基于无人机可见光影像的免耕种植夏玉米苗数估算

苗建驰　崔文豪　杨蕾　李京谦　兰玉彬　赵静

摘要：为了快速估算免耕种植夏玉米出苗数，提高大田夏玉米种植管理的精准性，本研究利用无人机搭载可见光相机获取夏玉米田块高分辨率可见光影像，计算8种植被指数并结合最大类间方差法分割植被与非植被，经分析，选择红色植被指数（RI）二值化图像对可见光影像掩膜；然后统计夏玉米和杂草的24项纹理特征，比较杂草特征的变异系数及其与夏玉米的相对差异系数，选择红色方差提取夏玉米苗的特征，使用时序交点阈值法确定的阈值去除杂草干扰；提取夏玉米苗形态学特征参数作为样本，采用支持向量机（SVM）、BP神经网络、K近邻和决策树4种算法构建夏玉米苗数预测模型。结果表明，SVM和决策树算法的整体效果较好，决定系数均超过0.8且平均绝对误差（MAE）小于0.3，尤以决策树模型的精度最高，可达94.1％。本研究结果可为大面积夏玉米出苗率估测提供技术支持。

关键词：夏玉米；出苗数；无人机（UAV）；遥感；可见光

中图分类号：S127 文献标识号：A 文章编号：1001-4942（2024）03-0145-09

玉米是我国重要的粮食作物，在我国秋粮生产中占有举足轻重的地位，其中夏玉米占全国玉米产量的36%左右。夏玉米一般以免耕播种为主，上茬作物的秸秆与根茎对其出苗率有较大影响，而出苗率是影响夏玉米产量的关键因素之一，及时监测夏玉米出苗情况能够预防因缺苗造成的产量损失。传统苗情普查主要依靠人工抽样调查，但这种方式不适用大面积种植的作物，费时费力且效率低下，难以满足夏玉米种植精准管理需要。

无人机（unmanned aerial vehicle，UAV）和传感器技术的快速发展，为大范围获取农作物信息提供了新的手段。目前，无人机遥感技术在农业中的应用已成为研究热点。戴建国等对棉花二值图采用网格线法去除杂草干扰，提取棉花形态特征构建棉株数量识别模型，准确率达97.17%。赵必权等利用超高分辨率影像对油菜目标数量与形态特征进行提取，采用逐步回归分析方法建立油菜株数回归模型，其决定系数为0.803。韩文霆等通过比较5类地物特征的种内变异系数及其与玉米的差异系数，采用特征组合分层分类提取玉米种植信息，提取面积误差最小为13.98%。刘帅兵等对玉米二值图采用影像尺度变换法剔除噪声，结合Harris角点监测算法提取玉米苗期植株信息，识别精度高达97.8%。赵晓伟等选择ExG指数分割玉米与土壤背景，通过优化形态学特征组合参数建立支持向量机模型，预测玉米苗株数的精度达96.54%。支俊俊等通过提取遥感影像植被指数、HIS色彩特征和纹理特征，建立5种监督分类算法模型，实现玉米种植信息的高精度提取，总体精度为86.2%。

目前基于无人机遥感技术对作物苗数估算主要是结合颜色特征分析实现作物的识别与分割，运用网格法或设置缓冲区域去除杂草干扰。但这类方法适用于背景简单、杂草少、杂草与目标作物无粘连区域，而免耕种植的夏玉米区域，机收掉落的小麦种子多导致出苗密集，麦苗及杂草往往与玉米苗密集粘连，叶片相互遮挡，尤其3-4叶期的玉米株与杂草（包括小麦苗）高度差较小，单独采用颜色分析方法难以实现对夏玉米苗的提取。针对该问题，本研究以无人机获取免耕种植夏玉米田的可见光遥感影像，采用二阶概率统计滤波算法提取夏玉米和杂草纹理特征，选择最佳分类特征，利用时序交点阈值法确定的阈值提取夏玉米苗，并结合机器学习算法构建夏玉米苗数预测模型，实现免耕种植夏玉米出苗信息的统计，从而为夏玉米早期田间管理提供参考依据。

1 材料与方法

1.1 研究区域概述

研究区域位于山东省淄博市临淄区朱台镇山东理工大学生态无人农场（36°57＇12"N，118°12＇58＂E），属暖温带半湿润大陆性季风气候，地形以平原为主，主要种植小麦、玉米等作物。试验田总面积为43292m2，研究区域面积为7500m2。采用免耕方式种植夏玉米，行距60cm，株距20cm。杂草种类以小麦苗为主。研究区域如图1所示。

1.2 数据获取与预处理

于2022年7月4日（夏玉米3-4葉期）采集可见光影像数据，当日风力小于4级，天气晴朗。数据采集设备为大疆M300 RTK，搭载大疆Zen-muse P1相机L（DJI DL 35mm F2.8 LS ASPH Lens镜头），设计航向重叠率为80%，旁向重叠率为85%，飞行高度为30m，飞行速度为5m/s，曝光方式为自动曝光，采用等时间间隔拍照模式，共采集970幅玉米可见光影像。利用Pix4Dmapper软件对获取的影像进行校正和拼接，得到空间分辨率为0.37Cm的正射影像。

在研究区域随机选择35个大小为3.6m×3.6m的样方，方向分别为顺垄和垂直垄方向，用于目视判读玉米苗数。样方选择时，尽可能使样方边长是玉米行距和株距的整倍数，避免夏玉米苗被分块切割，影响目视识别精度。

1.3 研究方法

首先对获得的正射影像进行8种颜色特征分析，使用最大类间方差法实现非植被（裸土与麦茬）和植被（玉米与杂草）像元分离，提取非植被区域对可见光图像进行掩膜；统计夏玉米与杂草（包括麦苗）的24项纹理特征，选择提取夏玉米苗信息的最佳特征，采用时序交点阈值法得到夏玉米与杂草的分类二值图；提取夏玉米苗形态特征参数，通过相关性分析筛选特征变量，然后采用4种机器学习算法（K近邻算法、支持向量机、BP神经网络、决策树）对夏玉米苗数进行建模，实现夏玉米苗数估测。

1.3.1 非植被像元去除

对研究区域的地物分析发现，植被与非植被色彩差异明显，非植被主要呈褐色，植被主要呈绿色，因此可以先从可见光图像中去除非植被区域，从而提高后续夏玉米苗的提取精度。

最大类间方差法是一种自适应的阈值提取方法，核心思想是通过一个最佳阈值将图像像元分为目标与背景两类，具有运算快速和错分概率小的特点，因此用于对本研究中绿色植被分布的识别和提取。最佳分割阈值的计算公式如下：

gm=w090+w1g1 （1）

S=w0（g0-gm）2+w1（g1-gm）2 （2）

式中：w0、w1、g0、g1分别为目标和背景的像元比例及平均灰度；gm为图像总的平均灰度；S为最佳分割阈值。

植被指数是不同特定波長反射率的组合，由于不同地物反射率存在差异，其植被指数也各异。根据前人研究结果，本研究选择CLI、NCRDI、ExG、NGBDI、Cg、ExR、ExG-ExR和RI共8种植被指数（表1），采用最大类间方差法基于这8种植被指数对图像进行非植被像元分割，对比图像分割效果后选出最佳植被指数，用于提取非植被区域对可见光图像进行掩膜处理，从而实现植被与非植被的分割。

1.3.2 夏玉米苗目标提取

夏玉米苗与杂草颜色相近，从颜色特征难以对两者进行分类识别，因此通过提取可见光图像中夏玉米与杂草的纹理特征进行分类。纹理特征可以较好解决同谱异物的现象，进而提高地物的识别精度。通过对遥感数据红（R）、绿（G）、蓝（B）3个波段的灰度图进行二阶概率统计滤波，得到3个波段各白的均值、方差、协同性、对比度、相异性、信息熵、二阶矩、相关性等24项纹理特征，二阶概率统计滤波的窗口设置为7×7，方向为45°，灰度级为64。

人工目视随机选择468处夏玉米样区，512处杂草样区，从中提取24项纹理特征参数的均值和方差，进而根据杂草特征参数均值和方差得到杂草特征的变异系数（图2），根据杂草和夏玉米特征的均值计算得到与玉米相对的差异系数（图3）。变异系数是对样本特征像元统计值分布离散程度的归一化量度，差异系数是反映样本像元特征的差异程度，通过选择具有较小变异系数和较大差异系数的特征对夏玉米苗进行提取。经过对杂草特征的变异系数及其与夏玉米相对的差异系数进行排序评选，最终选择红色方差为区分玉米和杂草的特征。

采用时序交点阈值法确定最佳分离阈值，以像元统计个数为纵坐标，以红色方差像元值为横坐标，显示夏玉米和杂草的高斯拟合曲线（图4），以图中夏玉米与杂草两条线的交点作为两者最佳分割阈值，为36.39。

1.3.3 夏玉米苗几何特征提取

对夏玉米苗二值图像观察分析发现，有包含多株苗的连通区域，而连通区域夏玉米苗数会影响该区域的几何形态特征。为优选特征变量，根据前人研究经验，本研究共计算了夏玉米苗的9种几何形态特征参数，如表2所示。

基于以上特征参数，对35个监测样方内夏玉米苗的特征参数和所对应的苗数y进行相关性分析，结果如图5所示，发现特征参数之间存在严重共线性。因此以相关系数0.8作为阈值进行筛选，最终选择a3、a5和a7共3个变量进行建模。

1.3.4 模型构建及精度评价

在监测样方内共统计1061条样本数据，选择742条数据用于模型训练，剩余319条数据用于模型性能测试。采用K近邻（KNN）、支持向量机（SVM）、BP神经网络、决策树4种分类算法进行建模。确定4种算法参数：KNN采用曼哈顿距离，最近邻K值为30;SVM的核函数为径向基函数（radial basisf'unction，RBF），惩罚系数为5，核函数系数为scale：BP神经网络的激活函数为identity，求解器为adam，学习率0.1，迭代次数为1000;决策树回归采用遗传算法，叶子节点数最大为50，应用五折交叉法进行验证。

为了评价4种模型对夏玉米苗数预测的准确性，选用均方根误差（RMSE）、平均绝对误差（MAE）、决定系数（R2）对模型进行检验。3个指标的计算公式如下：

式中：IRE、IME、IR分别代表RMSE、MAE、R2的值；n为样本数量；yi为实际值；y'i为预测值；y'为预测值的平均值。

2 结果与分析

2.1 非植被像元去除

为去除可见光影像中非植被区域，对整幅影像计算8种植被指数，采用Otsu算法对8种植被指数图像进行植被与非植被分割，得到8张二值化影像，见图6。可以看出，ExG-ExR、ExR、GLI、NCRDI 4种植被指数将麦茬错分为植被，无法精准去除非植被区域；而Cg、ExG、NGBDI、RI对非植被像元均有较好的去除效果，土壤、麦茬像元掺杂较少。综合对比分割结果，RI二值化图像杂质较少、分割更为完整，因此选择红色植被指数二值化图像对可见光影像掩膜，从而得到植被图像。

2.2 夏玉米目标提取

从RI二值化图像中可以发现，RI对绿色植被有较好的提取效果，但无法对杂草和夏玉米进行分割。图7（a）为RI二值化图像再通过腐蚀、膨胀等形态学操作处理后的影像，发现完全可以剔除夏玉米周边面积较小且无粘连的杂草，但对于面积较大且与玉米密集粘连的杂草，如图7（a）黄色圆内外的杂草，去除效果不佳。采用纹理特征提取夏玉米苗的效果如图7（b）所示，可以看出该方法能够剔除夏玉米周围大面积杂草，精准提取玉米苗。

2.3 模型评价

用3种评价指标对4种机器学习模型的预测结果进行评价，结果（表3）显示，支持向量机和决策树模型的决定系数均达到0.8以上且MAE小于0.3，预测效果较好；其中决策树算法的R2为0.941、RMSE为0.182、MAE为0.064，预测效果最好。K近邻算法的预测效果最差，R2为0.729、RMSE为0.404。

图8为基于决策树模型的测试集数据预测结果。可以看出，样本点玉米苗主要为1株，说明本试验田的夏玉米苗以单株为主。对比实际调查结果发现，当样本点实际苗数为1、2、3株时，准确率较高；而当实际苗数为4、6、7、8株时，准确率明显下降。通过对误差较大样本的定位分析发现，当实际苗数为1-3株时，误差可能是由夏玉米植株分布不均匀及叶片遮挡所引起：当实际苗数为4-8株时，误差主要由夏玉米间的密集杂草粘连、间隙混入秸秆等噪声引起，导致预测苗数过大：当玉米植株冠层相互重叠度较大时，预测苗数会小于实际苗数。

2.4 夏玉米总体苗情分布

整幅遥感影像覆盖面积较大，难以处理，小范围内玉米株数可以在一定程度上反映玉米的出苗情况，因此本研究按照边长为1.2m的正方形监测单元对整幅影像做分割处理，分割成渔网状，分别对每个网格内的苗数进行预测，一个网格理想出苗数为12株。基于决策树模型预测结果计算样方内夏玉米苗数，并绘制夏玉米苗分布图直观显示苗情信息，如图9所示。可以看出，监测单元内的夏玉米苗数多集中在6株及以上：该区域整体出苗率较差，可能受麦茬秸秆覆盖影响较大：从图9（a）可以看出有两条缺苗带，对比图9（b），同区域的两行小格子有多处为深绿色，对应的夏玉米苗数为零，可能是机器漏播所致，应及时补苗。

3 结论

本研究基于无人机可见光影像数据，采用纹理特征分析结合时序交点阈值法提取夏玉米苗二值化图像，利用选取的形态学特征参数构建机器学习模型对玉米苗数进行预测，从而获取免耕种植夏玉米出苗情况。主要结论如下：

（1）为了去除可见光影像中非植被区域，本研究通过计算8种植被指数并结合最大类间方差法分割植被与非植被像元，发现红色植被指数（RI）二值化影像分割效果较好。因此利用该方法提取非植被区域对可见光影像进行掩膜，从而消除冗余信息并提高运行效率。

（2）针对基于植被指数无法对夏玉米和杂草进行有效分割的问题，采用灰度共生矩阵提取夏玉米和杂草的纹理特征参数，分析发现红色方差结合时序交点阈值法分割夏玉米苗和杂草的效果最好。

（3）提取夏玉米苗形态学特征参数，构建4种夏玉米估算模型。模型测试表明，当样点夏玉米苗数在1-3株、杂草与夏玉米叶片无粘连时，决策树模型对夏玉米苗数预测的精度最高，总体精度91.4%，MAE值低于0.25。基于该模型绘制夏玉米苗情分布图，可直观显示出田间苗情信息。

本研究方法能够快速、准确获取田间大面积夏玉米出苗情况，从而为夏玉米田间精细化管理提供技术保障。

基金项目：山东省自然科学基金项目（ZR2021MD091）；山东省引进顶尖人才“一事一议”专项经费资助项目（鲁政办字[2018]27号 ）