基于低空無人機遙感技術的油菜機械直播苗期株數識別

趙必權，丁幼春，蔡曉斌，謝 靜，廖慶喜，張 建

?

基于低空無人機遙感技術的油菜機械直播苗期株數識別

趙必權1,2，丁幼春3，蔡曉斌4，謝 靜5，廖慶喜3，張 建1,2※

（1. 華中農業大學資源與環境學院，武漢430070；2. 農業部長江中下游耕地保育重點實驗室，武漢430070； 3. 華中農業大學工學院，武漢430070；4. 中國科學院測量與地球物理研究所，武漢430077； 5. 華中農業大學理學院，武漢 430070）

植株數量識別是油菜機械直播效果和質量評估的關鍵。該文針對油菜機械直播田間植株數量檢測中人工統計耗時、費工、效率低下的現實，通過自主搭建的低空無人機遙感平臺采集油菜機械直播區域的遙感影像，基于超高分辨率（0.18 cm/pixel）遙感影像計算的顏色植被指數進行油菜目標識別及其形態特征信息提取。結合田間調查數據，采用逐步回歸分析方法，建立了機械直播油菜在苗期的株數與遙感特征信息之間的關系。結果顯示，油菜目標的株數與其外接矩形的長寬比、像素分布密度和周長柵格數具有較好的線性關系，回歸模型的決定系數2為0.803，并通過顯著性檢驗，其標準估計誤差為0.699。模型檢驗結果顯示，觀測值與預測值之間的2為0.809，均方根誤差RMSE為0.728。研究結果表明，利用集成超高分辨率傳感器的低空無人機遙感平臺，通過計算顏色植被指數并分析油菜目標數量與形態特征的相關性，能有效識別油菜機械直播的出苗株數，可為后續油菜機械直播效果的快速、準確評估提供技術支持。

無人機；遙感；模型；油菜；機械直播；株數；多元回歸

0 引 言

油菜是全球重要的油料作物，中國是世界油菜的主要種植國，種植面積和總產量均占世界的30%左右，均居世界第一[1-2]。目前，中國農村勞動力、生產資料的成本大幅上漲以及油菜機械化程度低等問題導致油菜種植的經濟效益低于其他作物，影響了農戶生產的積極性。傳統人工種植的用工費用占生產成本的60%～70%，每公頃耗工180～225個，高昂的用工成本，迫切需要實現油菜的機械化種植[3-6]。最新頒布的《全國農業機械化發展第十三個五年規劃》也明確指出，推進主要農作物生產全程機械化，同時加快配套機械化技術推廣應用。提高油菜種植的機械化水平，將有效促進油菜種植的可持續發展[7]。

油菜播種機械在示范推廣前都必須經過嚴格的檢驗和評估，而田間試驗機械化是制約中國農作物品種試驗工作的主要瓶頸[8]。植株數量識別是油菜機械播種效果評估的基礎，也是進行后續的出苗率估算、行距與株距分布特征等播種效果和質量評估的前提。楊松等以人工調查的方式對油菜田間植株分布規律進行研究，為2BFQ- 6型油菜精量聯合直播機的結構優化、排種過程改進提供參考依據，其中就包括油菜株數的調查和成苗率的計算[9]。此外，其他作物出苗數、果實數量的田間識別也是農業領域研究的熱點。Shi等設計了一個基于地面雷達的玉米植株位置和間距自動測量系統，該系統對200株玉米計數識別的結果誤差為5.5%，間距的均方根誤差（root mean square error，RMSE）為1.9 cm[10]。Font等在夜間的葡萄園設置人工光照環境并拍攝紅葡萄的高分辨率影像，利用光譜反射特征對紅葡萄進行數量識別，其結果與人工計數相比，平均誤差率為-14%[11]。由此可見，數量識別研究在播種效果評估、產量預估等方面有重要作用。

低空無人機遙感技術具有高分辨率、實時獲取影像、操作簡單和低成本等優勢，在現代農業生產上具有重要應用前景[12-14]。Hunt等通過無人機獲取的近紅外-綠波段-藍波段（NIR-G-B）影像進行了冬小麥的監測，發現葉面積指數（leaf area index，LAI）與綠色歸一化植被指數（green normalized difference vegetation Index, GNDVI）有著較好的相關性（2=0.85），表明無人機平臺能為精準農業提供重要信息[15]。Bendig等從無人機影像得到的作物表面模型（crop surface models, CSMs）對大麥的生物量進行估計，得到2高達0.92的預測模型[16]。李冰等利用低空無人機遙感監測冬小麥覆蓋度變化，提出低空無人機遙感在大面積農作物覆蓋度監測有良好應用前景[17]。王利民等基于無人機影像進行農業遙感監測的應用，結果表明基于無人機影像的農情遙感監測具有巨大的推廣潛力[18]。汪小欽等通過無人機遙感進行可見光波段的植被信息提取，且進一步提出了可見光波段差異植被指數（visible-band difference vegetation index, VDVI），該指數對植被信息提取的精度高達90%[19]。Sankaran等以冬小麥為研究對象，利用無人機分別采集3種類型的冬小麥越冬期前后的多光譜影像，基于GNDVI反演的冬小麥的出苗率、越冬存活率與地面觀測值比較，發現整體的出苗率相關系數為0.87，越冬存活率相關系數為0.86[20]。因此，低空無人機遙感技術是評估作物種植和長勢的一種有用工具。

目前，雖然通過遙感手段對作物種植進行識別和監測已經成為研究的熱點和常規的方式，但這些研究和應用通常專注于宏觀尺度下作物生長信息的提取，如作物類型識別、覆蓋度監測等，而對微觀尺度下作物生長信息，如株數、出苗率等鮮有研究。少部分的研究也往往關注特定類型的作物，如玉米、小麥等，這些作物因其幼苗的生長特征明顯也更適合進行微觀尺度下的生長信息識別和提取研究。本文以機械直播的油菜為研究對象，一方面因為機械直播的油菜，其生長和分布具有較好的可識別性，同時也是利用無人機低空遙感技術對油菜直播機械改進、油菜直播全程自動化的探索。

綜上所述，針對油菜機械直播植株數量檢測中人工統計耗時、費力，探索油菜直播全程自動化識別新方式，本文通過自主搭建的超高分辨率低空無人機遙感平臺對油菜苗期出苗株數提取展開研究。利用獲取的超高分辨率遙感影像，在目標識別、特征提取等方法下提取油菜苗期的特征信息，結合多元線性回歸分析方法，探究機械直播油菜在苗期的株數與其形態特征之間的關系，嘗試得出油菜直播機械作業下的油菜在苗期出苗數量的回歸模型，探索利用低空無人機遙感技術進行油菜直播機械作業下的油菜苗期出苗數量信息提取的可行性。

1 材料與方法

1.1 研究區域與試驗設計

本研究在湖北省武漢市華中農業大學的油菜試驗基地開展。實驗田塊共13壟，實驗田從西到東分別通過氣送式精量播種（8行）、氣力滾筒式精量排種（6行）、旋轉盤式排種（8行）、離心式排種（8行）共4種自行探索性研制的不同原理與結構的排種器對甘藍型油菜“華油雜62”進行播種作業，作業時間分別為2016-10-06、2016-10-07、2016-10-09和2016-10-09。研究區域面積約為50 m×25 m（圖1）。

本研究的影像數據于2016-11-02通過低空無人機平臺獲取。研究中使用的是集成Nikon D800相機（株式會社尼康，NIKON CORPORATION）的超高分辨率成像平臺。無人機平臺為大疆M600飛行器（大疆創新科技有限公司，DJI-Innovations），其在無風環境下最大水平飛行速度為18 m/s，最大負載質量為6 kg，在最大負載質量下能持續飛行16 min。平臺搭載的Nikon D800相機，實際輸出分辨率為3 615萬像素（7 360像素×4 912像素），本研究采用尼康50 mm f/1.4D定焦鏡頭，同時配備GPS模塊和無線觸發器。數據獲取時，設置無人機飛行航向重疊度為80%，旁向重疊度為70%，飛行高度為20 m，同時設置交叉飛行的航線。相機快門無線觸發器將相機成像間隔設置為1 s。

圖1 研究區域

無人機飛行過程共拍攝影像816幅，圖像記錄為24位的真彩色JEPG格式。無人機獲取的影像首先通過Pix4D Mapper無人機圖像拼接軟件進行處理，本研究在影像拼接時，通過增加用RTK采集的地面控制點來進一步提高影像的空間精度，最終生成試驗區域的正射影像，其空間分辨率為0.18 cm/pixel，其中驗證控制點的RMSE為=0.76 cm，=0.74 cm。圖1是本文的研究區域，圖1b是圖像采集區域整體拼接結果影像，圖1c是包含了4種排種器試驗的研究區域影像。

本文根據不同的排種器類型對研究區域分別隨機選取6個（共24個）樣方區域，通過田間實地調查獲取樣方中油菜的株數。氣力滾筒式精量排種（6行）的樣方區域尺寸為1.6 m×2 m；氣送式精量播種（8行）、旋轉盤式排種（8行）、離心式排種（8行）的樣方尺寸為2 m×2.5 m。本文是從整體的角度出發，因此在不影響本研究的基礎上，結合不同的壟寬情況，未對所有樣方區域尺寸統一。本研究中油菜直播的作業時間相隔較短（3d），因此假設本研究的作業間隔對油菜的出苗情況沒有顯著的影響。本研究的技術路線見圖2。

注：ExG為過綠指數，ExG-ExR為過綠-過紅指數，NGRDI為歸一化綠-紅差值指數，GLI為綠葉指數。

1.2 研究方法

1.2.1 油菜目標識別與分割

1）基于顏色植被指數的油菜植株目標識別

通過搭載多光譜和高光譜傳感器的衛星與航空遙感技術，能獲取植被在更多波段上的光譜信息，但通過這種方式難以獲取足夠高分辨率的影像，不能滿足油菜出苗期植株提取的要求。

相比多光譜和高光譜傳感器，本文采用的單反相機雖然無法獲得豐富的光譜信息，但其超高分辨率的成像特點對于油菜出苗期植株準確提取更為重要。與此同時，基于傳統數碼相機的可見光波段進行植被指數的研究也取得了較好的進展。高林等基于無人機數碼影像對冬小麥葉面積指數進行探測研究，發現通過無人機搭載的數碼相機獲取的RGB影像計算的可見光大氣阻抗植被指數（visible atmospherically resistant index，VARI）模型估測的LAI與實測值擬合2達到0.71，證明無人機數碼影像能應用于冬小麥LAI探測[21]。張正健等人通過無人機拍攝的RGB影像對若爾蓋高原草地生物量進行估測，發現歸一化綠-紅差值指數（normalized green-red difference，NGRDI）對生物量的模擬精度最高，R達到0.856[22]。丁雷龍等基于4種RGB色域的顏色植被指數，對冬小麥覆蓋區域進行識別，4種顏色植被指數的植被識別精度達到90%以上[23]。楊琦等利用無人機拍攝RGB影像來提取甘蔗株高并估算LAI，結果發現選取的6種可見光植被指數均能估測甘蔗LAI，其中綠紅植被指數（green red vegetation index, GRVI）的2為0.779[24]。表1列舉了基于傳統數碼相機可見光波段建立的常用顏色植被指數[25-26]。

表1 基于傳統數碼相機的常用顏色植被指數

注：、、分別為紅波段、綠波段和藍波段反射率。

Note:,,respectively represents the reflectance of Red-band, Green-band, Blue-band.

根據油菜苗期植株對綠波段敏感的特征，本研究將基于過綠指數（excess green，ExG）、過綠-過紅指數（excess green-excess red，ExG-ExR）、歸一化綠-紅差值指數（normalized green-red difference，NGRDI）和綠葉指數（green leaf index，GLI）進行油菜植株目標的識別，選擇出可用于油菜植株目標分割的顏色植被指數。

2）基于Otsu閾值算法的油菜植株目標分割

本研究選取Otsu閾值算法來自動確定閾值，進行油菜植株目標的分割。Otsu閾值算法，又稱為最大類間方差法，是一種自適應的閾值提取方法[27]。這種方法的核心思想是通過一個最佳閾值，使得目標和背景的類間方差最大，其快速運算、錯分概率小的特點，適合于油菜植株分布的識別和提取。

設影像（,），大小為像元×像元，背景較暗，閾值為；目標和背景的像元點占整幅影像的比例分別為1、2，平均灰度分別為1、2；影像總平均灰度，類間方差為；同時將影像中像素的灰度值小于閾值的像素個數記作1，像素灰度大于閾值的像素個數記作2，則有:

（2）

12×（3）

1+2= 1 （4）

1122（5）

=1(1–)2+2(2–)2（6）

通過上述公式，求得使取最大值使得閾值即為最佳閾值。

1.2.2 油菜株數多元線性回歸建模

通過線性方程來表示因變量與多個自變量間的數量關系，這種分析方法就稱為多元線性回歸建模[28]。本研究通過隨機抽樣的方式，將提取所得目標中的80%用于多元回歸建模，剩余20%的目標用于建模結果的檢驗。本文共提取了油菜目標的15類形態參數特征信息作為自變量。表2中列舉了這些特征信息的提取公式[29]。

表2 特征信息提取公式

注：1（）、2（）、3、4由外接矩形計算所得，分別為外接矩形的周長（cm）、面積（cm2）、長寬比和面積周長比。其余特征由柵格特征計算所得。5（b）為周長柵格數，6（P）為面積柵格數，7為柵格長寬比，8為邊界指數，9為形狀指數，10為像素分布密度，11為勻稱度，12為緊湊度，13為圓度，14為方度，15為橢圓度。公式中，V代表油菜目標體積的柵格個數。l、w分別是油菜目標的長、寬柵格數。、分別是在和方向上的方差，1、2、3是協方差矩陣對角化的特征值。

Note:1（）、2()、3、4is calculated by the external rectangle of the object, they are perimeter (cm), area (cm2), length-wide ratio, area-perimeter ratio of the external rectangle. The others calculated from the raster characteristic of the object.5(b) is the count of raster about perimeter,6(P)is the count of raster about area,7is the length-wide ratio of raster number,8is boundary index,9is shape index,10is the distribution density of the pixel feature,11is symmetry,12is compactness,13is round fit,14is rectangle fit,15is ellipticity fit。In the formula,Vrepresent is the count of raster about volume.lis the count of raster about length.wis the count of raster about width.andrespectively represent variances in theanddirections.1、2、3is the eigenvalue of the diagonalization covariance matrix.

近似外包橢圓，主要通過協方差矩陣的特征值來計算。協方差矩陣是對稱矩陣，對角線上是方差，非對角線上是協方差。協方差矩陣對角化后，得到3個表示沿特征向量方向的方差的特征值。所以當協方差矩陣是對角矩陣時，方差等于特征值。其協方差矩陣如下。

1）自變量的初步篩選

本研究對這些自變量之間，以及它們與因變量之間的線性相關程度進行分析。若兩自變量之間的相關系數||≥0.8，則認為二者存在突出的共線性。本文繼續將它們分別與因變量的相關系數||進行比較，只保留較大值所對應的自變量。

2）逐步多元回歸建模

逐步回歸分析是多元線性回歸分析中的一種常用方法。它對方程中引入的變量反復檢驗，使模型外的自變量均無統計學意義，而模型內的自變量均有統計學意義。本研究設置變量入選、剔除的顯著水平分別為0.05和0.10。

1.2.3 模型精度檢驗

油菜株數多元回歸模型的精度評價，主要是通過未用于建模的20%油菜目標觀測值和模型預測值進行比較，檢驗指標主要有2、均方根誤差（root mean square error，RMSE）、平均絕對誤差（mean absolute error，MAE）、預測株數總和。

2 結果與分析

2.1 油菜植株目標識別

基于過綠指數（ExG）、過綠-過紅指數（ExG-ExR）、歸一化綠-紅差值指數（NGRDI）和綠葉指數（GLI）的影像對第7號樣方區域（位于圖1c中序號為2的區域內）進行Otsu閾值化的結果如圖3所示。圖3a是RGB影像。圖3b是基于ExG的閾值化提取結果，其閾值為55。圖3c是基于ExG-ExR的閾值化提取結果，其閾值為-14.6。圖3d是基于NGRDI的閾值化提取結果，其閾值為0.047。圖3e是基于GLI的閾值化提取結果，其閾值為0.074。圖3表明，4種可見光植被指數閾值化結果都能較好地對油菜目標進行識別和提取。

圖3 使用Otsu對不同植被指數的油菜目標提取（以7號樣方為例）

為了在4種可見光植被指數中選擇最優的植被指數，本研究對閾值化結果矢量化后對圖層進行疊加分析，圖4顯示的是4種可見光植被指數的矢量邊界。為了直觀比較，本文進一步對兩個不同位置的油菜目標進行放大。圖4的結果顯示，NGRDI指數和ExG指數的油菜目標的范圍小于ExG-ExR指數和GLI指數。在4種可見光植被指數都能較好地識別出油菜目標的情況下，當這個油菜目標的范圍更大的時候，在這個范圍內的油菜目標的特征和信息就相對更完整。因此，ExG-ExR指數和GLI指數的效果要比NGRDI指數和ExG指數好。對圖4的進一步觀察發現，GLI指數比其他3個指數有更多面積較小的“噪點”。這種情況不利于后續的處理。因此，本文選擇ExG-ExR指數用于油菜目標的識別和提取。

圖4 基于4種可見光植被指數提取的油菜目標的疊加（以7號樣方為例）

為了解決提取結果中油菜目標存在的斑塊破碎、面積過小等問題，本研究還進行一系列的目標識別后處理，包括矢量化、緩沖區分析、剔除異常值等。緩沖區分析中，本研究設置緩沖距離為向外延伸1 cm。進行緩沖區分析的原因在于提取并矢量化后的油菜目標間，由于間距、葉片大小和傾角等方面存在差異使得油菜目標數量顯著增加，同時也對數據的精度造成影響。從解譯的結果來看，某些距離較近的油菜目標，它們可能是同一株油菜不同傾斜方向的葉片，或能合并成一個完整油菜目標。

異常值的剔除，主要是對面積過小的“油菜目標”進行剔除。本研究根據影像的空間分辨率，同時結合影像獲取時油菜的生長情況及對真彩色影像的解譯結果，選擇1.16 cm2（約36個像素）為閾值，剔除面積小于此值的“油菜目標”。

本文基于過綠-過紅指數（ExG-ExR）圖像，對24個樣方區域的影像，分割提取了3 565個油菜目標。圖5展示第7號樣方區域中經過后處理得到的用于特征信息提取的矢量油菜目標、外接矩形邊界和柵格油菜目標。

圖5 油菜目標處理結果（以7號樣方為例）

2.2 油菜植株目標形態特征提取

油菜株數識別的基礎是油菜目標的提取，但要得到最終的株數結果，還需要完成油菜植株個體的分割剝離。雖然很多植株群體無法分割出單獨的植株個體，但多株群體其植株數量往往決定了其目標的形態特征。因此本研究通過形態特征估算不同植株目標內所對應的個體數量，即表2提取所得的15類形態特征。表3是變量間的相關系數，所有的相關系數均在顯著水平= 0.01（雙尾）下顯著。

2.3 基于形態參數的油菜植株數量估測模型

表3中第1列數據，反映出15類形態特征參數與因變量有著較好的相關性（||＞ 0.5），其中5（周長柵格數）與的相關系數的絕對值最大，達到0.886。這表明基于形態參數對油菜植株數量進行估測建模具有可行性。

表3 變量間相關系數

表3的其他列數據，反映的是兩個自變量之間的相關系數，若該值的絕對值越接近1，表明這些自變量存在較為嚴重的共線性（一般超過0.8即認為共線性明顯），這會降低模型的預測精度，同時將難以衡量每個解釋變量對總體2的貢獻。因此本文對這些特征信息進行初步篩選時，以0.8作為兩變量之間相關系數絕對值的閾值。

實際上，以1（外接矩形的周長）為例，對表3的第2列分析可得，與1（外接矩形的周長）相關系數的絕對值大于0.8的形態特征參數有2（外接矩形的面積）、4（外接矩形的面積周長比）、5（周長柵格數）、6（面積柵格數）、8（邊界指數）、9（形狀指數）、12（緊湊度）、13（圓度），其中最大值高達0.992（4）。這說明這些自變量之間存在明顯的共線性。1與2、4、5及6相關性較高，主要的原因在于它們都與油菜目標的幾何特征，如周長、面積等有著密切的聯系。因此，根據這些形態特征參數的含義和提取公式（表2）也能進一步解釋它們之間存在嚴重共線性的原因。所以，在這些存在明顯共線性關系的形態特征參數中，本研究選擇與因變量有著最高相關性的5（周長柵格數）作為建模的參數。

根據對表3各列數據的分析，本研究最終確定3（外接矩形的長寬比）、5（周長柵格數）、10（像素分布密度）共3個自變量用于建模。

油菜目標外接矩形的長寬比，是描述油菜目標的形態，其值越大，油菜目標越狹長，其形狀越趨向于長方形；反之，油菜目標形狀越緊湊，趨向于圓形、正方形。像素分布密度特征描述的是柵格對象像素在空間分布情況，其值取決于對象的形狀。正方形對象的像素分布密度值最大；對象形狀越狹長，像素分布密度越小。周長柵格數，反映油菜目標邊界所占的柵格個數，其值越大，周長越大。

表4對3個自變量分別從總體數據和建模數據進行統計分析，每個特征信息的各項指標差異不大，這也驗證了抽樣的結果對于反映總體的特征具有可靠性，所以抽樣的結果能應用于建模過程中。

基于油菜目標外接矩形的長寬比（1）、像素分布密度（2）和周長柵格數（3）進行油菜植株數量（）的逐步回歸建模。所得模型的2為0.803，值為3 864.825，模型值<0.05，標準估計誤差為0.699，3個自變量在模型中均顯著，因此可以認為油菜目標的植株數量與其外接矩形的長寬比、像素分布密度和周長柵格數存在線性關系，建立的回歸方程成立，所得模型方程為

= 0.3181– 1.592+ 0.013+ 3.32 （9）

表4 三個自變量的統計描述

注：①表示總體數據，②表示建模數據。1、2、3分別為3105

Note: ①indicates total data, ②indicates modeling data.1、2、3respectively represent3105

模型從整體的角度出發，建立了研究區域所采用的自行探索性研制的不同原理與結構的4種排種器直播作業下油菜目標的植株數量與形態特征之間的一般關系。模型系數的正負值顯示，油菜對象外接矩形的長寬比、周長柵格數與植株數量成正相關，而像素分布密度與植株數量成負相關。從表3也發現，像素分布密度與外接矩形的長寬比、周長柵格數成負相關。因此，模型符合實際規律。

結合三個自變量的標準化系數分析，1、2、3對應標準化系數分別為0.056、–0.120、0.794。標準化系數反映的是變量之間的相對重要性，若該變量波動程度較大，則顯得該變量比較重要。因此，從周長柵格數的標準化系數也印證了其波動的程度較大，相比像素分布密度，其重要性更明顯。

綜上所述，本研究所得的模型及其各自變量均具有統計學意義，回歸模型的2為0.803，對總體變異的解釋程度較理想。一般情況下，當油菜目標外接矩形的長寬比值越大，其形狀越狹長，像素分布密度也就越小，從而使其周長柵格數有所增加，最后該油菜目標所對應的植株數量相對較多。

2.4 預測結果與精度評價

模型檢驗的結果顯示（圖6），觀測值和模型預測值擬合2為0.809；油菜目標觀測的株數總和為1 268株，預測總和約為1307株，預測總和比觀測總和多39株，誤差率為3.08%；RMSE為0.728；MAE為0.420。圖6反映了觀測值和模型預測值之間的擬合效果。各項指標顯示，模型的檢驗結果較為理想。擬合2>0.8，RMSE、MAE均小于1，且MAE還小于0.5。考慮到在數據處理過程中，對油菜目標進行了異常值的剔除，所以所得的結果仍在合理的范圍內。

圖6 株數的真實值和模型預測值的比較

3 結論與討論

研究發現，將低空無人機遙感技術與油菜機械化直播相結合，能有效識別油菜機械直播的出苗株數，可為后續油菜機械直播效果的快速、準確評估提供技術支持。識別的機械直播油菜目標對應的植株數量與其外接矩形的長寬比、密度像素分布和周長柵格數存在線性關系，2= 0.803。一般而言，油菜目標外接矩形的長寬比的值越大，其形狀越狹長，像素分布密度就越小，從而使其周長柵格數有所增加，最后該油菜目標所對應的植株數量相對較多。所得模型的2為0.803，通過顯著性檢驗，標準估計誤差為0.699。驗證結果顯示，觀測值和預測值的擬合2為0.809，預測總和比觀測總和多39株，誤差率為3.08%，均方根誤差為0.728，平均絕對誤差為0.420。

本研究從整體的角度出發，利用超高分辨率的遙感影像對研究區域的機械直播油菜進行株數識別并獲得較好的結果。未來，可以針對本研究區域油菜機械直播所采用的自行探索性研制的不同原理與結構的排種器分別評估并進行對比，分析這4種排種器機械直播效果和質量的優劣，實現更深入的油菜機械直播效果和質量評估。除此以外，植株數量識別作為油菜機械播種效果和質量評估的基礎，還能在此基礎上進行后續出苗率估算、行距與株距分布特征等播種效果和質量評估的嘗試。

綜上所述，低空無人機遙感技術在農業現代化、機械化、規模化種植等方面的應用潛力巨大。低空無人機遙感技術憑借其成本低、易操作、效率高等優勢，未來可能應用于油菜或其他作物的機械播種效果和質量的評估。

[1] 吳崇友，易中懿．我國油菜全程機械化技術路線的選擇[J]．中國農機化，2009(2)：3－6． Wu Chongyou, Yi Zhongyi. Selection of technology route of oilseed rape mechanization in entire production proceeding in China[J]. Chinese Agricultural Mechanization, 2009(2): 3－6. (in Chinese with English abstract)

[2] 王漢中，殷艷．我國油料產業形勢分析與發展對策建議[J]．中國油料作物學報，2014，36(3)：414－421． Wang Hanzhong, Yin Yan. Analysis and strategy for oil crop industry in China[J]. Chinese Journal of Oil Crop Sciences, 2014, 36(3): 414－421. (in Chinese with English abstract)

[3] 諶國鵬，馮志峰，李英，等．我國油菜生產機械化的現狀、問題及對策[J]．中國種業，2009(8)：14－15． Chen Guopeng, Feng Zhifeng, Li Ying, et al. Current situation, problem and countermeasure of rape production mechanization in china[J]. China Seed Industry, 2009(8): 14－15. (in Chinese with English abstract)

[4] 馬霓，李云昌，胡瓊，等．我國南方冬油菜機械化生產農藝研究進展[J]．中國油料作物學報，2010, 32(3)：451－456． Ma Ni, Li Yunchang, Hu Qiong, et al. Research of agronomic techinques for mechanical production of winter rape (Brassica campestris L.) in south China[J]. Chinese Journal of Oil Crop Sciences, 2010, 32(3): 451－456. (in Chinese with English abstract)

[5] 周廣生，左青松，廖慶喜，等．我國油菜機械化生產現狀、存在問題及對策[J]．湖北農業科學，2013, 52(9)：2153－2157． Zhou Guangsheng, Zuo Qingsong, Liao Qingxi, et al. Mechanical production status, existing problems and strategy discussion of rapeseed in China[J]. Hubei Agricultural Sciences, 2013, 52(9):2153－2157.(in Chinese with English abstract)

[6] 吳崇友，王積軍，廖慶喜，等．油菜生產現狀與問題分析[J]．中國農機化學報，2017, 38(1)：124－131． Wu Chongyou, Wang Jijun, Liao Qingxi, et al. Current status and problems of rapeseed production[J]. Journal of Chinese Agricultural Mechanization, 2017, 38(1): 124－131.(in Chinese with English abstract)

[7] 羅錫文，廖娟，胡煉，等．提高農業機械化水平促進農業可持續發展[J]．農業工程學報，2016, 32(1)：1－11． Luo Xiwen, Liao Juan, Hu Lian, et al. Improving agricultural mechanization level to promote agrivultural sustainable development[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(1): 1－11. (in Chinese with English abstract)

[8] 朱明，陳海軍，李永磊．中國種業機械化現狀調研與發展分析[J]．農業工程學報，2015, 31(14)：1－7． Zhu Ming, Chen Haijun, Li Yonglei. Investigation and development analysis of seed industry[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(14): 1－7. (in Chinese with English abstract)

[9] 楊松，廖慶喜，陳立，等．2BFQ-6型油菜精量聯合直播機播種油菜的田間植株分布規律[J]．農業工程學報， 2011，27(12)：23－28． Yang Song, Liao Qingxi, Chen Li, et al. Distribution of rapeseed sowed by 2BFQ-6 precision planter[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2011, 27(12): 23－28. (in Chinese with English abstract)

[10] Shi Yeyin, Wang Ning, Taylor Randal K, et al. Automatic corn plant location and spacing measurement using laser line-scan technique[J]. Precision Agriculture, 2013, 14(5): 478－494.

[11] Font D, Palleja T, Tresanchez M., et al. Counting red grapes in vineyards by detecting specular spherical reflection peaks in RGB images obtained at night with artificial illumination[J]. Computers and Electronics In Agriculture, 2014, 108: 105－111.

[12] Colomina I, Molina P. Unmanned aerial systems for photogrammetry and remote sensing: A review[J]. Journal of Photogrammetry and Remote Sensing (ISPRS), 2014, 92: 79－97.

[13] Zhang Chunhua, Kovacs John M. The application of small unmanned aerial systems for precision agriculture: a review[J]. Precision Agriculture, 2012, 13(6): 693－712.

[14] 汪沛，羅錫文，周志艷，等．基于微小型無人機的遙感信息獲取關鍵技術綜述[J]．農業工程學報，2014, 30(18)：1－12． Wang Pei, Luo Xiwen, Zhou Zhiyan, et al. Key technology for remote sensing information acquisition based on micro UAV[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(18): 1－12. (in Chinese with English abstract)

[15] Hunt E Raymond, Hively W Dean, Fujikawa Stephen J, et al. Acquisition of NIR-Green-Blue digital photographs from unmanned aircraft for crop monitoring[J]. Remote Sensing, 2010, 2(1): 290－305.

[16] Bendig Juliane, Bolten Andreas, Bennertz Simon, et al. Estimating biomass of barley using crop surface models (CSMs) derived from UAV-Based RGB imaging[J]. Remote Sensing, 2014, 6(11): 10395－10412.

[17] 李冰，劉镕源，劉素紅，等．基于低空無人機遙感的冬小麥覆蓋度變化監測[J]．農業工程學報，2012, 28(13)：160－165． Li Bing, Liu Rongyuan, Liu Suhong, et al. Monitoring vegetation coverage variation of winter wheat by low-altitude UAV remote sensing system[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012, 28(13): 160－165.(in Chinese with English abstract)

[18] 王利民，劉佳，楊玲波，等．基于無人機影像的農情遙感監測應用[J]．農業工程學報，2013, 29(18)：136－145． Wang Limin, Liu Jia, Yang Lingbo, et al. Applications of unmanned aerial vehicle images on agricultural remote sensing monitoring[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(18):136－145. (in Chinese with English abstract)

[19] 汪小欽，王苗苗，王紹強，等．基于可見光波段無人機遙感的植被信息提取[J]．農業工程學報，2015, 31(5)：152－157． Wang Xiaoqin, Wang Miaomiao, Wang Shaoqiang, et al. Extraction of vegetation information from visible unmanned aerial vehicle[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(5): 152－157. (in Chinese with English abstract)

[20] Sankaran Sindhuja, Khot Lav R, Carter Arron H. Field-based crop phenotyping: Multispectral aerial imaging for evaluation of winter wheat emergence and spring stand[J]. Computers and Electronics in Agriculture, 2015,118:372－379.

[21] 高林，楊貴軍，李紅軍，等．基于無人機數碼影像的冬小麥葉面積指數探測研究[J]．中國生態農業學報，2016, 24(9)：1254－1264． Gao Lin, Yang Guijun, Li Hongjun, et al. Winter wheat LAI estimation using unmanned aerial vehicle RGB-imaging[J]. Chinese Journal of Eco-Agriculture, 2016, 24(9): 1254－1264. (in Chinese with English abstract)

[22] 張正健，李愛農，邊金虎，等．基于無人機影像可見光植被指數的若爾蓋草地地上生物量估算研究[J]．遙感技術與應用，2016, 31(1)：51－62． Zhang Zhengjian, Li Ainong, Bian Jinhu, et al. Estimating aboveground biomass of grassland in Zoige by visible vegetation index derived from unmanned aerial vehivle image[J]. Remote Sensing Technology And Application, 2016, 31(1): 51-62.(in Chinese with English abstract)

[23] 丁雷龍，李強子，杜鑫，等．基于無人機圖像顏色指數的植被識別[J]．國土資源遙感，2016, 28(1)：78－86． Ding Leilong, Li Qiangzi, Du Xin, et al. Vegetation extraction method based on color indices from UAV images[J]. 2016, 28(1): 78－86. (in Chinese with English abstract)

[24] 楊琦，葉豪，黃凱，等．利用無人機影像構建作物表面模型估測甘蔗LAI[J]．農業工程學報，2017, 33(8)：104－111． Yang Qi, Ye Hao, Huang Kai, et al. Estimation of leaf area index of sugarvane using crop surface model based on UAV image[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33 (8): 104－111.(in Chinese with English abstract)

[25] 郭鈮．植被指數及其研究進展[J]．干旱氣象， 2003, 21(4) ：71－75． Guo Ni. Vegetation index and its advances[J]. Arid Meteo Rology, 2003, 21(4): 71－75.(in Chinese with English abstract)

[26] 田慶久，閔祥軍．植被指數研究進展[J]．地球科學進展，1998, 13(4)：10－16． Tian Qingjiu, Min Xiangjun. Advances in study on vegetation indices[J]. Advance in Earth Sciences, 1998, 13(4): 10－16. (in Chinese with English abstract)

[27] Otsu N. Threshold selection method from gray-level histograms[J]. Systems Man & Cybernetics IEEE ransactions on, 1979, 9(1): 62－66.

[28] 潘林，潘發明．SPSS統計分析大全[M]．北京：清華大學出版社，2016．

[29] Trimble. eCognition Developer 9.0 Reference Book[Z]. 2014.

趙必權，丁幼春，蔡曉斌，謝 靜，廖慶喜，張 建.基于低空無人機遙感技術的油菜機械直播苗期株數識別[J]. 農業工程學報，2017，33(19)：115－123. doi：10.11975/j.issn.1002-6819.2017.19.015 http://www.tcsae.org

Zhao Biquan, Ding Youchun, Cai Xiaobin, Xie Jing, Liao Qingxi, Zhang Jian. Seedlings number identification of rape planter based on low altitude unmanned aerial vehicles remote sensing technology[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(19): 115－123. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2017.19.015 http://www.tcsae.org

Seedlings number identification of rape planter based on low altitude unmanned aerial vehicles remote sensing technology

Zhao Biquan1,2, Ding Youchun3, Cai Xiaobin4, Xie Jing5, Liao Qingxi3, Zhang Jian1,2※

(1.430070,; 2.(),430070,; 3.430070,; 4.430077,; 5.430070,)

Identification of plant number of rape seedlings is the key to evaluating effect and quality of mechanical planting. In terms of the long-lasting and inefficient manual statistics in plant quantity detection of rape seedlings planted mechanically, this article explored a new means to automatically identify the number by a low altitude unmanned aerial vehicles (UAV) remote sensing system with ultra-high resolution. A color vegetation index, excess green - excess red (ExG-ExR), was chosen for image segmentation which was performed by Otsu algorithm. The features of rape plant like spectral and shape information were extracted after image segmentation. Combined with the field survey data, the research applied stepwise multiple regression analysis to build the relationship between the plant number of rape seedlings and features. The low altitude UAV used in research was integrated with an ultra-high resolution sensor, Nikon D800, an FX-format digital single lens reflex (DSLR) camera with effective pixel count of 36.3 million for definition and image quality. Its ultra-high resolution (0.18 cm/pixel) made the identification of rape seedlings plant number possible, although it captured RGB (red, green, blue) images. In fact, there were several color vegetation indices based on visible band. And the research on them had an outstanding achievement. This article compared the ExG, ExG-ExR, normalized green-red difference (NGRD) and green leaf index (GLI), which were commonly used in the study, especially in the UAV digital image system. The result of image segmentation showed that all the color vegetation indices could be suitable for the rape seedlings area identification and extraction. In the end, ExG-ExR was chosen in this paper because it was matched with the area of rape seedlings in RGB image best, while GLI had a lot of noise. Before feature extraction, there were some post-processings for the segmentation objects, such as vectorization, buffer analysis, abnormal object elimination and field survey data input. Finally, in 24 quadrats of this research area, 3 565 segmentation objects of rape with 15 shape features were identified and extracted. Eighty percent of them were randomly selected for regression, while the remaining 20% were used for testing. A correlation analysis for 15 shape features was conducted to solve the problem of choosing independent variables preliminarily. Three shape features, i.e. the length-to-width ratio of the minimum bounding rectangle, the distribution density of the pixels and the raster number of perimeter, were chosen for the stepwise multiple regression analysis. For the minimum bounding rectangle of vector segmentation rape objects, the length-to-width ratio was calculated. The distribution density of the pixels describes the distribution of the pixels of a segmentation object in space. The most “dense” shape is a square; the more an object is shaped like a filament, the lower its density. The raster number of perimeter is the sum of the raster numbers of border length for a segmentation object. The result indicated that there was a linear relationship between the plant number and 3 selected shape features. The model showed a determination coefficient2of 0.803 with high significance, and its standard error of estimate (SEE) was 0.699. Furthermore, strong correlation existed between the ground-measured and model-predicted plant number (2=0.809) in the test, and the root-mean-square error (RMSE) was 0.728. Overall, by calculating the color vegetation index and analyzing the correlation between rape seedlings plant number and features, the application of low altitude UAV remote sensing system integrated with ultra-high resolution sensor can effectively identify the plant number of rape seedlings planted by mechanical planter. Based on the automatic identification of rape seedlings plant number, the estimation of rape seedlings emergence and the distribution characteristic of row and plant space would be the next study direction for the evaluation on effect and quality of mechanical planting of rape seedlings.

unmanned aerial vehicles; remote sensing; models; rape; mechanical planting; plant number; multiple regression

10.11975/j.issn.1002-6819.2017.19.015

TP75;S127

A

1002-6819(2017)-19-0115-09

2017-05-15

2017-08-05

國家自然科學基金（41201364，31501222）；中央高校基本科研業務費專項資金資助（2017JC038, 2015BQ026,2014QC013）

趙必權，廣東佛山人，博士生，主要從事基于低空遙感技術的的田間表型觀測方法研究。武漢 華中農業大學資源與環境學院，430070。Email：zhaobiq@163.com

※通信作者：張 建，湖北大冶人，副教授，主要從事基于低空遙感技術的的田間表型觀測平臺研制及相關理論方法研究。武漢 華中農業大學資源與環境學院，430070。Email：JZ@mail.hzau.edu.cn