DFL-YOLO: A Density-Guided Network with Large Selective Kernels and Frequency Decoupling for Dense Multi-Class Tree Crown Detection

Bossen zijn uitgestrekte, levende bibliotheken die koolstof opslaan, het klimaat reguleren en talloze soorten een onderkomen bieden. Om ze te beschermen, moeten wetenschappers en bosbeheerders precies weten wat waar groeit, hoe groot de bomen zijn en hoeveel er zijn. Decennialang betekende dit dat mensen het bos in moesten met meetlinten en klemborden, een traag en duur proces dat slechts kleine stukjes land tegelijkertijd kon beslaan. Tegenwoordig komt de oplossing vaak van bovenaf. Drones uitgerust met camera's vliegen over het bladerdak en leggen duizenden afbeeldingen vast die de structuur van het bos in ongelooflijk detail onthullen. Het omzetten van deze beelden in nauwkeurige gegevens is echter verrassend moeilijk. Wanneer een drone naar beneden kijkt, staan de bomen vaak dicht op elkaar gepakt, hun kronen overlappend als puzzelstukjes, en variëren ze enorm in grootte. Sommige zijn kleine zaailingen, terwijl andere enorme reuzen zijn, allemaal gemengd met schaduwen en ondergroei die de computerprogramma's die hen proberen te tellen, in verwarring brengen.

Een team onderzoekers aan de Sichuan Agricultural University heeft een nieuwe manier ontwikkeld om dit visuele puzzelstukje op te lossen. Ze creëerden een gespecialiseerd computersysteem dat ontworpen is om dronebeelden van bossen te analyseren en individuele boomkronen met veel grotere nauwkeurigheid te identificeren dan eerdere methoden. Het systeem, dat ze DFL-YOLO noemen, werkt door het probleem op te splitsen in drie afzonderlijke stappen, net zoals een menselijke expert een complexe scène zou benaderen. Eerst bouwt het een breed begrip van de omgeving op, waarbij het leert zowel kleine, geïsoleerde bomen als grote, aaneengesloten bladerdekken te herkennen. Ten tweede richt het zich op de drukke gebieden waar bomen overlappen, door gebruik te maken van een techniek om de scherpe randen van de bomen te scheiden van de wazige achtergrondruis. Ten slotte verfijnt het de exacte locatie van elke boom, waardoor de computer een kader rond de kroon tekent dat perfect past, zelfs wanneer de boom gedeeltelijk verborgen is of tussen zijn buren wordt geperst.

De onderzoekers testten hun nieuwe systeem op een enorme collectie afbeeldingen gemaakt in echte bossen in de Verenigde Staten, waarbij ze gegevens combineerden van nationale ecologische observatoria met andere bronnen. De dataset bevatte meer dan 160.000 gelabelde bomen, variërend van kleine zaailingen tot grote, volwassen exemplaren, die vaak zo dicht op elkaar gepakt stonden dat hun takken elkaar raakten. Toen ze hun nieuwe systeem draaiden tegen de beste bestaande hulpmiddelen, waren de resultaten duidelijk. De nieuwe methode identificeerde en lokaliseerde bomen aanzienlijk beter dan de vorige standaard. Het behaalde een succespercentage van 82,2% in het vinden van de bomen en het correct omlijnen van hen, een opmerkelijke sprong ten opzichte van de 79,6% die door het basisysteem werd behaald. Belangrijker nog, toen de onderzoekers een striktere precisie eisten – waarbij de computer de omtrek van de boom bijna perfect moest matchen – presteerde het nieuwe systeem nog steeds beter dan de concurrentie, met een verbetering van de nauwkeurigheid van meer dan vier procentpunten.

Om te begrijpen waarom dit nieuwe systeem zo goed werkt, moet men kijken naar hoe het de afbeelding verwerkt. De onderzoekers realiseerden zich dat standaard computer vision-tools vaak moeite hebben omdat ze alle delen van een afbeelding op dezelfde manier behandelen, ongeacht hoe druk of ijl het gebied is. Hun oplossing bestond uit drie specifieke upgrades. De eerste upgrade helpt de computer om tegelijkertijd het "grote plaatje" en de "kleine details" te zien. Door een gespecialiseerd filter te gebruiken dat tegelijkertijd naar een groot gebied van de afbeelding kijkt, kan het systeem de context van een boom begrijpen, of deze nu alleen in een open plek staat of diep verscholen zit in een dicht cluster. Dit stelt het systeem in staat om een kleine boom te herkennen die anders gemist zou worden omdat hij wordt omringd door grotere bomen.

De tweede, en misschien wel meest slimme upgrade, pakt het probleem van overlappende bomen aan. In een dicht bos versmelten de schaduwen en bladeren van de ene boom vaak met die van de volgende, waardoor het moeilijk is te zien waar de ene eindigt en de andere begint. De onderzoekers leerden hun systeem om een "densiteitskaart" te voorspellen, een soort hittekaart die laat zien waar de bomen het drukst zijn. Met behulp van deze kaart leert het systeem de randen van de bomen in drukke gebieden aan te scherpen, terwijl de achtergrondruis wordt afgevlakt. Het vertelt de computer effectief om extra aandacht te besteden aan de grenzen waar bomen elkaar raken, terwijl de verwarrende texturen van de bosbodem of schaduwen die een simpeler programma zouden misleiden, worden genegeerd. Dit proces van het scheiden van de scherpe randen van de zachte achtergrond stelt het systeem in staat om onderscheid te maken tussen twee bomen die elkaar bijna raken, een taak die voorheen veel fouten veroorzaakte.

De laatste upgrade richt zich op de precisie van de kaders die rond elke boom worden getekend. Zelfs als een computer een boom vindt, kan hij een kader tekenen dat iets te groot of te klein is, of naar links of rechts verschoven is. De onderzoekers introduceerden een nieuwe manier om te meten hoe goed het kader van de computer overeenkomt met de werkelijke boom. In plaats van alleen te controlen of de kaders overlappen, kijkt hun methode naar de afstand tussen de hoeken van de kaders en de hoeken van de werkelijke boom. Het houdt ook rekening met hoe moeilijk een specifieke boom te vinden is, waarbij meer gewicht wordt toegekend aan de lastige exemplaren die moeilijk te spotten zijn en minder aan de gemakkelijke. Dit zorgt ervoor dat het systeem leert van zijn fouten bij de moeilijkste gevallen, wat leidt tot een betrouwbaardere prestatie over het gehele bos.

Het team stopte niet met het testen van hun systeem op de bosafbeeldingen die ze hadden verzameld. Om te bewijzen dat hun methode werkelijk robuust was en niet alleen geluk had met een specifieke dataset, trainden ze het systeem opnieuw op een volledig andere set afbeeldingen die in een andere context waren genomen: de VisDrone2019-dataset, die afbeeldingen bevat van diverse objecten vanuit de lucht. Zelfs zonder specifiek op bomen te zijn afgestemd, paste het systeem zich snel aan en presteerde het beter dan andere vooraanstaande modellen op deze nieuwe data. Het behaalde een succespercentage van 54,5% in het identificeren en correct omlijnen van objecten, waarmee het opnieuw de concurrentie versloeg. Dit suggereert dat de technieken die zij hebben ontwikkeld niet slechts een eenmalige oplossing zijn voor een specifiek probleem, maar een algemene verbetering in hoe computers drukke scènes van bovenaf kunnen begrijpen.

De onderzoekers erkennen dat er nog werk te doen is. Hoewel hun systeem een belangrijke stap voorwaarts is, is het niet perfect. In de dichtst begroeide delen van het bos, waar bomen zwaar in de schaduw staan of volledig worden verborgen door hun buren, heeft het systeem nog steeds moeite om elke boom te vinden. De rekenkracht die nodig is om deze geavanceerde filters te draaien is ook hoger dan die van simpelere modellen, wat het gebruik in het veld op kleine, op batterijen werkende drones moeilijk kan maken. Desalniettemin biedt de studie een duidelijke weg vooruit. Door aan te tonen dat het opdelen van het probleem in contextopbouw, densiteitsanalyse en precieze lokalisatie werkt, hebben zij de wetenschappelijke gemeenschap een nieuw blauwdruk gegeven voor het monitoren van onze bossen. Naarmate deze instrumenten verbeteren, zullen ze wetenschappers in staat stellen om de gezondheid van bossen te volgen, koolstofopslag te meten en ziekte-uitbraken te detecteren met een snelheid en schaal die voorheen onmogelijk was, waardoor het chaotische groene bladerdak wordt omgezet in heldere, actiegerichte gegevens.