田间作物幼苗计数是一项费时费力的工作，涉及到作物栽培、田间试验、作物育种和杂草控制等多种农业实践活动。基于无人机的RGB成像系统是一种田间测量的新工具，能够结合深度学习算法分析无人机拍摄的作物图像，进而得到需要的农业信息。在本研究中，基于无人机的摄像系统结合深度学习算法成功用于甜菜、玉米和草莓的全自动计数。在不同的生长阶段对五个地点进行了监测，并通过全卷积神经网络(FCN)自动预测了每个地块的作物数量。我们采用的FCN算法是一个单一模型，用于确定作物和杂草确切的茎部位置，并考虑作物、杂草和土壤的像素级分类。为了确定该算法的性能，对预测的作物数量与实测的作物数量进行了比较。结果表明，基于无人机成像系统的田间甜菜数量预测误差低于4.6%，影响性能的主要因素为行距和生长阶段。将所利用的甜菜计数算法迁移到玉米和草莓幼苗的计数，预测误差小于4%。整个预测流程表明了基于无人机的成像系统结合深度学习算法开展田间作物自动计数是可行的，能够大幅度减轻农民的手工劳动。

　　图1 试验田：(a)无人机在2019年5月28日对甜菜进行采集和分析。1)地块分割，2)行检测，3)茎检测和计数。(b)无人机对玉米进行采集和分析，1)茎检测和计数。

　　图2 FCN结构。使用编码器对输入图像进行编码，然后将特征量传递给特定任务的解码器，茎和植物的解码器。获得的输出是：考虑作物、杂草、土壤类别的植物掩码，用于植物的像素分类，以及考虑作物、杂草、土壤类别的茎掩码，用于分割作物-杂草茎区域。最后，从茎部掩码中提取茎部位置。在各层内部，显示了输出特征图的数量。L代表堆叠的二维卷积层的数量。

图3 通过计算由FCN预测的茎部区域的加权质心来提取像素级的茎部位置。

　　图4 基于机器视觉的作物计数困难说明。左图：相互重叠的甜菜，有图：播种范围狭窄，甜菜在出苗早期重叠，此外，单个和连续的作物在图像空间中被稻草隔开

　　图5植被覆盖的发展实例图。甜菜(绿色)和杂草(红色)在第17、25和34天的生长区域标记。

　　图6左上角三角区域分类后的计数结果。(a)播种34天后，计数的甜菜植株(白点)和计数不足的甜菜;(b)计数的草莓(绿点)和错误分类的杂草(红点)

　　来源：Barreto A, Lottes P, Yamati F R I, et al. Automatic UAV-based counting of seedlings in sugar-beet field and extension to maize and strawberry[J]. Computers and Electronics in Agriculture, 2021, 191: 106493.https://doi.org/10.1016/j.compag.2021.106493

　　编辑：小王博士在努力