高姻燕， 孫義， 李葆春，3*

（1.甘肅農(nóng)業(yè)大學生命科學技術(shù)學院，蘭州 730070；2.南通大學地理科學學院，脆弱生態(tài)環(huán)境研究所，江蘇 南通 2260073；3.甘肅農(nóng)業(yè)大學甘肅省干旱生境作物學重點實驗室，甘肅省作物遺傳改良與種質(zhì)創(chuàng)新實驗室，蘭州 730070）

小麥（Triticum aestivum）是世界貿(mào)易量較大的糧食作物，全球約35%～40%的人口以小麥為主要食物[1-3]。我國作為人口大國，對小麥的需求一直維持在較高水平[4]。近年來，市場競爭和耕地質(zhì)量的改變導致小麥產(chǎn)量浮動較大[5]。小麥生產(chǎn)關(guān)乎我國糧食安全、經(jīng)濟發(fā)展和社會穩(wěn)定[4]，及時了解小麥產(chǎn)量信息可為國家經(jīng)濟和宏觀決策提供科學依據(jù)[6-7]。

作物生產(chǎn)性狀的傳統(tǒng)監(jiān)測方法主要有2種：一是通過田間破壞性取樣測定，這種方法通常費時、費力、難以定點重復監(jiān)測，而且容易出現(xiàn)較大的人為誤差和干擾[8]；二是傳統(tǒng)的空間信息技術(shù)監(jiān)測，這種方法具有覆蓋范圍廣、數(shù)據(jù)周期長和無破壞性等優(yōu)勢[9]。但是，因為傳統(tǒng)空間遙感技術(shù)存在分辨率較低、難以直接獲取作物表型性狀和重訪周期長等缺點，因而難以實現(xiàn)對農(nóng)業(yè)生產(chǎn)的實時性、連續(xù)性監(jiān)測[10]；載人航空遙感技術(shù)獲取農(nóng)業(yè)生產(chǎn)性狀信息的精度比傳統(tǒng)空間遙感技術(shù)高，但是因為運行成本高、操作復雜以及低空作業(yè)危險系數(shù)高而難以實現(xiàn)對植物性狀的高精度、高頻次動態(tài)監(jiān)測[11-13]。因而，亟需探索一種快速、準確、無損且低成本的作物生產(chǎn)性狀監(jiān)測和評估方法。近年來，無人機遙感技術(shù)因具備操作簡便、價格低廉、機動靈活、高時空分辨率以及控制軟件開源等優(yōu)勢[14]，逐漸成為農(nóng)情監(jiān)測的重要技術(shù)手段[15-16]。劉欣誼等[8]利用無人機圖像顏色與紋理特征等間接指標對小麥產(chǎn)量進行預測，并指出顏色指數(shù)與其產(chǎn)量相關(guān)性較好。然而，到目前為止，大部分工作還是基于小范圍的嘗試性研究，缺乏標準化分析材料（航拍影像）的獲取方法，難以在大范圍開展田間小麥穗數(shù)監(jiān)測并進一步指導品種繁育、田間管理以及產(chǎn)量估測等工作。

單位面積穗數(shù)是決定小麥產(chǎn)量的關(guān)鍵和直接指標之一[17-18]，快速、準確地識別并統(tǒng)計小麥穗數(shù)對小麥的良種選育和田間管理有重要意義[19-21]。目前，針對室內(nèi)單株小麥麥穗的識別和測量開展得比較多，陳含等[22]借助Sobel算子邊緣檢測在模糊背景中分割出麥穗，其與綠色分量法和最大值法的處理結(jié)果相比耗時明顯減少；路文超等[23]利用圖像處理技術(shù)擬合麥穗中心曲線，再結(jié)合灰度差異統(tǒng)計方法測定穗長和小穗數(shù)；Li等[24]基于Laws算法對麥穗進行檢測，經(jīng)過面積和高度閾值改進實現(xiàn)了80%以上的麥穗檢測率。針對田間麥穗識別和定量觀測的研究還比較少，劉濤等[25]通過顏色和紋理特征對田間撒播和條播小麥麥穗進行識別和計數(shù)，結(jié)果表明基于顏色特征的方法較為快速和高效；有研究利用超像素分割的方法實現(xiàn)對田間小麥麥穗的分割，但該方法不適宜長勢過弱和差異過大的區(qū)域[2]。近年來，基于深度學習的目標檢測技術(shù)日趨成熟，尤其YOLOv3算法檢測效果最佳[26]，由于具備高精度和實時性，其已經(jīng)被廣泛應用于災害[27]、生物[28]以及商業(yè)[26]等領域的目標自動識別中，但是還缺乏針對田間小麥生產(chǎn)性狀方面的研究。

本研究以甘肅省臨夏回族自治州典型小麥田為研究對象，借助無人機航拍路徑規(guī)劃和控制系統(tǒng)（fragmentation monitoringand analysis with aerial photography，F(xiàn)ragMAP）獲取統(tǒng)一標準的田間小麥高分辨率影像，通過YOLOv3算法進行模型訓練并實現(xiàn)麥穗的自動識別，以期構(gòu)建標準統(tǒng)一、實時性的小麥穗數(shù)監(jiān)測方法（FY方法），為田間小麥穗數(shù)統(tǒng)計和產(chǎn)量估測提供新的途徑，也為小麥種質(zhì)資源評價和田間管理提供必要的理論和實踐指導。

1 材料與方法

1.1 研究區(qū)及試驗設計

研究區(qū)為甘肅省臨夏回族自治州的和政縣、廣河縣及康樂縣的典型小麥田（圖1），位于青藏高原和黃土高原交匯處，平均海拔約1 800 m，年均降水量約510 mm，年均溫為7.7℃，全年無霜期為156 d[29-30]。2020年7月下旬，在每個縣隨機選擇具有代表性的春小麥麥田3塊，在每塊麥田隨機選擇3個樣地進行無人機航拍以獲取高分辨率的航拍影像（3個縣區(qū)×3塊麥田×3個樣地）。與此同時，在每塊麥田布設3個地面驗證樣方（面積為0.5 m×0.5 m，位于1個航拍樣地內(nèi)）。

圖1 研究區(qū)域及采樣點Fig.1 Study area and filed sampling plots

1.2 數(shù)據(jù)獲取方法

1.2.1 航拍影像獲取設備 利用大疆Mavic 2四旋翼無人機（深圳市大疆創(chuàng)新科技有限公司，中國）采集影像數(shù)據(jù)，共獲取田間小麥的航拍照片144張；搭載的RGB相機（集成在Mavic 2云臺，深圳市大疆創(chuàng)新科技有限公司）分辨率為2 000萬像素，體積小、便攜，續(xù)航時間約為30 min；高精度的視覺定位系統(tǒng)確保其在全球衛(wèi)星導航系統(tǒng)信號較弱的情況下也可以精確獲取具有地理信息的航拍影像；地形跟隨功能保證其在復雜地形中安全飛行，并確保每張航拍照片覆蓋的范圍一致（盡可能減小樣品采集產(chǎn)生的誤差）；機載慣性導航系統(tǒng)、全球定位系統(tǒng)和自動駕駛系統(tǒng)使無人機能夠沿著預先設計的航線飛行，并且能夠精確懸停，控制距離為6 km。

1.2.2 航拍影像及地面數(shù)據(jù)獲取 FragMAP系統(tǒng)由南通大學脆弱生態(tài)環(huán)境研究所自主開發(fā)，基于SDK（software development kit）和無人機開展大范圍、長期、定點地面監(jiān)測，并進行信息提取和數(shù)據(jù)處理[14]。FragMAP由Setter和Flighter 2個安卓應用（APP）組成，其中，Setter APP主要用來設置野外工作點以及航線、航點；Flighter APP則用于控制無人機按照預定航線飛行并在航點拍照，在飛行選項下還兼?zhèn)湔{(diào)整飛行高度、速度、暫停或終止飛行任務等功能[14]。FragMAP以華為平板電腦為載體，具備多種飛行模式[14]，本研究主要使用其中的Belt飛行模式進行田間小麥麥穗自動航拍。具體飛行方式為在40 m×40 m的范圍內(nèi)均勻布設16個航點，無人機在每個航點采用垂直向下的方式拍攝1張照片。飛行高度設置為2 m，飛行速度設置為5 m·s-1，到達航點后停留1 s進行拍攝，拍攝完成后停留1 s確保無人機拍攝照片時處于平穩(wěn)狀態(tài)，從而保證航拍照片的質(zhì)量。具體操作詳見Yi[14]的方法。

在每塊麥田布設3個地面驗證樣方，樣方面積為0.5 m×0.5 m，記錄每個樣方內(nèi)測定的小麥穗數(shù)以及完成測定工作所需要的時間等信息。

1.3 麥穗自動識別

1.3.1 影像分割 為了確保后續(xù)訓練樣本的準確性和分辨率，需要對大幅影像進行拆分。利用Python軟件將每幅航拍影像平均分割為25等份并自動編碼保存，即共獲取3 600個田間小麥航拍影像樣本。

1.3.2 訓練樣本獲取 利用LabelImg軟件標注訓練樣本中的麥穗。小麥麥穗確定的標準主要按照以下要求：具有清晰的完整麥穗；以圖像范圍內(nèi)完整影像為參考標準，麥穗具有較為完整的頭部，一般不選擇只包含麥穗尾部部分的影像作為訓練樣本，防止出現(xiàn)同一麥穗在2張影像重復辨別而導致數(shù)量高估的錯誤。將航拍影像與麥穗定位文件匹配后（Python軟件完成）導入YOLOv3的相應文件夾，做好模型訓練準備。

1.3.3 YOLOv3訓練模型 YOLOv3的主體網(wǎng)絡Darknet-53由5個殘差塊組成，每個殘差塊由多個殘差單元(Res×n)組成。通過輸入與2個基礎組件(Darknetconv2d_BN_Leaky，DBL)單元進行殘差操作構(gòu)建殘差單元(Res unit)，其中，DBL單元包含卷積層(conv)、批歸一化(batch normalization，BN)和帶泄露整流激活函數(shù)(leaky relu)[26]。

標定500個訓練樣本數(shù)據(jù)集后，模型訓練處理如下：①隨機選擇200個樣本，迭代次數(shù)為1 250（I1250200）；②500個訓練樣本，迭代次數(shù)為3 125（I3125500）；③500個訓練樣本，迭代次數(shù)為6 250（I6250500）。

1.4 數(shù)據(jù)分析

1.4.1 航拍影像面積換算 小麥株高通常為60～100 cm，利用FragMAP系統(tǒng)中Belt模式航拍并獲取小麥頂端麥穗信息（圖2），需將莖稈部分的高度去除，即無人機的航拍高度設定為2 m（h），以水平地面為基準面，計算過程中需減去小麥植株高度（h1）。航拍照片面積計算需按照h2高度和無人機的視場角進行換算（本研究所使用的無人機Mavic 2，視場角為77°），單幅航拍照片的面積計算公式如下。

圖2 無人機航拍獲取麥穗信息Fig.2 Collection of wheat ears information by UAV

式中，S為完整的單幅航拍照片所覆蓋小麥頂部的面積，（2tan38.5°×h2）為航拍照片長邊長度，（2tan38.5°×h2）×（3/4）為航拍照片寬邊長度（本研究統(tǒng)一設置航拍照片長寬比為4∶3）；S′為平均分割25份后單幅影像覆蓋小麥頂部的面積；h2為無人機鏡頭至小麥頂端的距離，在本研究中將田間小麥平均高度設置為h1，取值范圍為0.60～1.00m；h為無人機以水平地面為基準面的拍攝高度。

基于地面樣方可獲得單位面積的小麥穗數(shù)，依據(jù)無人機采樣和小麥株高等信息獲得單幅航拍照片覆蓋的面積。結(jié)合公式（4）得到與樣方相同面積內(nèi)自動識別得到的麥穗的數(shù)量信息，轉(zhuǎn)換公式如下。

式中，S″為地面樣方觀測面積，本研究取值為0.25 m2；γ為轉(zhuǎn)換系數(shù)，因小麥平均株高（隨機在樣地內(nèi)選擇具有代表性的小麥植株5株，測定其自然狀態(tài)下的高度并計算平均值）而變化，例如當小麥株高為0.75 m時，可通過公式（3）得到h2為1.25 m，再通過公式（1）和（2）計算S′，從而確定γ為2.107。

1.4.2 統(tǒng)計分析 利用單因素方差分析(one-way ANOVA)比較傳統(tǒng)觀測方法和FY方法獲取樣本的觀測面積、觀測效率以及不同訓練樣本數(shù)量、迭代次數(shù)獲得的模型進行自動識別小麥穗數(shù)的準確率。利用線性回歸分析（linear regression analysis）檢測2種方法測定麥穗數(shù)量的相關(guān)關(guān)系，并構(gòu)建預測模型。利用R 4.0.5進行數(shù)據(jù)分析和圖形制作。利用Python完成田間小麥航拍影像拆分、訓練樣本與標注匹配、模型訓練、目標檢測以及結(jié)果檢驗。

2 結(jié)果與分析

2.1 取樣效率比較

2.1.1 觀測面積比較 與傳統(tǒng)方法相比，F(xiàn)Y方法獲取田間小麥穗數(shù)的觀測面積更大。FY方法的單個有效監(jiān)測單元面積約為2.97 m2(按照小麥株高為0.75 m計算)，是傳統(tǒng)方法基本單元的12倍。按照統(tǒng)計學最低重復要求，選擇3個重復時，單條Belt航線（即1個完整的監(jiān)測單元）觀測范圍則是傳統(tǒng)方法的63倍。因此，F(xiàn)Y方法獲取麥穗信息量明顯大于傳統(tǒng)方法，代表性也更強。

2.1.2 觀測效率比較 與傳統(tǒng)方法相比，F(xiàn)Y方法能夠更為高效地獲取田間小麥麥穗信息。FY方法利用FragMAP系統(tǒng)自動規(guī)劃路徑和控制飛行，該方式獲取小麥麥穗信息（航拍照片）所需時間遠低于傳統(tǒng)方法（圖3）。而且基于FragMAP系統(tǒng)可以多次調(diào)用航線進行定點航拍，從而實現(xiàn)小麥穗數(shù)的動態(tài)監(jiān)測（包括年際間變化的長期動態(tài)監(jiān)測）。此外，F(xiàn)Y方法還具有非破壞性采集樣本的特點，可以在無人為活動干擾的情況下進行長期的動態(tài)監(jiān)測。

圖3 FY方法與傳統(tǒng)方法野外采集樣本效率比較Fig.3 Field sampling efficiency of FY and traditional methods

2.2 不同訓練模型識別效果比較

I1250200、I3125500和 I6250500方法獲得訓練模型后，分別輸入25幅田間小麥影像樣本（不同于構(gòu)建模型的樣本）進行自動識別，獲得檢測樣本自動識別的標示圖（圖4）。

圖4 3種訓練處理方式獲得最優(yōu)模型識別小麥麥穗的案例Fig.4 Examples of the recognition by the 3 trained models

對檢測結(jié)果統(tǒng)計分析（n=25）發(fā)現(xiàn)，利用500個訓練樣本經(jīng)過6 250次迭代訓練所得到的模型自動識別小麥麥穗的準確率超過90%，顯著高于利用200個訓練樣本經(jīng)過1 250次迭代獲得模型的檢測結(jié)果（P＜0.05）。準確率隨著訓練樣本數(shù)量和迭代次數(shù)呈非線性增加趨勢（圖5）。

2.3 FY與傳統(tǒng)方法測定小麥穗數(shù)的關(guān)系

依據(jù)航拍影像獲取的單位面積小麥穗數(shù)與地面測定值構(gòu)建相關(guān)關(guān)系（圖6），二者呈顯著的線性相關(guān)關(guān)系（R2=0.79，P＜0.001）。盡管基于FY方法自動識別獲取的小麥穗數(shù)精確度較高（圖5），但是還有部分麥穗因為遮擋、角度等問題無法被垂直向下拍攝的航拍照片獲取，因此擬合曲線處于1∶1線的下方，而且隨著麥穗密度的增加這一趨勢更為明顯（圖6）。以該模型為基礎，具備成熟的無人機航拍（FragMAP）和深度學習訓練模型（YOLOv3）的前提下，通過快速獲取樣本和分析數(shù)據(jù)可以高效、快速計算大范圍的田間小麥穗數(shù)，并進一步預測小麥產(chǎn)量。

圖5 訓練模型識別麥穗準確率與訓練樣本數(shù)量和迭代次數(shù)的關(guān)系Fig.5 Relationship between recognition accuracy of training models and sample number and iterations

圖6 基于地面實測與FY方法獲取數(shù)據(jù)構(gòu)建田間小麥穗數(shù)預測模型Fig.6 Prediction model based on the data collected using traditional and FY method

3 討論

利用作物性狀特征準確、高效地預測農(nóng)作物產(chǎn)量是研究的焦點之一[31]。目前，基于不同傳感技術(shù)監(jiān)測農(nóng)作物生長的研究很多，也取得了不少重要的進展[8，32-34]，由于沒有標準、高效率、適宜大范圍采集樣本的觀測和分析方法，導致難以進一步應用于指導種質(zhì)資源評價和田間管理。

本研究提出了一種結(jié)合無人機取樣和目標檢測技術(shù)估測田間小麥穗數(shù)的方法。不同于前期主要基于小區(qū)控制試驗或者個別樣地MOSAIC飛行并拼接等僅適于少量、部分區(qū)域的取樣方式[2，8]，本方法利用FragMAP系統(tǒng)實現(xiàn)了大面積、高效、高分辨率、高頻度、定點采集樣本[14，35]。本方法充分利用無人機地形跟隨功能，采用近地面（航高統(tǒng)一設定為2 m）航拍獲取樣本的方式，既保證飛行作業(yè)安全，也確保了每幅航拍照片的覆蓋面積一致和高分辨率，從而提高結(jié)果的準確性，構(gòu)建標準化的田間小麥穗數(shù)觀測方式。在獲取足夠的標準化樣本數(shù)據(jù)（無人機航拍影像）基礎上，利用YOLOv3實現(xiàn)端到端的訓練，YOLOv3采用SOTA算法實現(xiàn)更高的檢測精度和更快的信息處理速度[36]，減少模型訓練的復雜度并大幅度提高圖像處理速度。因此，在硬件滿足的條件下可以實現(xiàn)小麥穗數(shù)實時監(jiān)測的需求[27]。綜上所述，本研究利用YOLOv3能對典型田間小麥樣本進行快速檢測，并結(jié)合地面測定值構(gòu)建小麥穗數(shù)的估測模型，再結(jié)合無人機航拍影像實現(xiàn)大范圍、高效率、高時效地田間小麥穗數(shù)估測。

前期大量的研究成果難以應用于種質(zhì)資源評價和指導田間生產(chǎn)的主要原因之一是航拍照片獲取方法不具備普適性。本研究采用的FragMAP系統(tǒng)簡單易學、普適性較高，而且該系統(tǒng)的無人機飛行控制部分可以被獨立拆分出來構(gòu)建應用程序（APP）[37]，即根據(jù)研究或監(jiān)測要求設定航線后，其他無人機操作人員隨時可以利用安裝在移動終端（例如手機）上的應用程序（APP）多次調(diào)用航線完成航拍作業(yè)，從而實現(xiàn)高頻次、定點、協(xié)同監(jiān)測?；赮OLOv3進行田間小麥麥穗自動識別的準確性隨著訓練樣本數(shù)量和迭代次數(shù)增加而增加（在本研究測試范圍之內(nèi)），考慮到過度訓練可能產(chǎn)生變量間過度擬合，在今后的研究中應通過構(gòu)建較大的訓練樣本數(shù)據(jù)集和適當選擇迭代次數(shù)獲取更為適宜的訓練模型從而確保麥穗自動識別的精度。本研究構(gòu)建的估測模型基于3個縣區(qū)的27個取樣點樣本，未考慮小麥品種等因素，因此代表性具有局限性。在今后的研究中應該進行多地區(qū)、多品種的監(jiān)測，根據(jù)研究區(qū)構(gòu)建特定區(qū)域的模型，確保田間小麥穗數(shù)的估測精度。