植被指数作为作物生长监测的一个重要参量，了解雄穗对植被指数的影响对于发展精准农业有重要意义。本文基于近地面获取的RGB影像，利用颜色空间变换的方法对不同生长阶段的雄穗图像进行划分，结合卷积神经网络(U-Net、PSPNet和DeeplabV3+)来探索准确分割雄穗的方法，并量化分析雄穗对冠层植被指数的影响。结果表明通过HSV空间变换可以准确的将雄穗图像划分为三个阶段，在大田环境中具有较好的鲁棒性。U-Net分割模型通过融合不同尺寸的特征对雄穗的分割精度最高(PA=82.14%，MIoU=84.43%)。此外，雄穗显著降低了冠层光谱绿波段的反射率，雄穗对EXR指数贡献最大。在雄穗生长的不同阶段，雄穗生长中期的光谱信息对植被指数的贡献最大。这项研究提供了一种快速和非破坏性的方法来系统量化在大田环境中雄穗对冠层光谱信息的影响，研究得到的规律可为作物监测提供新的见解。

数据获取过程示例

　　HSV阈值提取图像的结果。注：a、b、c分别代表雄穗生长的起始阶段、雄穗生长的中期和雄穗生长的后期

不同分割雄穗方法的比较。从上到下依次是：早期雄穗生长图、中间雄穗生长图和末期雄穗生长图

不同品种雄穗对植被指数贡献

作者介绍：

　　论文第一作者为河北工程大学硕士研究生邵明超，论文通讯作者为宋宏利博士和金秀良博士。该研究得到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)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： Shao, M., Nie, C., Cheng, M. et al. Quantifying effect of tassels on near-ground maize canopy RGB images using deep learning segmentation algorithm. Precision Agric (2021).