2.1 不同的根直徑結(jié)果分析
由表3可知根的相對(duì)介電常數(shù)顯著高于土壤,雷達(dá)波在土壤中的傳播速度較快,在進(jìn)行探測(cè)中可顯著區(qū)別樹根與背景土壤。地面反射起始零點(diǎn)如圖 8a所示位于圖中垂直方向的第137像素處,輸入圖像經(jīng)YOLOv3模型輸出識(shí)別的根雙曲線感興趣區(qū)域,3個(gè)預(yù)埋根的雙曲線感興趣區(qū)域均得到準(zhǔn)確識(shí)別,在該試驗(yàn)中模型的準(zhǔn)確率和召回率均達(dá)到100%,提取的感興趣區(qū)域作為下一步隨機(jī)霍夫變換的輸入,減少了大量感興趣區(qū)域外的冗余信息,有利于隨機(jī)霍夫變換的快速求解。隨機(jī)霍夫變換算法確定的雙曲線頂點(diǎn)位置均較準(zhǔn)確。在表3中,3個(gè)預(yù)埋根的預(yù)測(cè)直徑均通過情況1計(jì)算得到,除了根0預(yù)測(cè)直徑的相對(duì)誤差較大外,其余參數(shù)的相對(duì)誤差均小于10%,可見當(dāng)土壤和樹根的相對(duì)介電常數(shù)已知的情況下,本文程序?qū)Ω臀恢玫亩ㄎ惠^準(zhǔn)確,對(duì)較細(xì)根0的直徑估計(jì)相對(duì)誤差較大,其原因與探地雷達(dá)垂直分辨率較小時(shí)較細(xì)根的垂直上下界面無法從A-scan數(shù)據(jù)中準(zhǔn)確定位有關(guān)。
圖7 各項(xiàng)指標(biāo)曲線
2.2.2 不同的根掩埋深度結(jié)果分析
相對(duì)于根直徑的試驗(yàn),此次根預(yù)埋試驗(yàn)中土壤和樹根的相對(duì)介電常數(shù)均有微弱的減小。如圖8b所示,地面反射起始零點(diǎn)位于圖中垂直方向的第95像素處,雖然B-scan圖中3個(gè)反射雙曲線的清晰度較差,但YOLOv3仍可準(zhǔn)確的框選出感興趣區(qū)域。然而,在下一步的隨機(jī)霍夫變換過程中,由于雙曲線圖像與背景的區(qū)分度較差,導(dǎo)致隨機(jī)霍夫變換所定位根0的和位置產(chǎn)生了較大的誤差,對(duì)于此情況可優(yōu)化感興趣區(qū)域圖像處理的算法。由表3可知根2和根0的預(yù)測(cè)直徑通過情況2計(jì)算得到的相對(duì)誤差高于根1通過情況1計(jì)算得到的,可推斷在直徑預(yù)測(cè)時(shí)情況1比情況2的精度更高,因此,當(dāng)隨機(jī)霍夫變換確定的雙曲線頂點(diǎn)不準(zhǔn)確時(shí)可增大隨機(jī)霍夫變換的閾值以獲取準(zhǔn)確的頂點(diǎn)位置,準(zhǔn)確的頂點(diǎn)位置將更有可能通過情況1進(jìn)行根直徑預(yù)測(cè)。
表3 預(yù)埋根試驗(yàn)結(jié)果
注:*和**分別表示通過1.5.5節(jié)中極值點(diǎn)分布的情況1和2預(yù)測(cè)得到的根直徑。
Note: * and ** respectively represent the root diameters predicted by the extreme point distributions in Section 1.5.5 of Case 1 and 2.
2.2.3 不同的根朝向結(jié)果分析
由表3可知地面反射起始零點(diǎn)位于圖中垂直方向的第140像素處,雖然所有預(yù)埋根均位于同一深度,但由于其垂直傾角的不同造成了B-scan圖中雙曲線的分布處于不同時(shí)間深度。由圖8c可知,雙曲線向上的偏移量與根垂直傾角呈正相關(guān),只有當(dāng)根垂直傾角為0°時(shí)B-scan圖中的雙曲線才反映了掃描軌跡截面真實(shí)的根垂直位置。表3中所有預(yù)埋根的預(yù)測(cè)直徑均通過情況1求得,位置的相對(duì)誤差均較小。根0、1、2和3的垂直傾角分別為45°、30°、15°和0°,對(duì)應(yīng)垂直位置的相對(duì)誤差隨根垂直傾角的減小而變小,產(chǎn)生此現(xiàn)象的原因?yàn)楫?dāng)探地雷達(dá)在沿掃描軌跡移動(dòng)的過程中,發(fā)射的電磁波呈發(fā)散式傳播(圖9),當(dāng)根有垂直傾斜時(shí)電磁波將先接觸到最近的樹根,此時(shí)預(yù)測(cè)值為探地雷達(dá)與根之間的最短距離,圖9中根0、1、2和3與探地雷達(dá)最短距離的實(shí)際值分別為125.6、188.8、243.35和276.3 mm,相對(duì)誤差分別為2.75%、8.88%、1.09%和0.38%,平均相對(duì)誤差為3.27%。因此,在進(jìn)行根垂直位置的定位時(shí)要充分考慮根的朝向。當(dāng)樹根有垂直傾斜時(shí),應(yīng)通過多道B-scan數(shù)據(jù)進(jìn)行根垂直位置的修正定位,或者通過對(duì)雙曲線開合角的分析進(jìn)行根垂直傾角的確定。
注:矩形表示探地雷達(dá);單向箭頭線表示探地雷達(dá)發(fā)射的雷達(dá)波;實(shí)線表示探地雷達(dá)距離根最短的實(shí)際距離,mm;數(shù)字表示探地雷達(dá)距離根最短的實(shí)際距離值,mm。
由于頤和園古樹的特殊性,無法通過挖掘法對(duì)預(yù)測(cè)的根參數(shù)進(jìn)行評(píng)估驗(yàn)證,故將本文方法的結(jié)果與商業(yè)軟件中常見的的閾值分割方法的檢測(cè)結(jié)果進(jìn)行對(duì)比評(píng)價(jià),考慮到文章的篇幅,以樹1分析結(jié)果為例。如圖10a所示本文方法對(duì)大部分粗根的反射雙曲線進(jìn)行了準(zhǔn)確的識(shí)別,但是對(duì)圖中右側(cè)無數(shù)字矩形框中的復(fù)雜根系簇的識(shí)別效果并不好,左側(cè)的無數(shù)字矩形框中遺漏了兩個(gè)反射雙曲線。隨機(jī)霍夫變換對(duì)根反射雙曲線頂點(diǎn)的定位均較為準(zhǔn)確。
在圖10b中,閾值分割方法檢測(cè)的結(jié)果中識(shí)別出來了5個(gè)大物體區(qū)域和36個(gè)小物體區(qū)域,大物體區(qū)域檢測(cè)的識(shí)別率低于本文方法的粗根檢測(cè)結(jié)果,閾值分割檢測(cè)算法將某些粗根識(shí)別成若干個(gè)小物體區(qū)域?qū)е略摤F(xiàn)象產(chǎn)生,例如,YOLOv3檢測(cè)到的根4雙曲線在閾值分割方法中被識(shí)別成4個(gè)小物體區(qū)域。本文方法在B-scan圖中提取感興趣區(qū)域后根據(jù)雙曲線頂點(diǎn)處的A-scan數(shù)據(jù)進(jìn)行直徑的預(yù)測(cè),此時(shí)A-scan中直徑的像素?cái)?shù)量關(guān)系到直徑預(yù)測(cè)的準(zhǔn)確性,雖然閾值分割方法檢測(cè)到的雙曲線區(qū)域內(nèi)有像素?cái)?shù)量的統(tǒng)計(jì),但并不是所有識(shí)別的物體區(qū)域內(nèi)都包含完整的反射雙曲線,顯然,這將會(huì)影響根直徑的估計(jì)。表4為頤和園現(xiàn)場(chǎng)試驗(yàn)本文方法和閾值分割方法結(jié)果的分析對(duì)比,除了樹4的閾值分割方法大物體檢測(cè)的數(shù)量多于本文程序識(shí)別數(shù)量3個(gè)之外,本文方法對(duì)樹1、2、3、5和6的粗根檢測(cè)數(shù)量均要多于閾值分割方法大物體檢測(cè)的數(shù)量,在樹1的測(cè)試上尤其明顯,多達(dá)6個(gè)。閾值分割方法對(duì)不同雙曲線區(qū)域統(tǒng)計(jì)的最小最大像素?cái)?shù)量差值較大,這與閾值分割方法的識(shí)別敏感度有關(guān)。相對(duì)于根預(yù)埋試驗(yàn)中所有的反射雙曲線均被準(zhǔn)確的識(shí)別,現(xiàn)場(chǎng)試驗(yàn)B-scan圖中的部分雙曲線未能被識(shí)別。根預(yù)埋試驗(yàn)相對(duì)于現(xiàn)場(chǎng)試驗(yàn)已知土壤和樹根的相對(duì)介電常數(shù),對(duì)樹根的位置和直徑進(jìn)行了預(yù)測(cè)。
表4 頤和園現(xiàn)場(chǎng)試驗(yàn)不同方法結(jié)果分析對(duì)比
注:本文方法的直徑像素計(jì)數(shù)為雙曲線頂點(diǎn)處A-scan數(shù)據(jù)中雙曲線頂點(diǎn)與其后首個(gè)局部極大值之間像素?cái)?shù)量的2倍;閾值分割方法的像素?cái)?shù)量為不規(guī)則封閉曲線內(nèi)所有的像素點(diǎn)數(shù)量。
Note: The pixel count of the diameter of the method in this paper is 2 times of the number of pixels between the hyperbola vertex and the first local maximum after the hyperbola vertex in A-scan data. The number of pixels in the threshold segmentation method is the number of all pixels in the irregular closed curve.
3.1.1 土壤影響因素
土壤相對(duì)介電常數(shù)[25]:在根預(yù)埋試驗(yàn)中土壤的相對(duì)介電常數(shù)均遠(yuǎn)小于根相對(duì)介電常數(shù),由式(2)可知雷達(dá)波在土壤中的傳播速度較快,此時(shí)雷達(dá)波在土壤中傳播將會(huì)損失更少的能量,也就意味著可探測(cè)到更深的地下樹根,在掩埋深度的根預(yù)埋試驗(yàn)中可探測(cè)到60 cm深處的根;土壤同質(zhì)性:當(dāng)探地雷達(dá)使用高頻率的天線時(shí),其對(duì)土壤的同質(zhì)性十分敏感,土壤的同質(zhì)性較差會(huì)使電磁波散射產(chǎn)生雜波繼而干擾信號(hào),圖10a中土壤異質(zhì)性較差導(dǎo)致部分反射雙曲線受到雜波的干擾繼而被遺漏,為減少信號(hào)中的噪聲應(yīng)盡可能降低雜波的干擾,在土壤環(huán)境可控的情況下提高土壤的同質(zhì)性。
3.1.2 根影響因素
根相對(duì)介電常數(shù):其與土壤的相對(duì)介電常數(shù)差值越大,反射信號(hào)的強(qiáng)度越強(qiáng),即反射雙曲線更加清晰?,F(xiàn)場(chǎng)試驗(yàn)中部分反射雙曲線清晰度較差的原因與其根相對(duì)介電常數(shù)低有關(guān),在預(yù)測(cè)根直徑時(shí)選取合適的根相對(duì)介電常數(shù)對(duì)預(yù)測(cè)結(jié)果至關(guān)重要;根直徑:當(dāng)根直徑較小時(shí)可能會(huì)造成反射雙曲線形狀的不完整,探地雷達(dá)的垂直分辨率無法解析根垂直上下界面,導(dǎo)致預(yù)測(cè)的直徑相對(duì)誤差變大,此時(shí)可通過使用更高天線頻率的探地雷達(dá)以提升垂直分辨率;根掩埋深度:隨著根掩埋深度的增大,反射信號(hào)的強(qiáng)度隨之減小,當(dāng)根掩埋深度超越探地雷達(dá)當(dāng)前天線頻率下的最大探測(cè)深度時(shí)則無法被探測(cè)到,此時(shí)可更換天線頻率低的探地雷達(dá)以達(dá)到更深的探測(cè)深度,對(duì)于不同的探測(cè)任務(wù)應(yīng)當(dāng)兼顧探測(cè)深度與垂直分辨率;根朝向:在探測(cè)有垂直傾斜角度的根時(shí),B-scan圖中的雙曲線反映的是探地雷達(dá)掃描范圍內(nèi)距離其最近的根,垂直傾角越大會(huì)導(dǎo)致B-scan圖中雙曲線垂直方向的形狀被拉伸的越長(zhǎng)。
3.2.1 模型訓(xùn)練程度
感興趣區(qū)域提取的準(zhǔn)確性與用于神經(jīng)網(wǎng)絡(luò)訓(xùn)練的數(shù)據(jù)集大小和構(gòu)成密切相關(guān),大數(shù)據(jù)集能一定程度上提高模型預(yù)測(cè)的精度。訓(xùn)練所使用的真實(shí)和仿真B-scan圖數(shù)據(jù)中雙曲線的標(biāo)定均需要人工操作,提高雙曲線人工標(biāo)定的準(zhǔn)確率也將有助于提高模型的識(shí)別精度。進(jìn)一步對(duì)模型的特征提取網(wǎng)絡(luò)進(jìn)行優(yōu)化,針對(duì)雙曲線區(qū)域的寬高尺寸進(jìn)行聚類并使用相應(yīng)尺寸的先驗(yàn)框是下一步研究方向。
3.2.2 圖像處理過程
高斯濾波平滑的結(jié)果會(huì)影響下一步的邊緣檢測(cè)操作,選擇合適的高斯核至關(guān)重要。在程序測(cè)試時(shí),高斯核較小時(shí)邊緣檢測(cè)的效果并不理想,選取范圍在15至50像素范圍內(nèi)的高斯核濾波效果較好。值得注意的是,改變直方圖均衡化和高斯濾波的順序可能得到更好的邊緣檢測(cè)結(jié)果,對(duì)于部分邊緣檢測(cè)結(jié)果很差的二值圖可對(duì)其原圖像進(jìn)行兩次或者多次直方圖均衡化。
3.2.3 隨機(jī)霍夫變換的閾值
在隨機(jī)霍夫變換過程中,計(jì)算機(jī)求解大量的三元二次方程組以求取準(zhǔn)確的雙曲線頂點(diǎn)坐標(biāo)。顯然,閾值與求解時(shí)間成反比,與雙曲線頂點(diǎn)坐標(biāo)的準(zhǔn)確性成正比,在檢測(cè)過程中要兼顧求解時(shí)間和準(zhǔn)確性。
不同于根預(yù)埋試驗(yàn)中良好的土壤預(yù)埋環(huán)境,現(xiàn)場(chǎng)試驗(yàn)的B-scan圖中存在更加復(fù)雜的雙曲線分布情況,其中可能會(huì)出現(xiàn)多個(gè)雙曲線之間間隔小、有重疊的現(xiàn)象,這將會(huì)導(dǎo)致雙曲線被誤識(shí)別或漏識(shí)別?,F(xiàn)場(chǎng)試驗(yàn)在進(jìn)行探測(cè)前無任何先驗(yàn)知識(shí),為了避免地下根的掩埋深度超越探地雷達(dá)最大探測(cè)深度的情況發(fā)生,應(yīng)使用不同探測(cè)深度的探地雷達(dá)收集B-scan數(shù)據(jù)。本文方法在根預(yù)埋試驗(yàn)中無論是對(duì)根的識(shí)別還是根直徑的預(yù)測(cè)均達(dá)到了較佳的結(jié)果,現(xiàn)場(chǎng)試驗(yàn)雖未達(dá)到同等良好的結(jié)果,但是本文方法對(duì)現(xiàn)場(chǎng)試驗(yàn)復(fù)雜環(huán)境下的輸入數(shù)據(jù)具有較好的魯棒性,抗雜波干擾能力強(qiáng)。
增加頻域維度的算法[26],本文方法均是在A-scan和B-scan的基礎(chǔ)上分別通過時(shí)域和空域算法實(shí)現(xiàn)的,數(shù)據(jù)在頻域的特征和波形變換未被充分利用。A-scan數(shù)據(jù)是由探地雷達(dá)發(fā)射的雷克子波經(jīng)物體反射后接收的信號(hào)構(gòu)成的,通過提取A-scan數(shù)據(jù)的頻域雙峰屬性[27-29],可突破時(shí)域垂直分辨率的限制。
1)本文提出了一種基于YOLOv3的根系識(shí)別定位和直徑估計(jì)方法,測(cè)試集試驗(yàn)結(jié)果表明模型識(shí)別準(zhǔn)確率和召回率分別達(dá)96.62%和86.94%,平均檢測(cè)時(shí)間為40 ms,對(duì)于不同的探測(cè)任務(wù)大部分都能準(zhǔn)確的提取感興趣區(qū)域,隨機(jī)霍夫變換算法對(duì)雙曲線的頂點(diǎn)定位準(zhǔn)確且魯棒性高。根預(yù)埋試驗(yàn)中對(duì)樹根位置和直徑預(yù)測(cè)的總平均相對(duì)誤差在10.57%以內(nèi),現(xiàn)場(chǎng)試驗(yàn)中針對(duì)粗根的識(shí)別效果優(yōu)于閾值分割方法,采用本文的算法實(shí)現(xiàn)自動(dòng)快速地預(yù)測(cè)根掩埋位置和根直徑是可行的。
2)針對(duì)雙曲線感興趣區(qū)域的圖像處理,本文應(yīng)用直方圖均衡化算法提高雙曲線與背景的區(qū)分度,優(yōu)化了邊緣檢測(cè)結(jié)果的有效性。對(duì)A-scan離散數(shù)據(jù)引入SG平滑濾波算法,并且對(duì)雙曲線頂點(diǎn)在A-scan中的兩種位置分布情況提出相應(yīng)的直徑估計(jì)算法。在根預(yù)埋試驗(yàn)中測(cè)試了根直徑、根掩埋深度和根朝向?qū)-scan圖中雙曲線成像和程序預(yù)測(cè)結(jié)果的影響,為解決根系定位和直徑預(yù)測(cè)的實(shí)際問題做出有益探索。
后續(xù)研究中可側(cè)重以下幾點(diǎn):實(shí)現(xiàn)土壤和根相對(duì)介電常數(shù)的預(yù)測(cè),有利于探究根與土壤之間的能量流動(dòng)和相互作用;結(jié)合A-scan數(shù)據(jù)的時(shí)頻域特征分析以優(yōu)化根參數(shù)估計(jì)的結(jié)果;解譯B-scan圖中雙曲線對(duì)應(yīng)的根朝向;實(shí)現(xiàn)樹木根系三維的成像。
[1]Reubens B. The role of fine and coarse roots in shallow slope stability and soil erosion control with a focus on root system architecture: a review[J]. Trees, 2007, 21(4): 385-402.
[2]Danjon F, Reubens B. Assessing and analyzing 3D architecture of woody root systems, a review of methods and applications in tree and soil stability, resource acquisition and allocation[J]. Plant and Soil, 2007, 303(1-2): 1-34.
[3]Guo L, Chen J, Cui X, et al. Application of ground penetrating radar for coarse root detection and quantification: A review[J]. Plant and Soil, 2012, 362(1-2): 1-23.
[4]崔喜紅,陳晉,關(guān)琳琳. 探地雷達(dá)技術(shù)在植物根系探測(cè)研究中的應(yīng)用[J]. 地球科學(xué)進(jìn)展,2009,24(6):606-611.
Cui Xihong, Chen Jin, Guan Linlin. The application of ground penetrating radar to plant root system detection[J]. Advances in Earth Science, 2009, 24(6): 606-611. (in Chinese with English abstract)
[5]Aboudourib A, Serhir M, Lesselier D. A processing framework for tree-root reconstruction using ground-penetrating radar under heterogeneous soil conditions[J]. IEEE Transactions on Geoscience and Remote Sensing, 2021, 59(1): 208-219.
[6]Mihai A, Gerea A, Curioni G, et al. Direct measurements of tree root relative permittivity for the aid of GPR forward models and site surveys[J]. Near Surface Geophysics, 2019, 17(3): 299-310.
[7]Alani A, Ciampoli L, Lantini L, et al. Mapping the root system of matured trees using ground penetrating radar[C]//2018 17th International conference on ground penetrating radar (GPR). Switzerland: IEEE, 2018: 1-6.
[8]Hruska J, Cermák J, Sustek S. Mapping tree root systems with ground penetrating radar[J]. Tree Physiology, 1999, 19(2): 125-130.
[9]Hirano Y, Yamamoto R, Dannoura M, et al. Detection frequency of Pinus thunbergii roots by ground-penetrating radar is related to root biomass[J]. Plant and Soil, 2012, 360(1-2): 363-373.
[10]Li W, Cui X, Guo L, et al. Tree root automatic recognition in ground penetrating radar profiles based on Randomized Hough Transform[J]. Remote Sensing, 2016, 8(5): 1-16.
[11]王明凱,李文彬,文劍. 基于探地雷達(dá)對(duì)粗根的識(shí)別技術(shù)研究[J]. 森林工程,2020,36(3):21-27.
Wang Mingkai, Li Wenbin, Wen Jian. Study on recognition technology of coarse roots using ground-penetrating radar[J]. Forest Engineering, 2020, 36(3): 21-27. (in Chinese with English abstract)
[12]Mertens L, Persico R, Matera L, et al. Automated detection of reflection hyperbolas in complex GPR images with no a priori knowledge on the medium[J]. IEEE Transactions on Geoscience and Remote Sensing, 2016, 54(1): 580-596.
[13]Zhou X, Chen H, and Li J. An automatic GPR B-scan image interpreting model[J]. IEEE Transactions on Geoscience and Remote Sensing, 2018, 56(6): 3398-3412.
[14]Lei W, Hou F, Xi J, et al. Automatic hyperbola detection and fitting in GPR B-scan image[J]. Automation in Construction, 2019, 106: 1-14.
[15]Chen H, Cohn A. Probabilistic conic mixture model and its applications to mining spatial ground penetrating radar data[C]//In Workshops of SIAM Conference on Data Mining. Columbus, 2010: 1-8.
[16]Wu Y, Guo L, Chen J, et al. Ground-penetrating radar-based automatic reconstruction of three-dimensional coarse root system architecture[J]. Plant and Soil, 2014, 383(1-2): 155-172.
[17]王東方,汪軍. 基于遷移學(xué)習(xí)和殘差網(wǎng)絡(luò)的農(nóng)作物病害分類[J]. 農(nóng)業(yè)工程學(xué)報(bào),2021,37(4):199-207.
Wang Dongfang, Wang Jun. Crop disease classification with transfer learning and residue networks[J]. Transactions of The Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(4): 199-207. (in Chinese with English abstract)
[18]秦存昌. 隧道病害的探地雷達(dá)圖像檢測(cè)方法研究[D]. 南昌:南昌大學(xué),2014.
Qin Cunchang. Research on GPR Image Detection Methods of Tunnel Diseases[D]. Nanchang: Nanchang University, 2014. (in Chinese with English abstract)
[19]Redmon J, Farhadi A. YOLOv3: An incremental improvement[EB/OL]. 2018-04-04[2020-11-05]. org/abs/ 1804.02767.
[20]Stark J. Adaptive image contrast enhancement using generalizations of histogram equalization[J]. IEEE Transactions on Image Processing, 2000, 9(5): 889-896.
[21]Canny J. A computational approach to edge detection[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1986, 8(6): 679-698.
[22]Xu L, Oja E, Kultanen P. A new curve detection method: Randomized Hough transform (RHT)[J]. Pattern Recognition Letters, 1990, 11(5): 331-338.
[23]Schafer R. What is a savitzky-golay filter?[J]. IEEE Signal processing magazine, 2011, 28(4): 111-117.
[24]陳鋒軍,朱學(xué)巖,周文靜,等. 基于無人機(jī)航拍與改進(jìn)YOLOv3模型的云杉計(jì)數(shù)[J]. 農(nóng)業(yè)工程學(xué)報(bào),2020,36(22):22-30.
Chen Fengjun, Zhu Xueyan, Zhou Wenjing, et al. Spruce counting method based on improved YOLOv3 model in UAV images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(22): 22-30. (in Chinese with English abstract)
[25]Pettinelli E, Matteo A, Beaubien S, et al. A controlled experiment to investigate the correlation between early-time signal attributes of ground-coupled radar and soil dielectric properties[J]. Journal of Applied Geophysics, 2014. 101: 68-76.
[26]程琦,葉回春,董祥林,等. 采用探地雷達(dá)頻譜分析的復(fù)墾土壤含水率反演[J]. 農(nóng)業(yè)工程學(xué)報(bào),2021,37(6):108-116.
Cheng Qi, Ye Huichun, Dong Xianglin, et al. Inversion of reclaimed soil moisture based on spectrum analysis of ground penetrating radar[J]. Transactions of The Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(6): 108-116. (in Chinese with English abstract)
[27]熊洪強(qiáng),陶志亮,昝月穩(wěn). 探地雷達(dá)檢測(cè)鐵路道床翻漿冒泥的時(shí)頻域特征[J]. 科學(xué)技術(shù)與工程,2018,18(9):323-328.
Xiong Hongqiang, Tao Zhiliang, Zan Yuewen. Time-domain and frequency-domain characteristic of ballast mud pumping in GPR inspection[J]. Science Technology and Engineering, 2018, 18(9): 323-328. (in Chinese with English abstract)
[28]Benedetto A. Water content evaluation in unsaturated soil using GPR signal analysis in the frequency domain[J]. Journal of Applied Geophysics, 2010. 71(1): 26-35.
[29]Susnjara A, Poljak D, Sesnic S, et al. Time domain and frequency domain integral equation method for the analysis of ground penetrating radar (GPR) antenna[C]//IEEE International Conference on Software, Telecommunications and Computer Networks. Croatia: IEEE, 2016: 1-4.
Estimating the location and diameter of tree roots using ground penetrating radar
Wang Zepeng1, Zhang Xiaowei1, Xue Fangxiu1, Wen Jian1※, Han Hongyan2, Huang Ying2
(1.,,100083,;2.,100091,)
Non-destructive testing of tree roots can contribute to explore the interaction between plant roots and soil. Currently, ground penetrating radar (GPR) can make it possible to non-destructively measure tree roots. However, the complex images from GPR are difficult to parse, due to the low automation level and accuracy. In this study, an automatic estimation of root and diameter was proposed using YOLOv3 to realize the intelligent recognition and extraction of root reflection hyperbola region of interest (ROI). Image processing such as histogram equalization was applied to improve the difference between the hyperbola and background, thereby to optimize the dataset of edge detection. Random Hough transform (RHT) with strong anti-clutter interference was used to realize the precise positioning of the apex of the hyperbola. A Savizky-Golay filter was introduced to smooth the discrete sequence of GPR one-dimensional data (A-scan), thereby to improve the prediction accuracy of root diameter. A diameter estimation was addressed for the distribution of two positions of hyperbola vertex in A-scan data. A root embedding field test was conducted to evaluate the effectiveness of models, further to determine the influence of root diameter, buried depth, and orientation in three dimensions on the parameter prediction of root system. The total average relative error of root position and diameter was within 10.57% in all experiments. All embedded roots were accurately identified in the test of root diameter, where the average relative errors of diameter,- and-position were 16.04%, 2.22%, and 4.81%, respectively. The embedded roots at different depths were also accurately identified in the test of root buried depth. The apex of the hyperbola was still accurately located in the test, although there was a little interference from clutter. The vertical positioning was corrected through multiple sets of GPR two-dimensional data (B-scan), when the root was tilted along the vertical direction in the root orientation test. The recognition precision and recall rate reached 96.62% and 86.94%, respectively. The average detection time was 40ms for a single image. A better performance was achieved to identify the thick roots in the field test, compared with the threshold segmentation. In addition, two influencing factors were determined to improve the data accuracy, including the soil and root moisture content. Three influencing factors were determined for the predicted accuracy, including the training degree of network model, the image processing, and the RHT threshold. Finally, the improvement strategy was given in the future research. The experimental and analytical results demonstrated that the proposed method can automatically extract the ROI of root reflection hyperbola, further to locate accurately the hyperbola vertex, and finally to replace manual calibration and interpretation. The finding can make a great contribution to the practical exploration for the root location and diameter prediction in the non-destructive testing of tree roots.
ground penetrating radar; root location; YOLOv3; RHT; savizky-Golay filter
王澤鵬,張瀟巍,薛芳秀,等. 探地雷達(dá)樹木根系定位與直徑估算[J]. 農(nóng)業(yè)工程學(xué)報(bào),2021,37(8):160-168.doi:10.11975/j.issn.1002-6819.2021.08.018 http://www.tcsae.org
Wang Zepeng, Zhang Xiaowei, Xue Fangxiu, et al. Estimating the location and diameter of tree roots using ground penetrating radar[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(8): 160-168. (in Chinese with English abstract) doi:10.11975/j.issn.1002-6819.2021.08.018 http://www.tcsae.org
2020-11-05
2021-04-02
北京市自然科學(xué)基金項(xiàng)目(6202023);國(guó)家自然科學(xué)基金資助項(xiàng)目(32071679)
王澤鵬,主要研究方向?yàn)樘降乩走_(dá)根系無損檢測(cè)。Email:wangzepeng@bjfu.edu.cn
文劍,博士,副教授,主要研究方向?yàn)闃淠緹o損檢測(cè)。Email:wenjian@bjfu.edu.cn
10.11975/j.issn.1002-6819.2021.08.018
TP79
A
1002-6819(2021)-08-0160-09