在精准农业（precision agriculture，PA）中，监测单个植物的健康状况对于优化产量和最小化资源至关重要。归一化植被指数（normalized difference vegetation index，NDVI）是一种广泛使用的健康指标，通常依赖于昂贵的多光谱相机。本研究介绍了一种使用RGB图像和深度学习预测蓝莓植物NDVI的方法，提供了一种经济高效的替代方案。为了识别单个植物灌木，应用了K-means和高斯混合模型（Gaussian Mixture Model，GMM）聚类。RGB图像被转换到HSL（色调、饱和度、亮度）颜色空间，色调通道使用百分位数进行约束，以排除极值，同时保留相关的植物色调。通过自适应像素间距离滤波与Davies–Bouldin指数（Davies–Bouldin Index，DBI）相结合，消除偏离紧凑聚类结构的像素，实现了进一步的细化。这提高了聚类精度，并实现了精确的NDVI计算。对卷积神经网络（CNN）进行训练和测试，以预测基于NDVI的健康指数。该模型在训练、验证和测试数据集的均方损失分别为0.0074、0.0044和0.0021，表现良好。测试数据集的平均绝对误差为0.0369，平均百分比误差为4.5851。这些结果表明，NDVI预测方法具有成本效益高、实时植物健康评估的潜力，特别是在农业植物学中。

图1  精准施肥原型农业系统。

图2  基于RGB图像的NDVI预测技术方法。

图图3 NDVI分析的数据收集过程和蓝莓样本图像：（a）现场数据收集过程；（b） 处理后的蓝莓图像。

图图4  蓝莓植物图像（500×500）和相应的RGB像素分布：（a）RGB分布如（d）所示的大型蓝莓植株；（b） （e）中RGB分布的中等蓝莓植株；（c） （f）中RGB分布的小蓝莓植株。

图图5  样本蓝莓植物图像的均值和GMM聚类。（a） 蓝莓植物样本。（b） K-means。（c） GMM。

图6  在HSL空间中基于色调的自适应滤波后，各种植物大小的K-means和GMM聚类的可视化：（a，d）显示了图4a中植物的K-mean和GMM集群；（b，e）描绘了图4b中植物的K均值和GMM聚类；（c，f）说明了中植物的K均值和GMM聚类。

图图7  使用基于DBI指数的自适应像素平均距离百分位数滤波，识别不同植物大小的植物集群（K-means）：（a-c）分别显示大、中、小植物大小的直方图分布，并突出显示自适应百分位数截止点；（d–f）显示阈值处理后的滤波植物簇；（g–i）说明了原始图像中提取的聚类的边界框。

图图8  用于NDVI回归的CNN模型架构（输入：350×350 RGB图像）。

图图9  HSL变换和自适应色调滤波对K-means和GMM聚类中DBI和CHI值的影响——处理前后。

图图10  植物丛识别中的逐步细化，展示了连续滤波阶段对K-means聚类质量的影响：（a）原始图像；（b） 通过HSL变换和自适应色调滤波得到的植物丛簇；（c） 通过自适应像素间平均距离滤波，对植物丛簇进行细化，去除非植物异常值；（d） 最终的植物集群，其边界框位于原始图像之上。

图图11  CNN模型训练和验证损失曲线。

来源
Zaman, A.G.M.; Roy, K.; Olt, J. Normalized Difference Vegetation Index Prediction for Blueberry Plant Health from RGB Images: A Clustering and Deep Learning Approach. AgriEngineering 2024, 6, 4831-4850. 

编辑

王春颖