基于无人机影像与目标检测技术的河岸入侵物种识别与制图研究——以凤仙花(Impatiens glandulifera)为例

这篇研究创新性地开发了半自动阈值工具(SATT)，通过无人机(UAV)斜拍影像结合计算机视觉框架，实现了河岸入侵物种凤仙花(Impatiens glandulifera)花朵的高精度检测(mAP 73%-86%)。该工具采用HSV色彩空间阈值分割、椭圆核搜索和轮廓提取算法，将检测结果转化为GIS矢量数据，为难以抵达的河岸带入侵物种管理提供了高效解决方案。其单文件可执行程序设计使非专业人员也能便捷操作，显著提升了入侵物种早期监测能力。

　　

河岸入侵物种监测的技术革新

ABSTRACT

英国河岸带作为生物多样性热点区域，正面临凤仙花(Impatiens glandulifera)等外来物种的入侵威胁。传统监测方法受限于可达性和树冠遮挡，而卫星遥感又难以捕捉小尺度入侵斑块。本研究开发的半自动阈值工具(SATT)通过无人机斜拍影像和计算机视觉技术，实现了对凤仙花特征性花朵的精准识别，验证集显示其精度达79%-96%，平均精度(mAP)为73%-86%。

1 Introduction

全球生物入侵已造成每年17亿英镑的经济损失。凤仙花通过形成单优群落排挤本土物种，其冬季茎秆倒塌还会改变水体理化性质。现有监测依赖人工调查和卫星遥感，前者存在采样偏差，后者受限于空间分辨率(>10m像素)。无人机(UAV)凭借<2m的飞行高度和45°斜拍角度，可穿透树冠层捕捉关键物候期特征。

2 Materials and Methods

2.1 影像采集

使用大疆Phantom 4 Pro无人机，沿北威尔士Elwy河岸(英国国家网格EPSG:27700)采集多光谱影像(450-840nm波段)。设置5m航距和2m飞行高度，手动触发拍摄获得312张斜拍影像。

2.3 计算机视觉流程

SATT基于Python开发，核心流程包括：

1. HSV色彩空间阈值分割(用户可通过GUI滑块调整)

2. 15像素高斯模糊降噪

3. 椭圆核搜索(适配凤仙花形态)

4. 开运算滤波去噪

5. 轮廓提取(cv.RETR_TREE模式)

   工具允许自定义核形状(如十字形核适用于野生萝卜)，并通过EXIF数据解析相机参数。

2.5 地理空间转换

利用影像EXIF中的GNSS数据(水平精度1.2cm)和花朵实测尺寸(43.2±0.7mm)，通过球面三角公式计算目标距离。其中焦距f=8.8mm，传感器高度8.8mm，地球半径r=6378.1km，最终生成带属性表的GeoJSON矢量文件。

3 Results

3.1 精度验证

三组影像集的检测性能：

• 精度(Precision): 79%-96%

• 召回率(Recall): 46%-69%

• F1分数: 53%-79%

  主要误差来源于：

  1. 簇生花朵被合并计数

  2. 强光下紫色茎秆误判

  3. 白色花朵未被阈值覆盖

3.2 空间可视化

通过热力图分析发现，SATT检测热点与地面实况分布高度吻合(图12)。反射在水面的花朵影像造成部分假阳性定位，但整体满足管理需求。

4 Discussion

相比卷积神经网络(CNN)，SATT的优势在于：

1. 无需大量训练数据

2. 可在树莓派等单板计算机运行

3. 实时调整参数的交互界面

   局限性包括对白色花朵的漏检，以及相似物种(如柳兰)可能造成的干扰。未来可通过多阈值并行处理和改进核形状来优化。

5 Conclusions

这项研究证实，基于目标检测的无人机斜拍技术能有效突破河岸监测的物理限制。SATT工具将专业算法封装为点击式软件，使土地管理者能自主开展入侵物种普查，为早期干预提供数据支撑。该方法可扩展至其他具有显著形态特征的入侵物种监测。