森林經營者為求合理的經營決策，須掌握關於森林資源的適當資訊，作為後續疏伐撫育與整體經營規劃等處理之依據。近年來，無人機的技術蓬勃發展，因其能拍攝高解析度影像，而逐漸成為評估森林狀況和變化的重要工具。
然而，森林面積大且複雜性高，無人機解決了資料蒐集的問題，但普遍仍是靠人工在辨識及分析影像，所花費的時間與成本太過高昂。
所幸，隨著機器學習的應用越來越廣泛，也開始有人將其應用在林業中，因為它能夠以如同專家等級的辨識技術，以自動化的方法去分類、分析影像，進而減少大量調查的工作時間。
什麼是人工智慧
人工智慧 (Artificial Intelligence，或常稱之為 AI)，主要是在研究如何運用電腦的高速運算功能，來處理一些本來必須由人類才能執行的工作；簡單來說，就是藉由電腦來執行人類智慧的過程，讓機器在經過程式設計之後，能表現出與人類相似的智慧來運作。
什麼是機器學習
機器學習 (Machine Learning，又稱為 ML) 則是透過演算法將收集到的資料進行分類並訓練出預測模型，當未來得到新的資料時，便可以透過訓練出的模型進行預測，如果這些效能評估可以透過過往的資料來提升的話，就叫機器學習。
當林業檢測遇見無人機技術
最傳統的林業檢測方式為人工實地測量，需要派人到現場以肉眼或儀器進行觀測與蒐集數據，不但耗時、耗力，且礙於視野關係，只能獲取小面積資料，難以獲取更大面積尺度的訊息。因此，演變成應用衛星影像或是以飛行器搭載攝影器材進行測量，卻容易受限於飛行高度而受到雲層遮擋。
最終，無人機成本較低、輕巧靈敏且能在雲下低空飛行的能力受到青睞，彌補了遙測影像和普通航空攝影的不足，更能降低三維資料如點雲等的獲取成本，成為主流。
無人機結合機器學習
無人機可以掛載一般可見光鏡頭或是光達 (LiDAR) 去拍攝，光達是近年來發展迅速的主動遙感技術，非常適合應用於森林的紋理特性和樹冠層結構的估算，然而，光達蒐集數據的成本過高，較難在林業調查廣泛應用，為了效益最大化，將無人機影像結合機器學習是最好的方法。
機器學習是一種行之有效的檢測和識別 RGB 圖像中物體的方法，但它近期才被廣泛應用於植物檢測，雖然過去已經提出諸多單獨的樹木分割等演算法，但這些演算法的開發和測試通常侷限在特定樣站，卻很少有方法是能夠針對來自多種森林類型的數據進行評估。因此我們採用 DeepForest 演算法，構建了一個基於神經網絡的管道，用於識別 RGB 圖像中的每顆樹木。
為何採用 DeepForest 演算法
DeepForest 使用深度學習對象檢測網絡來預測對應於 RGB 圖像中每棵樹木的邊界框。DeepForest 建立在torchvision 封包中的 RetinaNet 模型之上，旨在簡化樹木檢測的訓練模型。
鑑於全球範圍內樹木外觀之多樣性，為樹冠定義單一模型具有挑戰性。為了解決這個問題，DeepForest提供一種明確的訓練方法，允許使用者決定需要什麼級別的準確度，然後對資料進行註釋並重新訓練模型以具備足夠準確度之預測。
我們的成果
透過Python和機器學習，從無人機正射影像中進行樹木計數的應用範例，本次範圍為2022年6月21日於南投縣草屯鎮拍攝，林相為雜木林，包含荔枝樹、龍眼樹及各種果樹等，並將其辨識到的樹木量以程式呈現。
分析應用價值，提供更高品質的服務
綜合以上所述，窺探出在這波人工智慧的浪潮下，為 UAV 影像分析所帶來的效益是相當巨大，當然除了林業調查之外，更可以應用在許多需要大範圍的資訊，例如目前最夯碳權及碳排放量，要用幾棵樹來抵？單木材積及固碳量計算等，毫無疑問都需要具體量化的林木數量，透過 Python 和機器學習的應用，即可解決當前棘手的數樹問題，進而大幅改善生物多樣性和林業調查的速度、規模和成本。
影像處理、數據轉換，DataXquad 一站滿足所有需求！
DataXquad 是一個按量計費的線上影像數據轉換平台，零學習成本，所有程序都能滿足。我們為您簡化了影像數據轉換中最複雜的部份，讓更多數據能夠被應用，讓更多產業能夠從數據中受惠！
參考資料：