利用低空无人机影像进行树种实例分割

在本项先导研究中，我们开发了一个基于低空无人机影像的本地树种机器学习实例分割模型，用于生态调查。该实例分割包括单株树冠的描绘和树种的分类。我们利用无人机影像对20个树种及其对应的学名进行了训练，并收集了这些树种的学名用于机器学习。为了评估该机器学习模型的准确性，我们将半监督分割图像与已部署的机器学习模型进行交叉比对。

介绍

树种分割主要通过两种方式实现：光谱反射模式分析和机器学习建模 (ML)。光谱特征分析是高光谱成像的常用方法，通过叶片色素反射率进行提取和分割。机器学习和建模方法则通过学习大规模数据集捕获的模式。一般而言，光谱特征分析对传感器的要求更高，因此高光谱相机的成本比机器学习方法更高。

无人机行业的快速发展促使林业遥感以超高光谱分辨率（约 5 毫米至 10 毫米地面采样距离，GSD 可能随着地形和飞行高度而变化）收集和捕获数据。用于树种识别和分割的机器学习可以成为比光谱反射模式分析更低成本的方法。同时，Meta 推出了一种全新的图像分割方法，使用预先训练的 CNN（卷积神经网络）进行图像分割，称为 Segment-Anything 模型。然后，机器学习的数据准备现在变得更加容易和快速，以便进行深度学习定制。因此，在林业遥感中，用于树种分类和​​分割的机器学习已经成为一个更加以数据为中心的任务，而不是基于实地工作的任务。

我们结合低空无人机影像与机器学习，开发出一种利用深度学习模型即时分割影像的新方法。该模型涵盖香港20个树种，包括本地及外来树种，例如台湾相思、银合欢、木麻黄和细叶榕。

机器学习模型用于加强香港乡村及路边的生态调查。将机器学习应用于光学遥感领域，可以量化和评估更多自然特征，丰富我们对路边及乡村生态概况的了解。

术语

实例分割

IBM 表示，实例分割是一项深度学习计算机视觉任务，可以预测图像中每个单独对象实例（目标类）的精确像素边界。实例分割是图像分割领域的一个子集，它比传统的对象检测算法提供更详细的输出。它结合了对象检测和分割的过程。

机器学习