劉世川，王慶，唐晴，劉浪，何輝羽，蘆佳飛，戴秀清

(長江大學地球科學學院，武漢 430100)

森林病蟲害是森林健康和林業(yè)生產的宿敵。松材線蟲是對松樹危害較大的外來入侵物種之一，感染松樹后會造成松樹針葉黃褐色或紅褐色，在6個月內即可導致病樹整株干枯死亡，且繁殖速度快、傳播途徑廣、傳播范圍廣、難以防治，是使松林大片被毀的重要害蟲。因此,及時發(fā)現松材線蟲病樹至關重要，可以利用遙感技術實現高效率監(jiān)測松材樹木的健康情況。

已有許多學者對遙感技術在松材線蟲病樹識別上進行了研究。N?si等[1]基于個體樹分析和經過校準的高光譜遙感圖像識別出被樹皮甲蟲侵擾的樹木。通過單個樹級別的高光譜UAV成像的機器視覺技術可以識別樹木的不同階段。Hilker等[2]通過多角度觀察高光譜分辨率的遙感圖像檢測樹葉狀況通過提取與冠層反射有關的擾動變化，進而在時間和頻譜上密集的數據中檢測到葉綠素含量的變改。

近年來，深度學習逐漸成為人工智能領域的研究熱點和主流發(fā)展方向，利用多個處理層組成的計算模型，學習具有多個抽象層次數據表示的機器學習技術，促進了松材線蟲病樹遙感影像識別的發(fā)展。卷積神經網絡作為最熱門的深度學習模型算法，其不需要人為設計目標特征，不僅提高了模型的訓練和測試速度，且會根據海量數據和標注自行進行有效特征提取和學習，在訓練數據充足的情況下，模型具有良好的泛化能力，能夠在復雜多變的條件下依然保持良好的穩(wěn)健性。Guirado等[3]使用卷積神經網絡識別Google Earth中影像的植被覆蓋區(qū)域，識別范圍雖然廣，但識別精度粗糙，影像拍攝時間也不一定利于識別，故遙感影像數據源需要更加可控靈活，例如無人機遙感技術。孫鈺等[4]基于Faster R-CNN神經網絡模型設計了監(jiān)測油松紅脂大小蠹的病害樹木，并結合了無人機技術，實現了高效的無人機實時監(jiān)測，但對于光譜信息沒有初步篩選，會對神經網絡模型識別效率產生影響，在識別中加入特征篩選步驟后將提高識別效率。針對松材線蟲病樹，Deng等[5]結合了無人機技術，并對VGG16網絡模型進行優(yōu)化，最終達到較高的準確度，但網絡模型的結構還有優(yōu)化的空間，可將網絡模型識別的注意力集中，再增加識別準確度。Iordache等[6]利用航拍的高光譜影像和多光譜影像相結合，由于其具有一般影像更多的光譜信息，結合隨機樹機器學習方法得到了較高的識別準確度，但由于單株樣本數據量較大，隨機樹模型的處理速度也會受到影響，松材線蟲病樹光譜特征較為明顯，可選用高分辨率影像替換高光譜影像進行識別。

因此，本研究采用較為成熟的卷積神經網絡模型VGG(visual geometry group network)的簡化模型VGG-S(simplification，即針對松材線蟲病樹進行簡化)作為深度學習模型，以高分辨率遙感影像為提取對象，對松材線蟲病樹的植被指數、顏色模型、空間分布特征進行多特征分析，以速度快、針對性強的方法篩選疑似病樹；并結合注意力機制神經網絡VGG-A(attention module，即結合注意力機制)的深度學習，從疑似病樹樣本中自動識別病樹，在保證高效率的同時提高識別精度。

1 技術路線與關鍵技術

1.1 技術路線

通過人工篩選高分辨率航空樣本影像(含紅色、綠色、藍色和近紅外波段)，取樣得到病樹、健康樹、房屋、裸土地和柏油路的樣本像元區(qū)域。計算樣本像元區(qū)域的光譜特征，利用Relief特征選擇算法，得到二分類病樹和非病樹的最佳特征。將最佳特征的病樹像元樣本集進行統(tǒng)計分析，取得合適閾值構建病樹的光譜特征模型，用以在目標影像上篩選出病樹像元。再運用空間聚類算法對像元進行聚類分析，并剔除周圍一定范圍內不附著健康樹像元的病樹像元，得到疑似病樹像元集。再將疑似病樹像元集和位置相同的原始影像進行人工判讀，將被判讀為病樹的原始影像裁剪成為病樹樣本集，反之裁剪健康樹樣本集。把這兩個樣本集分別作為VGG-S訓練樣本，將VGG-S與注意力機制相結合(VGG-A)，從而得到松材線蟲病樹影像識別準確率較高的識別模型。最后把識別模型放入完整的松材線蟲影像中進而得到一個完整病樹的分布范圍，如圖1所示。

圖1 技術路線Fig. 1 Technical route

1.2 關鍵技術

由于松材線蟲的侵染能明顯引起寄主植株葉綠素、類胡蘿卜素發(fā)生改變，導致植物光譜特征發(fā)生變化。健康松樹的反射光譜在綠光區(qū)(510～570 nm)有一個較低的反射峰值；紅光區(qū)(640～680 nm)有一個較低的吸收谷值；感染松材線蟲后松樹綠光區(qū)的反射峰會逐漸減弱，紅光區(qū)的吸收谷卻會逐漸增強。高分辨率影像上的病樹像元會表現出聚集性的空間特性，由此可篩去部分噪點，并且滿足周圍一定范圍內有健康樹木的空間分布特性，獲取疑似病樹像元集，利用卷積神經網絡對疑似病樹像元集進行進一步的識別，從而得到一個識別率高的松材線蟲病樹的范圍分布圖。

1.2.1 植被指數

植被指數是利用綠色植被在不同波段的反射和吸收特性，對傳感器不同波段進行組合運算，增強植被的信息。它本質上是綜合考慮各有關光譜信號，把多波段反射率做一定的數學變換，使其在增強植被信息的同時，使非植被信息最小化。目前較為常見的歸一化植被指數NDVI(normalized vegetation index,INDV)、比值植被指數RVI(ratio vegetation index,IRV)、差值植被指數DVI(difference vegetation index,IDV)、增強型植被指數 EVI(enhanced vegetation index,IEV)、歸一化綠紅差異指數NGRDI(normalized green-red difference index,INGRD)、仿照NGRDI構造的歸一化綠藍差異指數NGBDI(normalized green-blue difference index,INGBD)及紅綠比值指數 RGRI(red-green ratio index,IRGR)[7]，計算公式如表1所示。

表1 植被指數計算公式Table 1 The vegetation index calculation formula

1.2.2 顏色空間模型

在可見光范圍，松材線蟲病樹死亡前的顏色變化主要包括：先是褪色發(fā)黃，此現象可以出現在單枝或少量枝條上，也可出現在整株，針葉進而枯萎變成紅褐色?，F在絕大部分的彩色圖像是基于RGB顏色三基色的模型，但RGB空間中3個分量之間存在很強的相關性，因而不適合直接用于基于3個分量獨立運算的圖像分割。利用各種變換，可以由RGB空間推導出其他顏色空間(表2)。

表2 顏色空間模型Table 2 Color space model

1.2.3 Relief特征選擇算法

Relief算法是一種高效的過濾式特征選擇方法，由Kira等[8]提出用于二分類問題的特征選擇算法，根據各個特征和類別的相關性賦予特征不同的權重，權重小于某個閾值的特征將被移除。Relief算法中特征和類別的相關性是基于特征對近距離樣本的區(qū)分能力。計算公式如下：

式中：樣本集為S，特征集為A，設抽樣次數為n，xi為樣本集S中的單個樣本；aj為特征集A中的單個特征;Nh為與xi同類別的最近鄰；Nm為與xi非同類別的最近鄰。若xi與Nh在特征aj上的距離小于xi與Nm的距離，則說明aj對區(qū)分同類與異類樣本是有利的，反之則不利，Wj為aj的權重，Wj的值越大則說明該屬性的分類能力越強[9]。

利用Relief特征選擇算法得到單個樣本對每個特征的評價值，將所有樣本對同一個特征的評價值進行平均就得到了該屬性的相關統(tǒng)計分量，分量值越大，分類能力就越強，從而選出最優(yōu)特征用以分類病樹像元和非病樹像元。

1.2.4 多尺度卷積神經網絡病樹識別

卷積神經網絡是一種包含卷積計算并且具有深度結構的前饋神經網絡，是深度學習算法的其中之一。多尺度輸入是指輸入任意大小的影像以及將卷積神經網絡所有中間層的特征融合到最后提取結果中。多尺度輸入卷積神經網絡包括輸入層、隱含層和輸出層。

輸入層：輸入一般為整張影像或影像中的一部分區(qū)域。

隱含層：對輸入層的數據進行特征提取、特征選擇以及信息過濾，包括卷積層、池化層、全連接層。

輸出層：采用邏輯函數或歸一化函數輸出分類標簽。

本研究以VGG為參考模型建立一個專門識別松材線蟲病樹的神經網絡模型——VGG-S[10-11]，該模型擁有4個卷積層和1個全連接層。其中的卷積層中第1層使用1個3×3的卷積核，第2層使用2個3×3的卷積核，第3層使用3個3×3的卷積核，提高學習精度。該模型經過上層采樣后傳遞給全連層進行特征分類，最后再由Softmax輸出分類結果。

注意力機制是由Yann等[12]首先應用于神經機器翻譯，主要內容是選擇關注所有信息的一部分并忽略其他可見的信息。在卷積神經網絡中，CBAM(convolutional block attention module)是一種結合了空間和通道的注意力機制模塊(圖2)。

圖2 CBAM模型Fig. 2 CBAM model

圖3 通道注意力Fig. 3 Channel attention

通道注意力模塊：關注的是這張圖上哪些內容是有重要作用的。通過輸入的特征圖在空間維度進行壓縮，得到一個一維矢量后再進行操作。在空間維度上進行壓縮時，不僅考慮到了平均值池化還考慮了最大值池化。平均值池化對特征圖上的每一個像素點都有反饋，而最大值池化在進行梯度反向傳播計算時，只有特征圖中響應最大的地方有梯度的反饋(圖3)。

Mc(F)=σ{MLP[AvgPool(F)]+

MLP[MaxPool(F)]}Mc(F)

空間注意力模塊：關注“哪里”是最具信息量的部分,對通道進行壓縮，在通道維度分別進行了平均值池化和最大值池化。MaxPool的操作就是在通道上提取最大值，提取的次數為高乘以寬；AvgPool的操作就是在通道上提取平均值，提取的次數也是高乘以寬；接著將前面所提取的特征圖(通道數都為1)合并得到一個2通道的特征圖[13](圖4)。

圖4 空間注意力Fig. 4 Spatial attention

MS(F)=σ(f7×7([AvgPool(F);MaxPool(F)]))

將CBAM添加到VGG-S的relu激活函數之后、最大池化層之前[14-15]，得到VGG-A模型(圖5)。

圖5 VGG-A結合模型Fig. 5 VGG-A combination model

2 實驗與分析

2.1 人工取樣

研究區(qū)位于湖北省松滋市北部，該地是松材線蟲病暴發(fā)的重點監(jiān)測區(qū)。松材線蟲病樹的遙感監(jiān)測的窗口期包括春秋兩季，春季宜在4月下旬至5月初進行，此時健康植被處于茂盛階段，易于和病樹區(qū)分；秋季宜在9月下旬至10月上旬進行，此時是發(fā)病的高峰期[16]，且10月中下旬后，楓香、山胡椒等許多落葉闊葉樹也開始變色，對病樹的監(jiān)測帶來極大干擾[17]，通常春季監(jiān)測用于上年度病樹除治效果的評估，而秋季監(jiān)測用于當年除治計劃的制定[18]。本研究數據采集時間為2019年10月初，由無人直升機搭載徠卡ADS100航空攝影系統(tǒng)進行采集，拍攝地點30°1′33″～30°1′46″N、111°43′9″～111°44′24″E和30°38′6″～30°38′23″N、111°33′48″～111°34′16″E附近，獲取包含紅、綠、藍、近紅外4個波段，空間分辨率0.1 m的高分辨率遙感影像數據。

該區(qū)域地物類別主要為房屋、道路、草地、空地和健康樹木和病樹。由于高分辨率遙感影像中地物顏色更明顯、輪廓更清晰，故將房屋細分為藍頂房屋和灰頂房屋，道路分為柏油路面和水泥路面。采用人工取樣的形式，得到病樹、健康樹、藍頂房屋、灰頂房屋、裸土、柏油路和小路的像元區(qū)域(圖6)，并統(tǒng)計出像元樣本數量(表3)。

圖6 人工取樣示意圖Fig. 6 Manual sampling schematic

在表3的地物分類中，之所以將非病樹分開標注，是為了研究病樹與各類地物的特征差異，有利于本研究能應用于不同的場景，比如DVI指標很難區(qū)分病樹和草地，但如果有松林圖斑數據，可以將草地篩選掉，那么DVI就能更好地識別病樹；而在深度學習訓練階段，因為深度學習強大的學習能力，無須進一步區(qū)分能適應不同情況，因此將非病樹樣本合在一起和病樹構成兩類進行訓練。

表3 各地物像元樣本總數Table 3 Total number of samples of objects in various places

2.2 Relief算法結果和特征選取

特征：將各植被指數和各顏色模型所包含的各分量作為單獨特征種類，總計20種特征。

數量：由于樣本數量參差不齊，以及考慮到運算耗時，各類地物選取300份樣本，總計2 100份樣本。

Relief特征選擇算法得出各特征所對應的權重(表4)。

表4 各特征權重Table 4 Weights for each feature

圖7 各參數箱線圖Fig. 7 Box line chart situ

取權重大于0.1的8個特征進行特征選擇數量2～8的討論，對拍攝于30°1′44.54″～30°1′55.88″N、111°43′13.58″～111°43′28.80″E，圖幅大小為3 495×4 079，人工識別177個病樹的圖片利用不同數量的特征進行病樹識別，識別結果見表5。

當選擇權重前3的DVI、I2、I3作為病樹模型參數時，漏選率較低且錯選率也同時較低，保證錯誤數盡量低的同時正確數也是最高。DVI、I2、I3各參數的箱線圖見圖7。

表5 各數量特征識別結果Table 5 Recognition results of various quantitative features

2.3 VGG-S模型訓練過程

本實驗中，所用訓練樣本的計算機配置為lntel(R) Core(TM)i7-7700HQ CPU @2.80Hz 2.81 GHz 處理器，8 GB內存和Windows版本的Pycharm平臺。CNN模型包含4次卷積和池化，1個全連接層，全連接層后采用Softmax進行分類。

本研究中VGG-A算法的訓練和驗證都是基于Keras神經網絡庫，訓練階段利用自制尺寸為80×80的影像數據集對VGG-A進行訓練操作，然后基于多次實驗參數設置比較以及鑒于本實驗計算機配置，整個算法BatchSize設為256，設初始學習率設置為0.001，epochs設置為50。最終訓練精度達到96.68%，驗證集平均精度在90.15%。

2.4 病樹篩選結果

對拍攝地點30°1′N、111°43′E附近的3幅高分辨率遙感影像篩選病樹，在中央處理器為i7-7700HQ、圖形處理器為GTX1050Ti、ROM為8 GB的計算機上分別進行多特征識別、VGG-S識別以及VGG-A識別，將結果與人工目判結果進行對比(圖8)，得到統(tǒng)計結果(表6)，其中多特征方法的平均檢準率為78.23%，平均檢全率為95.05%；VGG-S方法的平均檢準率為82.61%，平均檢全率為94.06%；VGG-A方法的平均檢準率為85.45%，平均檢全率為93.07%；VGG-S與VGG-A兩個模型的訓練和預測耗時如表7所示。

圖8 識別結果對比Fig. 8 Comparison of recognition results

表6 多特征、VGG-S和VGG-A檢測數據統(tǒng)計Table 6 Multi-feature, VGG-S and VGG-A test data statistics

表7 VGG-S和VGG-A模型訓練和預測耗時Table 7 VGG-S and VGG-A model training and prediction time-consuming

3 結 論

利用多特征提取高分辨率遙感影像中的松材線蟲病樹，平均檢測準確率為78.23%、平均檢全率為95.05%，由于后續(xù)識別模型都是在多特征識別的基礎上，平均檢全率無法提高；結合使用VGG-S神經網絡模型的深度學習后，平均檢測準確率提高至82.61%；再將CBAM加入VGG-S模型后得到VGG-A模型，進一步將平均檢測準確率提高至85.45%，但平均檢全率下降至93.07%。

由于高分辨率遙感影像獲取方式的靈活性，雖然實驗數據在不同拍攝條件下得到的光譜特征不同從而可能導致結果的改變，例如在實驗過程中，影像1和影像3的光照強度不足，導致部分林木在影像上無法被識別，從而導致漏檢率較高；但是可以通過無人機航拍等方式進行快速獲取遙感影像數據，從所獲得的影像數據中篩選出質量更高的影像進行識別。

針對3種不同的識別方法，要實現大面積、及時地監(jiān)測松材樹木的健康狀況，采用基于多特征提取和注意力機制神經網絡的高分辨率遙感影像識別技術在傳統(tǒng)多特征提取的基礎上實現了高準確率、高精度監(jiān)測，更有利于保護松材樹木的森林資源。