特级初榨橄榄油(EVOO)因其浓郁的香气与较高的营养品质而被作为一种高级食用油，其生产成本高出其他植物油约4-5倍。然而EVOO掺假问题严重损害了消费者的健康、侵犯消费者权益。橄榄的各生长阶段与加工环节的数字化有助于提升EVOO的品质。本文采用轻量级无人机采集了橄榄园树冠正射RGB图像，通过提取到的树冠半径实现了橄榄的早期产量估算，为以较低成本解决EVOO的掺假问题和高效管理橄榄种植园提供了数字化方法。

　　该研究首先在2019年5月份橄榄开花期利用大疆Spark无人机采集3个橄榄品种的RGB树冠图像，基于空间邻近原则将橄榄种植区划分为4个小区，其中3个区作为训练集数据源，1个区作为测试集数据源。无人机完成图像采集后，共得到橄榄树冠层正射图像74张，分辨率为650*650。该研究利用KNN监督学习算法对每张树冠图像进行像素点分类，分类个数为5个，种类分别为树干、叶片、地面、其他树和其他。在模型训练时，输入数据为人工构建的分属5个种类的10*10的图像块。通过计算模型预测结果中叶片像素点个数得到叶片总面积并基于图像大小进行了标准化。在树冠半径估计方面，文章提出了一种原创的基于分类掩膜的圆心迭代估计方法。在收获季节通过称重获得了橄榄的真实产量，基于此结果利用无监督算法K-means将4个小区内的橄榄树分为高生产率子集与低生产率子集，并得到了产量估计的线性模型。EVOO的产量估算是通过将单个植株的预测产量(单位：Kg)乘以相对平均产量得出的。研究结果表明，标准化的叶片像素点面积与树冠半径存在二次相关关系，证明了利用冠层半径估算产量的可行性。通过橄榄树冠半径与产量的计算公式可实现较准确产量估算，训练集产量预估值误差小于12%，预测集产量预估值误差小于18%。

　　图1橄榄树冠半径估计公式(PXmax为叶片的最大横坐标，PXmin为叶片的最小横坐标，PYmax为叶片的最大纵坐标，PYmin属于叶片的最小纵坐标，Cx为树冠估计圆心横坐标，Cy为树冠估计圆心纵坐标, R为树冠半径)

　　图2产量估计模型(p为估计的产量值，p0为维度常量，此处为1kg，R为树冠半径，Rmax为分属高产量和低产量极值的树冠半径)

　　图3 (a)橄榄树原始图像;(b)KNN分类后橄榄树图像;(c)树冠半径计算图像(KNN分类为叶片的像素点以红色标记)

　　图4 3个训练集小区内橄榄树冠半径与产量对数值得回归分析图(蓝色点与红色点分别为K-means算法分类为高生产率子集点与低生产率子集点，基于绿色点绘制了线性回归线)

　　来源：Ortenzi, L.; Violino, S.; Pallottino, F.; Figorilli, S.; Vasta, S.; Tocci, F.; Antonucci, F.; Imperi, G.; Costa, C. Early Estimation of Olive Production from Light Drone Orthophoto, through Canopy Radius. Drones 2021, 5, 118. https://doi.org/10.3390/drones5040118

　　编辑：张金诺