作物出苗是进行田间管理决策的一个重要农艺因素，例如补苗，田间管理决策对时间极其敏感，需在早期做出决策。利用植物种群、林分计数和均匀度来评估作物出苗情况，常规方法是通过人工量化的，准确率低而且需要耗费大量的人力和时间。基于无人机(UAV)的成像系统能够快速探测农田，然而，数据处理太慢，无法及时做出决策。本研究旨在开发一种可以实现无人机图像近实时处理的新型图像处理方法。

棉花行检测图示

地面桩距图像中心的位置以及每个棉花行的位置计算图示

深度学习模型的卷积层和全连接层原理说明

利用无人机成像系统获取棉花幼苗的RGB影像，评估林分数目及冠层大小。对图像进行预处理，以校正失真，计算图像中的地面样本距离和地理参考棉花行数。利用预训练的深度学习模型resnet 18估计各图像帧内棉花幼苗的林分数和冠层大小。结果表明，该方法能较准确地进行林分计数，在试验数据集中R²=0.95。在试验数据集中，冠层大小的估计准确度R2=0.93。每帧图像的处理时间为2.22s(其中预处理时间为1.80s)，比传统的基于马赛克的图像处理方法效率高。

棉花株数和冠层大小的预测结果

(a)每米林分数量的柱状图;(b)在GRP中手动标记的输入图像的树冠大小

综上所述，本研究为棉花出苗评估开发了一个开源的自动图像处理框架，可进行有效的数据处理和分析。

来源：

Feng A, Zhou J, Vories E and Sudduth K A.. Evaluation of cotton emergence using UAV-based imagery and deep learning. Computers and Electronics in Agriculture. https://doi.org/10.1016/j.compag.2020.105711.