基于無人機(jī)的水肥一體化玉米出苗率估算方法與試驗(yàn)

劉 志，賀 正，苗芳芳，賈 彪

(寧夏大學(xué) 農(nóng)學(xué)院，寧夏 銀川 750021)

出苗率在很大程度上決定農(nóng)作物的生長(zhǎng)狀況，同時(shí)也是農(nóng)作物獲得高產(chǎn)的一個(gè)重要參考因素[1]。因此，確定某一地塊作物成苗程度，得知該地塊的最佳出苗數(shù)量至關(guān)重要。我國西部寧夏地區(qū)春季多風(fēng)少雨，土壤墑情相對(duì)較差，春播玉米的出苗率受到嚴(yán)重威脅，單位面積內(nèi)玉米出苗率過低導(dǎo)致玉米減產(chǎn)[2]。種植戶或農(nóng)業(yè)技術(shù)工作人員通常在玉米苗期(第2葉或第3葉期)進(jìn)行人工點(diǎn)數(shù)玉米植株的數(shù)量，以便及時(shí)補(bǔ)苗，但是對(duì)于大面積的田間種植，玉米植株數(shù)目統(tǒng)計(jì)工程量大，耗時(shí)費(fèi)力，工作時(shí)間長(zhǎng)，工作效率低，勞動(dòng)成本高，且人工統(tǒng)計(jì)過程中容易出現(xiàn)誤查漏數(shù)現(xiàn)象，統(tǒng)計(jì)出入大，最后得出的出苗率誤差大[3]，嚴(yán)重影響出苗率的計(jì)算精度[4-5]，不利于玉米生產(chǎn)者及時(shí)采取有效的補(bǔ)救措施[6]。因此，急需一種省時(shí)、省力、高效、精確的出苗率獲取方法。

目前，獲取田間作物出苗率的方法大致可分為人工點(diǎn)數(shù)、機(jī)械手點(diǎn)數(shù)[7]、光電傳感[8]和機(jī)器視覺4種[9]。其中，運(yùn)用機(jī)器視覺技術(shù)獲得某一地塊作物幼苗數(shù)量來計(jì)算出苗率，不但省時(shí)省力，而且計(jì)算結(jié)果精確可靠[4]。因?yàn)橛衩鬃魑镉酌缙诘闹晷徒Y(jié)構(gòu)很適合垂直俯拍。與人工點(diǎn)數(shù)和機(jī)械手點(diǎn)數(shù)相比，基于機(jī)器視覺技術(shù)的設(shè)備(無人機(jī)搭載數(shù)碼相機(jī))進(jìn)入田間地頭，更有利于操作與控制，且測(cè)量數(shù)據(jù)精準(zhǔn)。

隨著無人機(jī)的日益成熟，使得無人機(jī)平臺(tái)的新型近地遙感技術(shù)備受農(nóng)業(yè)生產(chǎn)者青睞[10-11]。近年來，國內(nèi)外學(xué)者利用無人機(jī)獲取遙感信息進(jìn)行作物生長(zhǎng)監(jiān)測(cè)、營養(yǎng)分析等研究，并取得了一定的成效[12-13]。如利用無人機(jī)遙感小麥、玉米等作物進(jìn)行監(jiān)測(cè)，建立了作物生長(zhǎng)狀況指標(biāo)與圖像特征值之間的關(guān)系模型[14-16]。但目前絕大部分學(xué)者都是根據(jù)不同作物的生長(zhǎng)特征建立關(guān)系模型，針對(duì)玉米作物的無人機(jī)玉米出苗識(shí)別的研究較少，鑒于此，本文通過采用無人機(jī)獲取滴灌水肥一體化玉米幼苗期(灌出苗水30 d后，玉米為2葉1心)圖片，使用圖像處理技術(shù)對(duì)無人機(jī)遙感圖像進(jìn)行識(shí)別與分析，提取玉米出苗情況，計(jì)算不同氮素處理的出苗率，并建立基于無人機(jī)與機(jī)器視覺的玉米出苗關(guān)系模型，為精準(zhǔn)農(nóng)業(yè)作物生產(chǎn)管理及時(shí)、準(zhǔn)確地獲取信息提供數(shù)據(jù)支撐。

1 材料與方法

1.1 研究區(qū)概況與試驗(yàn)設(shè)計(jì)

試驗(yàn)于2018年4—10月在寧夏農(nóng)墾集團(tuán)示范基地開展，如圖1-a所示，試驗(yàn)地中心區(qū)域位于東經(jīng)106°01′，北緯38°24′，平均海拔1 170 m。田間試驗(yàn)設(shè)置6個(gè)不同氮素處理，分別為N0(0 kg·hm-2)、N1(90 kg·hm-2)、N2(180 kg·hm-2)、N3(270 kg·hm-2)、N4(360 kg·hm-2)、N5(450 kg·hm-2)，重復(fù)3次，各試驗(yàn)小區(qū)采取隨機(jī)區(qū)組設(shè)計(jì)，小區(qū)面積為67.5 m2，每個(gè)小區(qū)種植8行玉米，采用寬窄行種植，寬行70 cm，窄行40 cm，株距為20 cm；區(qū)組間隔設(shè)1 m走道，鋪設(shè)支管道的走道1.5 m，灌溉方式為基于水肥一體化技術(shù)的滴灌模式，各試驗(yàn)小區(qū)為獨(dú)立的滴灌與施肥單元。滴灌管道鋪設(shè)在窄行中間，種植密度為5 400 株·667m-2。試驗(yàn)區(qū)四周種植2～4行保護(hù)行，試驗(yàn)區(qū)總面積0.16 hm2，本試驗(yàn)采用無人機(jī)拍攝2個(gè)區(qū)組作為研究對(duì)象(圖1-c)。試驗(yàn)區(qū)種植青貯玉米，供試品種為天賜19(TC19)。

1.2 圖像獲取

本試驗(yàn)選取專業(yè)級(jí)無人機(jī)(深圳市大疆創(chuàng)新科技有限公司的Inspire1)，軸距559～581 mm，續(xù)航時(shí)間18～20 min，鏡頭f/2.8(20 mm等效焦距)，質(zhì)量(含電池)2 935 g，搭載數(shù)碼相機(jī)型號(hào)為X3，傳感器為SONY EXMOR 1/2.3″，有效像素為1 240萬。

玉米幼苗生長(zhǎng)期間，綠葉面積較小無法識(shí)別，綠葉面積過大則葉片會(huì)相互重疊進(jìn)而影響無人機(jī)識(shí)別精度，所以本試驗(yàn)選取灌出苗水30 d后的2葉1心期。飛行應(yīng)選擇晴朗、無云的天氣以提高無人機(jī)識(shí)別精度，盡可能避免在天氣狀況不良的條件下進(jìn)行圖像采集。在天氣狀況不良獲取的圖像如何處理是下一步研究的重點(diǎn)。

圖像采集時(shí)間為2018年5月25日，播種后30 d上午11:00左右，獲取無人機(jī)平臺(tái)數(shù)碼高清圖像，拍攝當(dāng)天晴空萬里，風(fēng)力2級(jí)，根據(jù)照明條件規(guī)劃航線設(shè)置，通過對(duì)無人機(jī)拍攝高度、圖像重疊度及拍攝懸停進(jìn)行設(shè)置，拍攝照片數(shù)量航點(diǎn)數(shù)都會(huì)在DJI GS軟件中自動(dòng)計(jì)算生成。在每次飛行前手動(dòng)調(diào)整光圈至f/4.0，相機(jī)曝光1/100 s，白平衡，IOS 100，焦距4 mm，飛行高度距地面5 m，拍攝時(shí)無人機(jī)鏡頭垂直地面，選擇相機(jī)觸發(fā)順序采集每張相鄰圖像間距以使兩個(gè)傳感器軸的圖像重疊大于85%。衛(wèi)星地圖與實(shí)際區(qū)域之間會(huì)存在偏差，規(guī)劃航線時(shí)選擇飛行器選點(diǎn)，航拍區(qū)域完全覆蓋目標(biāo)區(qū)域[17]。通過平板電腦載入已規(guī)劃完成的航線任務(wù)，飛行航線為“S”型(圖2)。由于一次任務(wù)拍攝航點(diǎn)有限，所以在區(qū)組中間設(shè)置了一個(gè)控制點(diǎn)。照片尺寸4 000×3 000像素，存儲(chǔ)格式為JPG。

圖2 無人機(jī)作業(yè)航線圖Fig.2 Operation route map of unmanned aerial vehicle

1.3 圖像處理

采用ORB(oriented fast and rotated brief)算法進(jìn)行無人機(jī)采集圖像的合成。ORB算法是將FAST(features from accelerated segment test)機(jī)器學(xué)習(xí)的角點(diǎn)檢測(cè)方法與BRIEF(binary robust independent elementary features)特征描述子結(jié)合，通過改良并進(jìn)行優(yōu)化，保留圖像特征，擬合形成ORB算法[18-19]。如圖3所示，拍攝照片的位置不同、角度發(fā)生改變，導(dǎo)致重疊區(qū)發(fā)生微量明暗亮度數(shù)值的變化，拼接圖像在接縫處出現(xiàn)明顯“邊緣效應(yīng)”，為了解決上述問題，本文結(jié)合基于距離的加權(quán)平均的融合算法[19]，通過計(jì)算重疊區(qū)域中的點(diǎn)到重疊區(qū)域左邊界和右邊界的距離比值來得到相應(yīng)的權(quán)值，重疊區(qū)域的像素點(diǎn)值f(x，y)如公式(1)所示[18]：

(1)

通過重疊區(qū)域部分像素?cái)?shù)值相應(yīng)權(quán)重相加，減少色彩和亮度差，可緩解圖像的不自然，使圖像呈現(xiàn)平滑質(zhì)感。本研究還利用Python和Open CV(open source computer vision library)面向?qū)ο蟮某绦蛟O(shè)計(jì)語言對(duì)圖片顏色域進(jìn)行識(shí)別，用于玉米幼苗與土壤背景的快速性分離運(yùn)算。

1.4 數(shù)據(jù)處理與統(tǒng)計(jì)分析

采用Excel 2010進(jìn)行數(shù)據(jù)整理，選用Origin 2018進(jìn)行數(shù)據(jù)分析與作圖，采用均方根誤差(RMSE)、標(biāo)準(zhǔn)均方根誤差(NRMSE)和決定系數(shù)

圖3 圖像邊緣效應(yīng)Fig.3 Edge effect of image

(R2)等指標(biāo)作為模型估測(cè)和驗(yàn)證[16]。估測(cè)與驗(yàn)證模型的取決定系數(shù)越接近于1，相應(yīng)的回歸化的均方根誤差與均方根誤差越小，則模型評(píng)測(cè)越好，公式如下[16]：

(2)

(3)

(4)

2 結(jié)果與分析

2.1 基于ORB算法與距離加權(quán)融合算法的無人機(jī)圖像合成

無人機(jī)采集的玉米有苗期原始圖像(圖4-b)，通過ORB算法拼接后出現(xiàn)明顯的廣角效應(yīng)，為了更好地尋找特征點(diǎn)進(jìn)行匹配，濾除失誤匹配點(diǎn)，本研究結(jié)合距離加權(quán)平局的擬合算法，計(jì)算重疊區(qū)域中的點(diǎn)到重疊區(qū)域左邊界和右邊界的距離比值來得到相應(yīng)的權(quán)值(圖4-c)，并通過修正、提純、合理優(yōu)化、對(duì)齊拼接、算法合并拼接處理(如圖4-d)，既避免田間圖像信息丟失，又有效更正了廣角效應(yīng)。為有效展現(xiàn)無人機(jī)拍攝玉米田間地塊區(qū)組的精準(zhǔn)區(qū)域，本研究每個(gè)區(qū)組拍攝113幅圖像，并進(jìn)行ORB算法與距離加權(quán)融合算法合成，便于后期精準(zhǔn)統(tǒng)計(jì)玉米株數(shù)和計(jì)算出苗率。

如圖5-a所示，利用Python和OPENCV面向?qū)ο蟮某绦蛟O(shè)計(jì)語言對(duì)玉米無人機(jī)圖片顏色域進(jìn)行識(shí)別，確定玉米植株幼苗葉片顏色色域HSV的閾值，使用顏色空間轉(zhuǎn)換函數(shù)cvCvtColor函數(shù)實(shí)現(xiàn)RGB向HSV轉(zhuǎn)換，從而獲取無人機(jī)玉米幼苗期圖像每個(gè)像素點(diǎn)的H、S、V顏色分量值，然后通過閾值判斷，其純度H量閾值為45°～85°時(shí)，可明顯分離玉米幼苗冠層圖像與土壤背景層圖像(圖5-b)。然后進(jìn)行二值化圖像處理如圖5-c所示。獲取二值化圖像后，由于田間玉米出苗狀況層次不齊，部分玉米幼苗進(jìn)入三葉期，葉片圖像過小或由于提取圖像時(shí)部分玉米植株不明顯，采用腐蝕膨脹法對(duì)圖像進(jìn)行膨脹處理，加強(qiáng)部分玉米小苗在圖像中顯示，去除孔洞使其更清晰，并采用異常值剔除法對(duì)雜草進(jìn)行剔除，由于部分雜草也處于苗期，面積雖然過小，但也會(huì)被識(shí)別出來，所以本研究依據(jù)圖像空間的分辨率，選用OPENCV刪除二值圖像中面積較小的連通域，訪問二值圖像每個(gè)點(diǎn)的值搜索二值圖中的輪廓，從輪廓樹中刪除面積小于40個(gè)像素閾值MINAREA的輪廓，并開始遍歷輪廓樹，當(dāng)連通域的中心點(diǎn)為白色時(shí)，而且面積較小則用黑色進(jìn)行自動(dòng)填充，得出深度優(yōu)化后的玉米苗期圖像(圖5-d)。

a，無人機(jī)圖像采集；b，原始圖像；c，ORB算法；d，廣角效應(yīng)修正和裁剪。a， Image capture by unmanned aerial vehicle; b， Original image; c， ORB algorithm; d， Wide-angle effect correction and tailoring.圖4 ORB算法與距離加權(quán)融合算法合成圖Fig.4 ORB algorithm and stitching wide-angle optimization preprocessing

圖5 玉米植株提取與深度優(yōu)化圖Fig.5 Extracted and advanced processing images of maize plants

2.2 玉米植株標(biāo)記與計(jì)數(shù)

通過對(duì)玉米植株提取與深度優(yōu)化(圖5)，可以較好地對(duì)玉米幼苗進(jìn)行識(shí)別與提取。然后運(yùn)用MATLAB八位連通域計(jì)算方法進(jìn)行自動(dòng)計(jì)算出苗數(shù)量，得出玉米出苗率狀況，在本研究中，由于玉米種植按寬窄行進(jìn)行，2行玉米種植在滴灌帶的兩側(cè)，也就是播種模式的窄行處，為了自動(dòng)精準(zhǔn)區(qū)分出各試驗(yàn)小區(qū)玉米幼苗，計(jì)算機(jī)通過圖像計(jì)數(shù)時(shí)，以每根滴灌帶為單位進(jìn)行玉米幼苗并識(shí)別與計(jì)數(shù)。計(jì)數(shù)路線是按空間信息轉(zhuǎn)換而來的點(diǎn)創(chuàng)建并記錄數(shù)據(jù)，計(jì)數(shù)路線由滴灌帶兩側(cè)所包含的點(diǎn)累加，根據(jù)玉米幼苗行數(shù)y軸和x軸分割的目標(biāo)轉(zhuǎn)換點(diǎn)以及玉米種植時(shí)的株距進(jìn)行分類和標(biāo)記。使用ARCMAP 10.3沿著y軸連接具有相同標(biāo)記的點(diǎn)與行間距來生成玉米幼苗識(shí)別記錄路線。圖6-a膨脹去雜處理，圖6-b定義每株玉米幼苗，圖6-c分類標(biāo)記，圖6-d連接點(diǎn)并平滑計(jì)數(shù)路線，結(jié)合二值圖像精確計(jì)算各試驗(yàn)小區(qū)每條滴灌帶上的玉米幼苗。

圖6 玉米幼苗標(biāo)記與計(jì)數(shù)局部圖Fig.6 Partial image of marking and counting maize seedlings

2.3 基于無人機(jī)標(biāo)記的玉米出苗率誤差評(píng)估

為了驗(yàn)證無人機(jī)標(biāo)記與計(jì)數(shù)方法的準(zhǔn)確性，本研究共拍攝3個(gè)重復(fù)的2個(gè)區(qū)組，每個(gè)區(qū)組包含N0到N5，6個(gè)試驗(yàn)小區(qū)，每個(gè)小區(qū)包含4個(gè)滴灌帶，共12個(gè)小區(qū)，48條滴灌帶，均通過人工調(diào)查計(jì)數(shù)與無人機(jī)標(biāo)記獲取的數(shù)字圖像分析處理來計(jì)數(shù)。玉米實(shí)際數(shù)量為2區(qū)組中實(shí)施不同氮素處理的人工調(diào)查計(jì)數(shù)的玉米植株數(shù)量，無人機(jī)標(biāo)記為無人機(jī)搭載數(shù)碼相機(jī)獲取數(shù)字圖像計(jì)數(shù)，進(jìn)行建模和試驗(yàn)誤差分析，誤差計(jì)算公式如(5)所示[4]：

(5)

式中：ω為誤差，R為人工調(diào)查的玉米植株數(shù)量，A為無人機(jī)搭載數(shù)碼相機(jī)獲取數(shù)字圖像計(jì)數(shù)所得的玉米幼苗數(shù)量。

由表1計(jì)算結(jié)果可知，人工計(jì)數(shù)與無人機(jī)標(biāo)記在圖像識(shí)別的誤差ω存在一定的誤差，平均誤差為1.168%。且無人機(jī)標(biāo)記結(jié)果與人工計(jì)數(shù)之間滿足線性回歸分析模型。由表2結(jié)果可知，區(qū)組1與區(qū)組2試驗(yàn)結(jié)果均顯示為無人機(jī)標(biāo)記結(jié)果與人工計(jì)數(shù)獲取的每個(gè)區(qū)組實(shí)施不同氮素處理小區(qū)的總玉米植株數(shù)量呈線性相關(guān)關(guān)系，且不同氮肥處理間參變量k、b均具有明顯的規(guī)律性變化，其中k值隨著施N量的增加而減小，b值隨著施N量的增加而增加，即kN0>kN1>kN2>kN3>kN4>kN5，bN5>bN4>bN3>bN2>bN1>bN0；其決定系數(shù)R2>0.720。

通過構(gòu)建人工計(jì)數(shù)與無人機(jī)標(biāo)記圖像計(jì)數(shù)之間的線性關(guān)系模型(圖7)可知，其決定系數(shù)等相關(guān)模型檢驗(yàn)參數(shù)R2、RMSE和NRMSE分別為0.895、4.359和2.436%。線性模擬模型精確度相對(duì)較高，能準(zhǔn)確地通過無人機(jī)平臺(tái)獲取玉米幼苗期植株數(shù)，并計(jì)算其出苗率。

表1 無人機(jī)標(biāo)記誤差分析結(jié)果

Table1Results of unmanned aerial vehicle marking error analysis

區(qū)組Block處理Treatment計(jì)數(shù)方式Countingmethod試驗(yàn)小區(qū)Experimental plot滴灌帶1Drip irrigation1滴灌帶2Drip irrigation2滴灌帶3Drip irrigation3滴灌帶4Drip irrigation4誤差Error(ω)/%區(qū)組1N0R01781861921960.532Block 1A0173189195191N1R11561801661510.306A1155178164158N2R21711981751490.866A2173199177150N3R31651741921931.657A3163176182191N4R41891771861791.778A4192183185184N5R51731871971790.543A5175186193178區(qū)組2N0R01841501831651.320Block 2A0194154183160N1R11881681891583.983A1181162182150N2R21661951821661.128A2167200184166N3R31791791712080.950A3176186176206N4R41971831721930.537A4191186176188N5R51851701801880.415A5185174177190實(shí)際播種數(shù)Actual seed number200200200200

表2 無人機(jī)標(biāo)記玉米出苗率函數(shù)關(guān)系

Table2Unmanned aerial vehicle marking maize emergence rate function

區(qū)組Block氮素水平Nitrogen level參數(shù)值Parameter valueskbRMSENRMSER2區(qū)組1 Block 1N01.087-17.3484.1232.1930.776N10.9991.5723.8082.3330.908N20.79633.8351.5810.9130.999N30.77839.5875.2922.9230.873N40.76139.8894.2132.3050.720N50.61074.5562.3451.2750.990區(qū)組2 Block 2N01.147-15.1465.9373.4820.895N11.1021.5087.0364.0030.997N21.01426.1572.7391.5450.999N30.85932.9904.6642.5310.914N40.83034.1044.6372.4900.926N50.56081.0112.6931.4900.857

圖7 無人機(jī)與人工計(jì)數(shù)之間的關(guān)系Fig.7 Relationship between unmanned aerial vehicle counting and manual counting

3 討論

玉米出苗率達(dá)不到播種的密度會(huì)造成玉米后期產(chǎn)量不足，玉米苗期植株矮小且脆弱，不利于大型機(jī)器進(jìn)入點(diǎn)數(shù)[5-6]。近年來采用無人機(jī)搭載數(shù)碼相機(jī)低空飛行標(biāo)記的能力，彌補(bǔ)了現(xiàn)有人工點(diǎn)數(shù)和機(jī)械點(diǎn)數(shù)等方法的不足[4]。本研究通過無人機(jī)航拍影像獲取玉米植株幼苗期植株圖像，運(yùn)用基于ORB算法與距離加權(quán)融合算法的無人機(jī)圖像合成(圖4)，并運(yùn)用Python和OPENCV面向?qū)ο蟮某绦蛟O(shè)計(jì)語言對(duì)玉米無人機(jī)圖片顏色域進(jìn)行識(shí)別，確定玉米植株幼苗H閾值范圍，分離玉米圖像與土壤背景層圖像，采用灰度運(yùn)算、二值化處理、膨脹處理和深度優(yōu)化處理，得到玉米苗期圖像(圖5)，然后運(yùn)用MATLAB八位連通域計(jì)算方法進(jìn)行自動(dòng)計(jì)算出苗數(shù)量，對(duì)玉米幼苗植株標(biāo)記與計(jì)數(shù)(圖6)，最終得出玉米出苗率。解決了無人機(jī)航拍過程中受到復(fù)雜環(huán)境如天氣、噪聲、葉片之間的遮擋等影響計(jì)數(shù)的問題[15]，此方法是基于機(jī)器視覺傳感的計(jì)數(shù)器，它們對(duì)玉米進(jìn)行連續(xù)拍照，然后對(duì)圖片進(jìn)行分析處理，后得出玉米植株數(shù)量[12-14]。此方法很適合點(diǎn)數(shù)幼苗期的玉米植株數(shù)量，也適合無人機(jī)垂直拍攝，計(jì)數(shù)結(jié)果較精確[15]。

本研究結(jié)果表明，無人機(jī)搭載的數(shù)碼相機(jī)進(jìn)行分析點(diǎn)數(shù)結(jié)果滿足線性函數(shù)關(guān)系模型(圖7)，通過表2的R2、RMSE和NRMSE可以看出，此模型可以作為無人機(jī)點(diǎn)數(shù)解決寧夏玉米出苗率運(yùn)算，雖然有一定誤差，但誤差并不會(huì)因施氮肥量的增加而試驗(yàn)結(jié)果偏大，出苗率也并未因施氮素越多，玉米幼苗長(zhǎng)得越大反而計(jì)數(shù)增多，是因?yàn)楦呤┑视衩子酌缦鄬?duì)較大，無人機(jī)圖像識(shí)別越清晰，計(jì)數(shù)更為精確，誤差也就越小。因此，由圖7的計(jì)數(shù)結(jié)果可知，N0、N1、N2要比N3、N4、N5誤差相對(duì)大。另外，由于無人機(jī)搭載高清相機(jī)像素畢竟存在一定的局域性，所以在玉米幼苗時(shí)期從田間獲取遙感圖像過程中，拍攝一組互相有重疊的局部圖像，并進(jìn)行圖像拼接，通過算法生成包含著這組局部圖像的一幅完整的寬視場(chǎng)圖像[9]。本文采取無人機(jī)搭載數(shù)碼相機(jī)，相比多光譜和高光譜傳感器，雖然無法獲取所有光譜信息，但是采用超高分辨率的成像特點(diǎn)對(duì)玉米出苗期植株精準(zhǔn)識(shí)別與提取起到了至關(guān)重要的作用。

當(dāng)無人機(jī)搭載數(shù)碼相機(jī)分析點(diǎn)數(shù)結(jié)果小于人工點(diǎn)數(shù)數(shù)量時(shí)，誤差產(chǎn)生的因素主要有2個(gè)，其一播種機(jī)播種時(shí)出現(xiàn)誤差，小部分玉米種子并未播種到試驗(yàn)田土壤中去，導(dǎo)致使用手提式便攜播種機(jī)進(jìn)行一次補(bǔ)播，在玉米生長(zhǎng)二葉期至三葉期進(jìn)行無人機(jī)出苗點(diǎn)數(shù)時(shí)，補(bǔ)苗玉米葉片過小，導(dǎo)致其在圖像處理識(shí)別過程中被誤認(rèn)為是噪聲，忽略掉補(bǔ)播后的玉米幼苗，或者把玉米幼苗誤算為雜草排除掉，使得補(bǔ)苗圖像信息損失，產(chǎn)生誤差；其二，首播的玉米種子，在三葉期間成長(zhǎng)迅速，葉面積過大，和相鄰玉米植株葉子有所重疊，在計(jì)算機(jī)二值圖像處理算法中，重疊部分呈現(xiàn)白色，導(dǎo)致部分植株邊緣提取失敗，計(jì)算機(jī)誤認(rèn)為2株玉米或多株重疊玉米幼苗為一株，從而產(chǎn)生誤差。當(dāng)無人機(jī)分析點(diǎn)數(shù)結(jié)果大于人工實(shí)際點(diǎn)數(shù)數(shù)量結(jié)果時(shí)，產(chǎn)生誤差的原因，第一是試驗(yàn)田中個(gè)別部分雜草由于生長(zhǎng)過快，莖稈粗壯，葉面積過大，如黃花蒿、蒼耳等雜草植物，在二值圖像處理算法中會(huì)被認(rèn)為是三葉期的玉米幼苗[4]；第二是個(gè)別玉米幼苗在拍攝角度上，因光照較強(qiáng)，反射較強(qiáng)，數(shù)碼相機(jī)在拍攝時(shí)不能拍攝出完整的玉米幼苗，產(chǎn)生莖葉相連部分導(dǎo)致邊界提取被誤判，從而產(chǎn)生誤差。因此，基于無人機(jī)遙感技術(shù)獲取農(nóng)田作物信息是近年來研究的重點(diǎn)，還需要進(jìn)一步開發(fā)無人機(jī)遙感信息獲取系統(tǒng)獲取農(nóng)田作物長(zhǎng)勢(shì)信息，指導(dǎo)精準(zhǔn)作業(yè)，實(shí)現(xiàn)對(duì)農(nóng)作物精準(zhǔn)管理，推動(dòng)精準(zhǔn)農(nóng)業(yè)全面發(fā)展。

4 結(jié)論

(1)采用低空無人機(jī)捕獲的超高分辨率RGB圖像估算玉米出苗率。運(yùn)用MATLAB二值圖像與ARCMAP進(jìn)行畫行線點(diǎn)相結(jié)合，對(duì)玉米幼苗識(shí)別和分割方法可靠。

(2)建立回歸分析模型是一種快速有效的玉米苗期計(jì)數(shù)方法，其相關(guān)系數(shù)R2、RMSE和NRMSE分別為0.895、4.359和2.436%。雖然存在一定的試驗(yàn)誤差，誤差不會(huì)隨著無人機(jī)采集圖像中玉米幼苗數(shù)量的增加而增大，但本研究有助于實(shí)際生產(chǎn)過程中對(duì)玉米植株的統(tǒng)計(jì)和出苗率的計(jì)算。

(3)本研究?jī)H對(duì)單一玉米品種(TC19)進(jìn)行人工與無人機(jī)出苗率建模，此方法為通用方法，公式參數(shù)是否適用于其他品種是下一步研究的重點(diǎn)。