无人机遥感技术能够高效、无损地获取作物田间影像，因此在高通量表型信息提取中表现出极大的应用潜力。为了提取和分析作物的表型特征，首先要在无人机影像上提取感兴趣区(Region of Interest, RoI)。而在提取ROI之前，则需要对无人机影像进行拼接，进而生成整个观测区域的正射影像，然后在正射影像的基础上进行ROI分割。但是，生成正射影像是一个较为复杂的数据处理过程，需要耗费大量的时间。鉴于此，本研究提出了一种基于人工智能的ROI全自动分割方法，该方法不需要生成正射影像，可以直接在无人机原始影像上进行ROI分割。与其他分割方法相比，本研究提出的方法能够对无人机影像进行实时处理，简化了数据处理流程，提高了无人机影像的ROI分割效率。

　　本研究提出的ROI分割方法的最大特点是将无人机航线分为若干个“子航线”，并对每个子航线同时处理。本研究提出的方法包含以下几个步骤，分别为子航线探测、基于点云的子航线选取、子田块探测、删除重复子田块和ROI分割，具体的算法流程如图1所示。其中， YOLOv4目标检测方法被用于ROI自动分割，结果如图2所示。ROI分割之后，利用无参考影像空间质量评估和自然影像质量评估方法分别对分割后的影像质量进行了评估，评估结果显示，使用本文方法分割的ROI影像质量和基于正射影像分割的ROI影像质量一致。因此，本研究提出的方法可用于基于无人机可见光影像的ROI自动分割。

　　此外，本研究还利用ROI分割后的结果估测高粱、豌豆和狼尾草等不同作物在不同生育时期的叶面积指数，并通过与地面实际测量值对比，评价叶面积指数的估测精度。拟合分析结果显示，估测叶面积指数的平均R2、RMSE和相关系数分别为0.68，0.033和0.83。综上所述，本研究提出的ROI分割方法可以替代传统的基于正射影像的ROI分割方法，提高ROI分割效率。

　　图1算法流程图

　　图2 ROI分割结果

　　图3 LAI估测结果。(a)豌豆;(b)狼尾草

　　来源：Shreeshan Sadashivan, Subhra S. Bhattacherjee, Gattu Priyanka, et al. Fully automated region of interest segmentation pipeline for UAV based RGB images[J]. Biosystems Engineering, 2021, 211:192-204.

　　编辑：段博