咖啡是全球三大主要饮料之一，具有重要的经济价值。咖啡花的早期监测在开花调节，灌溉，产量预测和其他作物管理任务中至关重要。因此，准确识别咖啡花是更好地管理这些任务的关键。然而，常用的遥感平台由于其较低的时空分辨率并不能实现对咖啡花这一类小目标作物的精准监测。

2020年10月，Plant Phenomics刊发了浙江大学遥感与信息技术应用研究所题为”Coffee Flower Identification Using Binarization Algorithm Based on Convolutional Neural Network for Digital Images“的研究论文本文介绍了一种基于地面遥感延时图像的咖啡花识别方法。为了实现种植园区中咖啡花的精准监测，本文采用基于地面遥感的高时空分辨率延时图像，并将二值化算法和卷积神经网络相结合，进而提取出图像中所包含的咖啡花信息。

Figure1: The five flowering events. (a–e) represent the images acquired on March 7th,March 25th, April 11th, April 27th, and May 25th,2017, respectively.

通过目视解译，可以发现白色的咖啡花和周围背景存在比较明显的色差，这意味着可以找到最佳的颜色阈值，以实现咖啡花的粗提取。基于色差特征，利用OTSU算法提取原始图像中的咖啡花信息，可以发现咖啡花和背景的边界得到了较好地区分。但是，由于二者边界以外的部分背景噪声所对应的像素值与咖啡花相似，造成了咖啡花的过识别。而该现象可以利用二者的空间特征差异进行抑制。所以，为了实现咖啡花的精准监测，本文创新性地将二值化和Path-basedCNN相结合(即所提方法：Bin+CNN)：首先，基于训练好的CNN模型，使用滑动窗口对整个图像进行预测，以实现对咖啡花和背景信息的初始识别，并保存该识别结果;然后，基于OTSU算法，计算出原始灰度图像中咖啡花和背景之间的最佳阈值，从而可以有效地将咖啡花的边界轮廓与背景分离;最后，以CNN模型的背景识别结果为基础，对二值化结果的相应位置进行更新，以抑制二值化结果中背景信息被误识别为咖啡花的现象，并将更新后的二值化结果作为最终的咖啡花识别结果。

Figure2: Binarization processing.(a) Original image. (b) Results of the binarization.

基于不同拍摄俯角以及不同光照条件下的图像，将所提方法(Bin+CNN)和CNN以及基于超像素的SVM分类器进行对比分析，实验结果表明Bin+CNN具有更好的咖啡花识别性能。基于Bin+CNN方法，在柔光条件下，拍摄俯角为52.5°图像的咖啡花识别精度最高，对应的F1和IoU分别可以达到0.80和0.67。

Figure 3: Theidentification result of the image with depression angles of 52.5° under softlighting conditions using Bin+CNN model. (a)~(c) are the original images,ground truth maps, and the identification results of the Bin+CNN, respectively.

作者介绍：

浙江大学遥感与信息技术应用研究所尉鹏亮博士生为第一作者，浙江大学遥感与信息技术应用研究所黄敬峰教授为通讯作者。该研究得到国家自然科学基金资助(41471277)，使用的数据来自于江苏省无线电科学研究所有限公司。

来源：

Wei P, Jiang T,Peng H, et al. Coffee Flower Identification Using Binarization Algorithm Based on Convolutional Neural Network for Digital Images. Plant Phenomics. https://doi.org/10.34133/2020/6323965.