基于無人機影像數據的煙草精準識別方法研究

關鍵詞：無人機；煙草；雜草；遙感指數特征；CRDVI

精準農業是集“3S（遙感、全球定位系統和地理信息系統的簡稱）”、信息技術、農業管理等一系列技術于一體的現代化農業農事操作技術與管理系統[1]。在《國家中長期科學和技術發展規劃綱要（2006—2020年）》中，將“農業精準作業和信息化”作為農業科技發展的優先主題[23]。精準農業技術是根據土壤肥力和每株作物生長狀況來調節對作物的投入，其作用在于合理資源的前提下，提高作物質量和產量[45]。農作物的識別與提取是其生長監測、管理以及估產的基礎工作，是農業現代化過程中必不可少的一部分[6]。煙草作為一種經濟作物，如何快速、精準識別株數，對于評估其產量具有重要意義[7]。傳統的方法主要通過GPS（global positioning system，全球定位系統）技術丈量種植面積，再通過樣方數據進行株數統計，其費時、費力且成本較高[8]。隨著遙感（remote sensing）技術的發展，不少學者利用衛星遙感數據對煙草開展了種植面積和長勢監測的相關研究，但主要集中在大范圍的區域[9-11]。由于衛星影像空間分辨率不高，導致作物的提取與識別精度不高，無法滿足小范圍煙草株數精準快速識別提取。在喀斯特山區，由于云雨天氣的影響，使得可用的衛星影像數據較少，更加限制了衛星數據在該區域的應用[12]。

無人機遙感技術在很大程度上彌補了衛星遙感空分辨率上的不足，成為國內外的研究熱點[13-15]。胡馨月[16]以無人機收集的圖像數據為研究對象，運用分水嶺算法對樹木樹冠進行了提取，其提取精度在90%以上。劉帥兵等[17]通過對無人機圖像色彩空間進行變化，對比分析了RGB、HSV、YCbCr及LAB色彩空間的玉米幼苗期株數信息，并運用數學形態學理論和優化骨架識別算法提高了提取精度。李金陽等[18]利用無人機獲取大豆苗期圖像，選取不同植被指數、直方圖均衡化和最大類方差（OTSU）閾值算法提取大豆目標，其平均誤差為0.43%，能夠快速、準確識別大豆苗數。對于無人機在煙草中的應用主要為煙草種植面積[19]、病蟲害識別[20]、洪澇災害[21]和產量估算[22]等方面，對于株數識別研究較少。現有利用無人機識別株數的主要方法有模糊超像素分割（fuzzysuperpmel，FS）算法[23]、SLIC（simple linear iterativeclustering）超像素算法[24]和決策樹的植被分割算法[25]等，但上述方法均易受雜草的影響，存在大量的錯提取，其中SLIC 超像素算法對于樣地周邊的煙草檢測能力較差，出現大量漏提。還有學者基于深度學習，利用少量的關鍵點學習煙草中心形態學特征，并采用輕量級的編碼器和解碼器從無人機遙感影像中快速識別煙草并定位計數[26]。該方法主要依托軟硬件和專業技術人員的編程能力，不具備普適性，無法大眾化，滿足不了實際生產需求，且在雜草覆蓋度較大的區域同樣存在錯誤提取。

從上述研究來看，對于煙草的精準識別研究較少，且目前的研究方法均易受雜草或顏色與煙草相近地物的影響，造成大量的錯提和漏提現象，除此之外，研究方法普適性較差。針對上述問題，本文基于影像數據獲取煙草與雜草等相近顏色地物的光譜特征，根據地物間的光譜特征差異，構建顏色重組差異植被指數（color recombinationdifference vegetation index，CRDVI），并通過灰度分割、過濾和聚類等處理，對煙草進行精準識別和提取，以期有效剔除雜草對煙草識別效果的影響，同時為山區作物的估產、病蟲害監測、農作物長勢動態監測提供相應的技術支持。

1 材料與方法

1.1 研究區概況

實驗區位于貴州省貞豐縣北盤江鎮的煙草種植基地，中心坐標為105°35′50″N、25°36′01″E，屬北亞熱帶高原季風濕潤氣候，氣候溫和，四季分明。年平均氣溫19.5 ℃，7月平均氣溫25 ℃，極端最高氣溫34 ℃。生長期年平均175 d，無霜期年平均300 d；年均日照時數1 549.2 h，年總輻射102.6 kCa·cm-2。年平均降水日數為180 d，年平均降水量1 100 mm；土壤以黃壤為主。驗證樣區位于貴州省福泉市牛場鎮煙草種植基地，中心坐標為107°23′44″ N、26°54′42″ E，屬于亞熱帶季風氣候華中濕潤區，熱量豐富、雨量充沛，無霜期長，年均溫度14 °C左右，年均降水約為1 126 mm，光、熱、水同季，適宜多種農作物生長發育。2個區域主要種植為夏煙，移栽時間為4月，煙草的生長期主要分為苗床期和大田期[2728]，其中苗床期又分為出苗期、十字期、生根期和成苗期。成苗期過后進行移栽，進入大田期；而大田期主要包括還苗期、伸根期、旺長期和成熟期。煙草喜溫，優質煙草在生長期內對溫度的要求是前期較低、后期較高。日均氣溫低于13 ℃或高于35 ℃時，其生長受到抑制，品質降低。

1.2 數據獲取處理

采用大疆Phantom 4 RTK 無人機采集數據。實驗區影像采集于2022年7月6日，為了避免大風天氣和太陽光對于數據的影響，選擇風力較小、光線充足的12：00—14：00進行采集。由于該基地位于山頂，其地塊分布呈階梯狀，為了獲取高精度的可見光影像數據，運用GJI GS PRO軟件規劃航線，飛行高度設為50 m，航線重疊率和旁向重疊率分別為80% 和70%，共獲取可見光圖像561幅。驗證區影像采集于2023年5月18日，為了減小2期數據因環境因素帶來的差異，選擇天氣情況相似，相同時間段，航線高度和重疊率相同參數進行采集，獲得可見光照像612幅。將采集的數據運用Pix4Dmapper軟件進行影像拼接，通過空三加密、特征點匹配、校正等處理，得到總體分辨率為2.0 cm的正射影像，所得的影像數據地理坐標為WGS 84，投影坐標為UTM 48N。

為有效提取煙草植株，且排除研究過程的偶然性，選取4塊較為典型的樣地開展研究（圖1），樣方1地勢平坦，種植規整，主要地物為裸土-煙草，煙草處于旺長期，存在少量雜草，這種生長環境較為簡單，目標物與背景相對干凈，兩者具有較好的分離性；樣方2地勢平坦，種植規整，主要地物為雜草-煙草，煙草處于旺長期，存在大量雜草，這種生長環境較為復雜，目標物與背景相對混雜；樣方3地勢相對復雜，種植較為零散，主要地物為煙草-裸土，煙草處于成熟期，種植間距相對密集，植株間分離度較差；樣方4地勢平坦，種植規整，主要地物為雜草-煙草，煙草處于成熟期，種植分散，雜草量較多。

1.3 地物波普信息獲取

運用ENVI5.3軟件，通過目視判別的方式制作地物ROI（region of interest），以此統計各地物的植被指數特征和RGB特征值。為保證各樣本地物像元的純凈，減少數據統計誤差，對于樣本的選擇遵循以下原則：①每個地類選擇的面積適當且與邊界具有一定距；②選取的樣本位于每個地物像元的中心區域；③選取的樣本應覆蓋各個亮度區域，即包括作物在影像上的低、中、高等亮度區域；④選取的地物樣本數量均衡，對于顏色和亮度差異較大的區域適當增加樣本數量。最后，每個樣方分別采集裸土樣本、雜草樣本和煙草樣本各20個。

1.4 植被指數構建

綜合上述4個樣方內煙草和雜草在各波段上的樣本值，繪制箱線圖并擬合在RGB波段上的正態分布曲線，經過正態性檢驗，若各組數據P 值均大于0.05，則服從正態分布，即變量X 服從均值為μ、方差為σ2 的正態分布，記作N（μ，σ2）[29]。從正態分布曲線來看，若各數值均分布在（μ -2σ，μ+2σ）的范圍內，表明其在均值±2倍標準差可包涵95.8% 的觀測值。說明各地物的特征較為集中，地物間具有可分離性，并在該數據基礎上進行分析，探究各地物在不同波段上的差異特征，以此構建植被指數。

1.5 閾值提取及精度評價

采用OTSU算法進行圖形二值化分割閾值的確定，當閾值T 值使目標地物和背景地物的類方差最大時，此時為分割的最佳閾值，公式如下[3031]。

式中，W0為目標像元與總像元的比例；W1為背景像元與總像元的比例； -x 為圖形像元的平均灰度值；-x 0和-x1分別為目標像元和背景像元的平均灰度值；MN 表示圖像大小；N0 和N1 分別表示灰度小于和大于最佳閾值時的像元數量，σ為類間方差。

為進一步驗證RDVI的提取效果，加入常用的可見光植被指數進行對比分析，分別為可見光波段差異植被指數（visible-band difference vegetationindex，VDVI）、過綠指數（excess green， ExG）和改進型綠紅植被指數（modified red edge normalizeddifference vegetation index，MGRVI）[3233]，其計算公式如下。

為評價提取結果的精度，本文參考Shufelt等[34]的評價方法，引入分支因子（branching factor，BF）用以表示錯誤提取的百分比，檢測率（detection rate，DR）表示正確提取百分比，完整性（quality，QP）體現煙草植株提取結果的質量，完整性越高，說明提取效果越好[3435]，公式如下。

式中，FP（1 positive）表示錯誤提取的煙草植株數；TP（true positive）表示正確提取的煙草植株數；FN（1 negative）為漏提取的煙草植株數。當BF值越小、DR和QP越大時，提取效果越好。

1.7 驗證試驗設計

為了進一步探究該方法的適用性和準確性，選取同期采集的另一樣地進行驗證，命名為驗證樣區1。除此之外，為探究CRVDI的普適性，選取不同地域伸根期的煙草進行驗證，命名為驗證樣區2。運用CRVDI進行指數計算，將計算的結果通過聚類和過濾處理，去除碎斑，并進行歸一化處理，運用最大類方差法（OTSU）進行閾值分割，最后進行二值化處理。

2 結果與分析

2.1 地物光譜特征

由表1可知，各樣方中煙草的R和G波段均大于B波段的值，整體表現為DNGgt;DNRgt;DNB。裸土在各波段的值變化幅度相對平穩，表現為DNRgt;DNGgt;DNB。而雜草在各波段的表現與煙草相似，表現為：DNGgt;DNRgt;DNB。

為進一步探討各地物間的光譜差異，利用R、G、B 3個波段構建各地物彩色波譜圖（圖2）。從單一地物波譜圖來看雜草和煙草均表現為綠波段大于其余2個波段。其中，雜草在各波段區分度較為明顯，而煙草在紅波段和藍波段的值較為接近。從裸土-煙草波譜圖來看兩者間差異明顯，裸土在紅波段表現出強反射，煙草則在綠波段上強反射。從雜草-煙草波譜圖來看，兩者在各波段反射強度均表現按為DNGgt;DNRgt;DNB，但兩者在同一波段上的反射強度存在差異，整體而言，煙草在各波段上的反射強度均大于雜草，這是由于煙草的葉面積較大，且處于旺長期和成熟期，光合作用強，葉綠素含量多，使得對G光波段反射強。而雜草雖然同樣處于生長期，但其受煙草的影像，阻擋了部分陽光，光合作用相對較弱，葉片偏黃偏暗，對于G光波段反射相對較弱。

2.2 顏色重組差異植被指數構建

如圖3所示，R 煙草、G 煙草、B 煙草和R 雜草、G 雜草、B 雜草分別表示煙草和雜草在R、G、B波段上的表現值。從箱線圖來看，R波段中，煙草的1.5 IQR范圍、均值、中位數以及50%的分布區間均高于雜草，其1.5 IQR范圍為100.00～165.00；均值為134.14；50%的分布區間范圍為122.50～149.00。雜草的1.5IQR 范圍、均值、50% 的分布區間范圍分別為44.00～194.50、71.77、58.15～88.82。在G 波段中，煙草和雜草的1.5 IQR 范圍存在交集，分別為163.15～229.00、98.00～180；均值為200.86、136.36；50%的分布區間為193.10～215.50、149.50～127.16。在B波段中，煙草和雜草的1.5 IQR范圍也存在交集，分別為110.00～175.00、50.00～122.00；均值為144、81；50%的分布區間為135.00～158.50、70.00～93.00。煙草和雜草在R、G、B波段的50%分布區間內的比值范圍為2.11～1.68、1.29～1.69 和1.93～1.70，其范圍均值為1.89、1.49和1.82。

煙草在R、G、B波段上的均值±2倍標準差范圍分別為96.26～172.01、163.88～237.85和106.61～181.39；雜草在在R、G、B波段上的均值±2倍標準差范圍分別為43.08～100.47、97.78～17 495和40.65～121.35。兩者對應的R、G、B比值區間為2.23～1.71、1.68～1.36 和1.49～2.62，其區間均值分別為1.97、1.52和2.06。為突出煙草和雜草間的色彩差異，綜合2倍標準差范圍均值和50%分布區間范圍均值，比值為：R 煙草=1.93R 雜草、G 煙草=1.50 G 雜草、B 煙草=1.94B 雜草。以此作為顏色重組差異植被指數（color recombination difference vegetation index，CRDVI）的構建系數，其基本原理是找出各地物在不同波段上的差異，并把這種差異進行合理擴大，便于區分地物，其計算公式如下。

2.3 植被指數分析

2.3.1 植被指數計算結果 為驗證顏色重組差異植被指數的提取效果，選取了常用的幾個植被指數進行分析，同時為了便于對比分析，將其結果進行歸一化處理，影像灰度范圍為[0，1]，值越大，顏色越亮，結果如圖4所示。可以看出，4個植被指數對于煙草信息提取存在差異。ExG在地物相對單一的樣方1和樣方2中對于煙草信息較為突出，煙草部分呈現高亮顯示，其他地類顏色較暗，可很好反映煙草信息，但在樣方3中，雜草較多時，對煙草信息的突出減弱，對整體植被信息突出較強。VDVI和MGRVI對于植被和非植被的區分度較高，但對于煙草的整體信息突出較弱，對于煙草的部分葉片信息區分能力弱，顏色呈現暗灰色，這是由于這部分因為光照原因，顏色偏暗，對于綠波段的反射能力偏弱，無法完整反映煙草的整體信息。而CRDVI在3個樣方中均能很好的反映煙草的整體和局部信息，煙草呈現高亮顯示，其他地物總體偏暗，具備較好的分離度。

2.3.2 不同植被指數下地物像元特征分析 從地物在不同植被指數下的像元特征來看，各樣方中植被指數下的雜草和煙草其像元標準差較小，表明地物所在的像元值波動較小，具有很好的穩定性，特征集中。但從均值變化來看，在VDVI 和MGRVI中，雜草和煙草的均值差異不夠明顯，無法有效區分2種地物，容易存在混淆。在RDVI和ExG中，雜草和煙草的均值區級跨度較大，說明其區分度高，在一定程度上不易存在混淆，適宜地物的劃分。

2.3.3 各地物均值與1倍標準差范圍 為進一步探究各植被指數對雜草和煙草的分離度，從其綜合均值及±1倍標準差區間圖來看，VDVI的雜草1倍標準差區間為0.25～0.38，煙草區間范圍為0.25～0.32，兩者存在大范圍重疊，分離度較差。MGRVI的煙草和雜草的區間范圍分別為0.46～0.53、0.38～0.55，兩者同樣存在大范圍重疊，無法細化雜草和煙草。ExG中煙草的區間范圍為0.73～0.84，雜草的區間范圍為0.48～0.67，兩者不存在區間上的重疊，具備區分煙草和雜草的條件。CRDVI中煙草的區間范圍為0.85～0.96，雜草的區間范圍為0.46～0.72，其同樣不存在重疊，煙草和雜草的可分離性較強。綜上來看，在上述4種植被指數中，僅ExG和CRDVI具備分離雜草和煙草的條件。

2.4 煙草植株提取分析

2.4.1 閾值分析 通過閾值區間（表4）進行煙草植株提取，由于各指數構建原理是以R、G、B波段差異化進行構建，地物存在相似反射率，計算結果無法完全區分地物，存在部分混淆。在進行閾值分割時，一部分其他地物被劃分為煙草，因此像元二值化時存在部分不連續的小碎斑。因此將二值化的圖像進行聚類處理，運用數學形態學算子（腐蝕和膨脹），將臨近的類似分類區域聚類并進行合并，同時采用過濾處理（sieve）解決分類圖像中出現的孤島問題，使用斑點分組方法來消除被隔離的分類像元，去除小碎斑。

2.4.2 閾值分割結果分析 從圖6可知，白色部分為識別的煙草，黑色部分為其他背景地物。在樣方1和樣方2中，地物背景相對干凈，CRVDI和ExG對煙草的識別提取結果均較好，但也存在部分錯分現象，在樣方1中，由于部分巖石和裸土的亮度強，對各個波段的反射率均較高，其在各波段的DN值與目標地物相似，導致在擴大地物差異時將這一部份信息同時增強，進而導致誤提。而在樣方3中，CRVDI和ExG的提取結果存在明顯差異，CRVDI提取精度高于ExG，ExG存在部分漏提，一方面，因為在該樣方中存在大量植被，在計算時被劃分為雜草，進而導致漏提取；另一方面，由于其對煙草葉片等細節信息突出不夠，對煙草頂端信息過于突出，分類面積過小，導致在聚類和過濾處理時被劃分為其他地類。綜上來看，在煙草細節精度突出上面，CRVDI的精度高于ExG。

2.5 精度評價

將經過過濾和聚類處理后的指數圖像，根據閾值進行灰度分割，將整幅影像分割為煙草和其他地物，得到最終的煙草識別結果。根據田間調研并結合高清正射影像，得到實際的煙草位置信息，根據表4的判別標準樣本，進行精度分析。

經過統計（表5），樣方1中，CRVDI的漏識別株數為2株、錯誤識別9株，正確識別94株；ExG漏識別3 株，錯誤識別11 株，正確識別93 株。CRVDI錯誤識別類型主要為錯誤識別的樣本2類型，主要受高亮地物的影響，導致錯誤識別。ExG錯誤識別類型主要為樣本1和3類型，其受雜草和相近顏色地物的影響，如錯誤識別中的樣本，部分雜草面積過大或與煙草植株相互連接，進而造成錯誤識別；而漏識別則主要是其對煙草細節描述較差，只能提取煙草頂端信息，在進行碎斑處理時被消除，該現象在樣方3中最為明顯，存在4株漏識別。樣方2中，CRVDI漏識別1株，錯誤識別2株，正確識別94株。其中漏識別的主要類型為樣本2，煙草的部分區域未被識別，造成這種現象的原因主要在于光線的反射差異，部分煙草葉片存在病變，使得葉片偏黃，加強了光線的反射，進而導致未被識別。ExG不存在漏識別，但錯誤識別較多，為14株，正確識別87株。由于ExG對于植被信息提取較好，將部分雜草誤識別為煙草，且對于單株的提取能力較差。樣方3中，CRVDI漏識別1株，錯誤識別10株，正確識別101株，其漏識別主要類型為樣本1，其2株植株過于靠近，且一株在高度和投影面積上均遠大于另一株，使其光線被遮擋，對各波段反射率較低，導致色彩偏暗，在分割時被劃分為其他地類，產生漏識別。ExG漏識別為2株，錯誤識別較多，為13株，正確識別94株，其錯誤識別原因與樣方1和3相識。樣方4中，CRVDI存在漏識別1株，2株錯誤識別，正確識別113株，同樣易受高亮地物的影響，出現錯誤識別。ExG存在4株漏識別和3株錯誤識別，106株正確識別，其錯誤識別和漏識別原因與前兩個樣地相似。從分支因子、檢測率和完整性來看，當BF 越小，DP 和QP 越大時，識別提取效果越。CRVDI的分支因子均小于ExG；檢測率上，CRVDI也總體高于ExG；在完整性上，CRVDI 最高為97.41%，最低為89.52%，ExG最高為93.81%，最低為86.24%。由此可知，CRVDI對煙草的提取效果優于ExG，同時也說明了本方法在煙草的識別提取上具備一定的可行性。

2.6 驗證結果分析

從上述研究結果來看，CRVDI能夠有效去除雜草對于煙草識別的影響，彌補了ExG及其他植被指數在識別過程中雜草帶來的影響。為了進一步探究該方法的適用性和準確性，選取同期采集的另一樣地進行驗證，為探究CRVDI的普適性，選取了不同地域伸根期的煙草（驗證樣區2）進行驗證，結果如圖8所示。通過前期野外調研和人機交互處理，得到驗證樣區1煙草實際驗證樣本株數為1 456株，漏識別30株，錯誤識別123株，正確識別1 363株。驗證煙區2煙草實際驗證樣本株數為3 818株，漏識別168株，錯誤識別212株，正確識別3 649株。整體來看，2個驗證樣區漏識別存在兩方面原因：一方面是因為煙草靠近田坎，影像存在陰影，出現漏識別；另一方面由于部分煙草植株過小，在進行過濾和聚類處理數被剔除，尤其在團棵期時影響最大。錯誤識別主要是部分高亮的地物被誤分為煙草，以及部分煙草與雜草顏色過于接近，單從可見光無法進行區分。從提取精度來看，驗證樣區1中CRVDI提取結果的錯誤和漏識別較多，分支因子為僅0.08，檢測率為97.84%，完整性為89.99%；驗證樣區2 同樣存在大量的漏識別和錯誤識別，其分支因子為0.05，檢測率為95.59%，完整性為90.56%。整體而言，驗證樣區的提取精度與樣區1、2、3、4中差異較小，精度較高，可用于煙草的識別提取。

3 討論

本研究運用無人機采集煙草伸根期、旺長期和成熟期可見光影像數據，通過分析煙草與其他地物光譜特征差異，即根據不同地物在不同波段上反射和吸收特性，進行波段差異化重組，進而構建顏色重組差異植被指數（CRVDI）。該指數可有效快速地進行煙草植株的識別提取，在樣區1、2、3以及驗證樣區中的完整性均在89%以上。

從研究結果來看，CRVDI有效解決了大部分雜草對于煙草提取的影響，且該指數對于煙草的提取結果明顯好于其他3個可見光植被指數。但該指數同樣存在一定缺陷，基于可見光光譜特征進行作物的識別提取，其易受“同物異譜、同譜異物”的影響，使得光譜特征相近或光線照射不同的地物產生誤提取和漏提取，如煙草植株運用顏色指數進行識別提取時，雖然消除了了大部分雜草的影響，但同樣存在因其他綠色植被的影響而錯誤提取，對于部分具備高反射率的地物區分度較差，導致被誤分為煙草，這部分主要為裸露的白色巖石和顏色偏白的植被。而從與其余3個指數的對比以及前人的研究[3637]來看，常用的植被指數對于植被信息識別具有較高精度，且能夠有效分離植被與非植被，但對于特定綠色植被分離度較差，未能進行細分。如黃登紅等[38]對山藥植株運用顏色指數進行識別提取時，植被和非植被其在光譜特征則具備較好的區分度，在山藥植株識別提取時可有效剔除背景地物（梯坎、巖石、枯草和裸土等），但同樣極易受其他綠色植被的影響。針對上述問題，不少學者根據作物間生長周期和自身特點的不同，運用點云提取作物空間結構特征，根據其空間結構差異進行作物的識別提取，可以剔除可見光光譜特征作物提取時“同物異譜，同譜異物”，在理論和實踐上均具備一定的可行性。或通過引入紋理特征進行分析，但同時也存在一些問題，當兩者地物具備相同的空間結構紋理特征時，則無法進行有效區分[1，39]。下一步研究方向將考慮從作物的多個特征出發，在CRVDI指數基礎上，削弱雜草對煙草識別的影響，同時融入煙草紋理、空間和時序等多個特征，構建復合型的煙草識別提取模型，進行識別提取，提高煙草識別精度，除此之外運用深度學習的方法進行作物提取，使得提取更加的高效快捷。