单位面积上的幼苗种植密度是评估产量的重要参数。准确识别田间幼苗有助于及时掌握玉米生长时空分布，定位幼苗缺失位置，辅助预测作物产量。近年来，无人机(UAVs)遥感为估算植株数量提供了一种准确而有效的途径，但仍缺乏一种快速而稳健的方法来估算等间距种植和重叠植株的数量。此外，现有研究大多只关注单一作物类型的植物计数，缺乏对不同类型植物计数研究。因此，本研究开发了一种利用高分辨率无人机图像快速无损估算植株数量的方法。

　　研究在等距离种植作物田间环境快速准确的识别统计植株数量。基于高分辨率的无人机图像构建了Hough变换和峰值检测的幼苗计数方法。为了检验方法的鲁棒性，设计如下试验：(1) 评估该方法在等距种植的田间作物(玉米和向日葵)的计数性能，(2) 评估该方法在不同研究地点和不同生长阶段的准确性，以及(3) 探索该方法在不同模拟图像分辨率下的稳健性。

　　在本研究中，提出了基于RGB图像的峰值检测方法来估算植株数量。收集了田间玉米和向日葵图像，因为这两种作物具有不同的形态特征(叶子形状和大小)和光谱特征。通过阈值方法将RGB图像转化为二值图像，即对幼苗冠层进行分割。然后利用图像处理技术对植物进行检测和计数。具体处理流程如图1所示。

　　图1 本研究的技术流程图

　　通过比较过绿植被指数(EGI，Excess Green Index, 2G-R-B/G)与经验阈值的大小，分离植被与非植被像素。利用形态学图像处理算法构造结构元素去除图像中的噪声，得到植被冠层的二值图像(图2)。

　　图2 玉米以及向日葵图像的二值化结果。(a)玉米RGB图像。(b)玉米二值图像。(c)向日葵RGB图像。(d)向日葵二值图像。

　　应用霍夫变换算法识别作物行角度，旋转图像使作物行朝向竖直方向。统计旋转后图像中每列像素上的像素个数，绘制统计曲线(图3)。利用峰值检测算法检测统计曲线中峰值所在即代表作物行中心线所在位置，从而提取出作物行图像。

　　图3 在Hough变换后的二值图像中检测到峰值(红色圆圈)所在像素列表明作物行中心线的位置。

　　在作物行图像的基础上，再次应用峰值检测算法检测作物幼苗(图4)。

　　图4 识别到的幼苗示例。(a) 玉米行二值图像。(b)玉米行图像的像素统计图。(c)向日葵行二值图像。(d) )向日葵行图像的像素统计图。注：(b)和(d)中的圆圈代表峰值检测算法检测到的植株。

　　本研究提出的幼苗计数方法准确地估算了玉米(RMSE= 2.88株/小区，RRMSE=4.44%)和向日葵(RMSE=3.13株/小区，RRMSE= 4.29%)的株数(图5)。该方法可以有效地对不同地区具有不同叶片数的玉米数量进行准确估算(表1)。计数精度随图像空间分辨率粗糙而降低(表2)。此外，与传统的图像分割方法(分水岭方法)相比，峰值检测方法表现出更好的处理重叠问题的能力(图6)。这些结果表明，本研究所提出的峰值检测算法使用低成本的无人机RGB图像可以准确可靠的估算等间距种植的田间作物(玉米和向日葵)苗期株数，这对于农田管理决策具有重要意义。

　　图5目视判读的植株数量与使用本研究所提出的峰值检测方法估算的玉米(a)和向日葵(b)的植株数量之间的比较。

　　表 1峰值检测方法分别在新乡和公主岭两个区域的玉米图像的不同子集下的植株计数表现

　　表 2所提方法在不同图像分辨率下计数玉米和向日葵幼苗的性能(相对于目视判读)

　　图6 分水岭方法和峰值检测方法在两种不同叶片重叠度下的幼苗计数结果。注:图(a)和(c)是使用分水岭方法的玉米幼苗计数结果。(b)和(d)是对应于(a)和(c)的所提出的峰值检测方法的玉米幼苗

　　作者介绍：论文第一作者为中国农业科学院作物科学研究所硕士研究生白怡，论文通讯作者为金秀良研究员。该研究得到国家重点研发计划项目(2021YFD1201602)、国家自然科学基金项目(42071426)、中国农业科学院创新工程项目(Y2020YJ07, S2018QY01)等项目资助。

　　中国农业科学院作物科学研究所作物表型创新研究组研究方向为定量遥感在农业监测中的应用、光学传感器的应用和开发、作物表型平台的研究与应用、作物模型和多源遥感的数据同化、多源图像数据的处理、表型组与基因组关联分析与关键功能基因挖掘。

　　来源：Bai, Y., Nie, C., Wang, H. et al. A fast and robust method for plant count in sunflower and maize at different seedling stages using high-resolution UAV RGB imagery. Precision Agric (2022). https://doi.org/10.1007/s11119-022-09907-1