【专题阅读】作物信息监测技术

摘要：[目的/意义] 油料作物是粮食供应和非粮食供应的重要组成部分，也是食用植物油和植物蛋白的重要来源。实时、动态、大范围的油料作物生长监测对指导农业生产、维持粮油市场稳定、确保国民生命健康具有重大意义。遥感技术因其覆盖范围广、获取信息及时、快速等优势被广泛应用于区域作物产量监测研究和应用中。 [进展] 本文首先介绍了利用遥感技术对油料作物进行估产的相关背景；其次，从遥感参数反演、面积监测及估产研究三个方面综述了基于遥感技术的油料作物监测研究现状，指出数据同化技术在油料作物估产方面具有极大潜力，并从同化方法、网格选取两方面进行详细阐述。 [结论/展望] 指出了遥感技术在油料作物监测中的机遇，提出了基于遥感技术的油料作物估产在作物特征选取、空间尺度确定以及遥感数据选择等方面存在的一些问题和挑战，并对未来油料作物估产研究的发展趋势进行了展望。本文可为油料作物的区域估产及生长监测的深入研究提供借鉴和参考。

摘要：[目的/意义] 农业病虫害科学数据集是农业病虫害监测预警的基础，也是发展智慧农业重要的组成部分，对农业病虫害防治具有重要意义。随着深度学习技术在农业病虫害智能监测预警中应用效果的凸显，构建高质量的农业病虫害数据集逐步受到专家学者的重视。为了进一步构建高质量、分布均衡的农业病虫害图像数据集，提高检测模型的准确性和鲁棒性，本文以构建农业病虫害图像数据集面临的挑战为切入点，对农业病虫害数据集的构建进行了全面综述。 [进展] 分别从数据集层次、数据样本层次和使用层次总结构建农业病虫害图像数据集所面临的类间类内样本不均衡、选择偏差、目标多尺度、目标密集、数据分布不均、图像质量参差不齐、数据集规模不足以及数据集可用性等问题，从图像采集和标注方法两个方面，分析以上问题的主要成因，并归纳算法的改进策略和建议，最后总结了数据集相关评价方法。 [结论/展望] 结合农业病虫害图像识别实际需求，对构建高质量农业病虫害图像数据集提出了相关建议：（1）结合实际使用场景构建农业病虫害数据集。多视角、多环境下采集图像数据构建数据集，从算法提取特征的角度，科学、合理划分数据类别，构建样本数量分布和特征分布均衡的数据集；（2）平衡数据集与算法间的关系。研究数据集特征与算法性能之间的关系，需充分考虑数据集中的类别和分布，以及与模型匹配的数据集规模，以提高算法准确性、鲁棒性和实用性。深入研究农业病虫害图像数据规模与模型性能的关联关系、病虫害图像数据标注方法、模糊、密集、遮挡等目标的识别算法和高质量农业病虫害数据集评价指标，进一步提高农业病虫害智能化水平；（3）增强数据集的使用价值。构建多模态农业病虫害数据集，创新数据采集组织形式，开发数据中台，挖掘多模态数据间的关联性，提高数据使用便捷性，为应用落地、业务创新提供高效服务。

摘要：[目的/意义] 基于遥感手段的稻叶瘟（Rice Leaf Blast，RLB）无损早期监测对于抗性育种和植保防控具有重要作用。目前对稻瘟病的研究多使用反射光谱在其显症阶段进行监测，针对稻叶瘟早期侵染阶段的日光诱导叶绿素荧光（Solar-Induced Chlorophyll Fluorescence，SIF）光谱监测研究尚未见报道。本研究的目的是基于不同叶位的日光诱导叶绿素荧光信息，实现水稻叶瘟病早期阶段感病叶片的准确识别。 [方法] 基于一年的温室接种试验和大田采样实验，配合使用主动光源、ASD（Analytical Spectral Devices）地物光谱仪和FluoWat叶片夹，获取了拔节期和抽穗期水稻植株顶1至顶4叶位的叶片SIF光谱，并人工标注了被测样本的发病等级。研究基于连续小波分析（Continue Wavelet Analysis，CWA）提取对稻叶瘟敏感的小波特征，比较了不同叶位敏感特征及其感病叶片识别精度，最后基于线性判别分析（Linear Discriminant Analysis，LDA）算法构建了稻叶瘟识别模型。 [结果和讨论] 各叶位感病叶片远红光区域的上行和下行SIF均显著高于健康叶片；基于SIF小波特征的感病叶片识别精度显著高于原始SIF波段，顶1叶的稻瘟病识别精度显著高于其他三个叶位，其识别精度最高可达70%；提取的适用于多叶位的共性敏感小波特征↑WF832，3和↓WF809，3在顶1至顶4叶的精度分别达到69.45%、62.19%、60.35%、63.00%和69.98%、62.78%、60.51%、61.30%。 [结论] 本研究揭示了稻瘟病胁迫下水稻叶片SIF光谱响应规律，提取了对稻叶瘟敏感的SIF小波特征，结果证明了连续小波分析和SIF技术用于诊断稻叶瘟的潜力，为实现稻瘟病的田间早期、快速、原位诊断提供了重要参考与技术支撑。

摘要：[目的/意义] 葡萄卷叶病是一种严重影响葡萄产量和品质的病害。葡萄卷叶病感染程度类别之间存在严重的数据不平衡，导致无人机遥感技术难以进行精确的诊断。针对此问题，本研究提出一种结合细粒度分类和生成对抗网络（Generative Adversarial Network，GAN）的方法，用于提高无人机遥感图像中葡萄卷叶病感染程度分类的性能。[方法] 以蛇龙珠品种卷叶病识别诊断为例，使用GANformer分别对每一类的葡萄园正射影像的分块图像进行学习，生成多样化和逼真的图像以增强数据，并以Swin Transformer tiny作为基础模型，提出改进模型CA-Swin Transformer，引入通道注意力机制（Channel Attention，CA）来增强特征表达能力，并使用ArcFace损失函数和实例归一化（Instance Normalization，IN）来改进模型的性能。[结果和讨论] GANformer可以生成FID score为93.20的蛇龙珠虚拟冠层图像，有效地改善数据不平衡问题。同时，相比基于卷积神经网络（Convolutional Neural Networks，CNN）的深度学习模型，基于Transformer的深度学习模型在卷叶病感染程度诊断的问题上更具优势。最佳模型Swin Transformer在增强数据集上达到83.97%的准确率，比在原始数据集上提高3.86%，且高于GoogLeNet、MobileNetV2、NasNet Mobile、ResNet18、ResNet50、CVT和T2TViT等对照模型。而本研究所提的CA-Swin Transformer在增强数据后的测试集上达到86.65%的分类精度，比在原始的测试集上使用Swin Transformer精度提高6.54%。[结论] 本研究基于CA-Swin Transformer使用滑动窗口法制作了葡萄园蛇龙珠卷叶病严重程度分布图，为葡萄园卷叶病的防治提供了参考。同时，本研究的方法为无人机遥感监测作物病害提供了一种新的思路和技术手段。

摘要：[目的/意义] 不同类型的小麦倒伏（根部倒伏、茎部倒伏）对产量和质量会产生不同影响。本研究旨在通过无人机图像对小麦倒伏类型进行分类，并探究无人机飞行高度对分类性能的影响。[方法] 研究设置3个无人机飞行高度（15、45、91 m）来获取小麦试验田的图像，并利用自动分割算法生成不同高度的数据集，提出一种EfficientNetV2-C改进模型对其进行分类识别。模型通过引入CA（Coordinate Attention）注意力机制来提升网络特征提取能力，并结合CB-Focal Loss（Class–Balanced Focal Loss）来解决数据不均衡对模型分类准确度的影响。[结果和讨论] 改进的EfficientNetV2-C表现最佳，平均准确率达到93.58%。对比未改进的4种机器学习分类模型（支持向量机（Support Vector Machine，SVM）、K最近邻（K Nearest Neighbor，KNN）、决策树（Decision Tree，DT）和朴素贝叶斯（Naive Bayes，NB））与两种深度学习分类模型（ResNet101和EfficientNetV2），其中EfficientNetV2在各个高度下表现最优，平均准确率达到82.67%。无人机飞行高度对4种机器学习分类器性能无显著影响，但随飞行高度上升，由于图像特征信息损失，深度学习模型的分类性能下降。

摘要：[目的/意义] 利用低空无人机技术并结合深度学习语义分割模型精准提取作物倒伏区域是一种高效的倒伏灾害监测手段。然而，在实际应用中，受田间各种客观条件（不同无人机飞行高度低于120 m、多个研究区、关键生育期不同天气状况等）限制，无人机获取的图像数量仍偏少，难以满足高精度深度学习模型训练的要求。本研究旨在探索一种在作物生育期和研究区有限的情况下精准提取倒伏面积的方法。[方法] 以健康/倒伏小麦为研究对象，在其灌浆期和成熟期开展麦田图像采集工作。设置2个飞行高度（40和80 m），采集并拼接获取2019、2020、2021和2023年份3个研究区的数字正射影像图（Digital Ortho⁃photo Map，DOM）；在Swin-Transformer深度学习语义分割框架基础上，分别使用40 m训练集单独训练、40和80 m训练集混合训练、40 m训练集预训练80 m训练集迁移学习等3种训练方法，获得对照模型、混合训练模型和迁移学习模型；采用对比实验比较上述3种模型分割80 m高度预测集图像的精度并评估模型性能。[结果和讨论] 迁移学习模型倒伏面积提取精度最高，交并比、正确率、精确率、召回率和F1-Score共5个指标平均数分别为85.37%、94.98%、91.30%、92.52%和91.84%，高于对照组模型1.08%~3.19%，平均加权帧率达到738.35 fps/m2，高于40 m图像183.12 fps/m2。[结论] 利用低飞行高度（40 m）预训练语义分割模型，在较高飞行高度（80 m）空图像做迁移学习的方法提取倒伏小麦面积是可行的，这为解决空域飞行高度限制下，较少80 m及以上图像数据集无法满足语义分割模型训练的要求的问题，提供了一种有效的方法。

摘要：[目的/意义] 玉米茎秆宽度是影响玉米抗倒伏能力的重要指标。玉米茎秆宽度测量存在人工采集过程繁琐、设备自动采集识别精度误差较大等问题，研究一种玉米茎秆宽度原位检测与高精度识别方法具有重要应用价值。[方法] 采用ZED2i双目相机并将其固定在田间获取实时的玉米茎秆左目和右目图片，对原始图片进行数据增强，使用YOLOv8对玉米茎秆进行识别，再通过多次增加注意力机制（Coordinate Attention，CA）模块，和替换损失函数（Efficient IoU Loss，EIoU）的方法，进一步提高玉米茎秆的识别精度，然后通过对玉米茎秆的三维重建，获取识别框边界点在世界坐标系下的三维数据，通过距离公式计算出茎秆宽度。最后对改进后的YOLOv8模型与YOLOv8原模型、YOLOv7、YOLOv5、Faster RCNN、SSD进行对比，验证模型的识别准确性和识别精度。[结果和讨论] 改进后的YOLOv8模型的查准率P、查全率R、平均精确率mAP0.5、平均精确率mAP0.5∶0.95分别达到了96.8%、94.1%、96.6%、77.0%，玉米茎秆宽度原位检测宽度计算的线性回归决定系数R2，均方根误差RMSE和平均绝对误差MAE分别为0.373、0.265和0.244 cm，可满足实际生产对玉米茎秆宽度测量精度的要求。[结论] 本研究提出的基于改进YOLOv8模型的玉米茎秆宽度原位识别方法可以实现对玉米茎秆的原位准确识别，很好地解决了目前人工测量耗时费力和机器视觉识别精度较差的问题，为实际生产应用提供了理论依据。

摘要：[目的/意义] 根系是植物组成的重要部分，其生长发育至关重要。根系图像分割是根系表型分析的重要方法，受限于图像质量、复杂土壤环境、低效传统方法，根系图像分割存在一定挑战。[方法] 为提高根系图像分割的准确性和鲁棒性，本研究以UNet模型为基础，提出了一种多尺度特征提取根系分割算法，并结合数据增强和迁移学习进一步提高改进UNet模型的泛化性和通用性。首先，获取棉花根系单一数据集和开源多作物混合数据集，基于单一数据集的消融试验测试多尺度特征提取模块（Conv_2+Add）的有效性，与UNet、PSPNet、SegNet、DeeplabV3Plus算法对比验证其优势。基于混合数据集验证改进算法（UNet+Conv_2+Add）在迁移学习的优势。[结果和讨论] UNet+Conv_2+Add相比其他算法（UNet、PSPNet、SegNet、DeeplabV3Plus），mIoU、mRecall和根系F1调和平均值分别为81.62%、86.90%和78.39%。UNet+Conv_2+Add算法的迁移学习相比于普通训练在根系的交并比（Intersection over Union，IoU）值提升1.25%，根系的Recall值提升1.79%，F1调和平均值提升0.92%，且模型的整体收敛速度快。[结论] 本研究采用的多尺度特征提取策略能准确、高效地分割根系，为作物根系表型研究提供重要的研究基础。

摘要：[目的/意义] 培育优质高产的小麦品种是小麦育种的主要目标，而小麦籽粒完整性直接影响小麦育种进程。完整籽粒与破损籽粒的部分特征差异较小，是限制基于深度学习识别破损小麦籽粒精准度的关键因素。[方法] 为解决小麦籽粒检测精度低的问题，本研究建立ImCascade R-CNN模型，提出小麦籽粒表形鉴定方法，精准检测小麦籽粒完整性、分割籽粒并获取完整籽粒表形参数。[结果和讨论] ImCascade R-CNN模型检测小麦籽粒完整性的平均精度为90.2%，与Cascade Mask R-CNN、Deeplabv3+模型相比，能更好地识别、定位、分割小麦籽粒，为籽粒表形参数的获取提供基础。该方法测量粒长、粒宽的平均误差率分别为2.15%和3.74%，测量长宽比的标准误差为0.15，与人工测量值具有较高的一致性。[结论] 研究结果可快速精准检测籽粒完整性、获取完整籽粒表形数据，加速培育优质高产小麦品种。

摘要：[目的/意义] 构建绿色植株三维点云模型需大量清晰图像，受镜头景深限制，在采集大纵深植株图像时图像会部分失焦，导致出现边缘模糊、纹理细节丢失等问题，现有的处理算法难以兼顾处理质量和处理速度。本研究目的是提出一种新型算法，提高融合图像质量问题的同时兼顾处理速度。[方法] 提出了一种基于非下采样剪切波变换（Non-Subsampled Shearlet Transform，NSST）的参数自适应双通道脉冲耦合神经网络（Parameter Adaptation Dual Channel Pulse Coupled Neural Network，PADC-PCNN）与平稳小波变换（Stationary Wavelet Transform， SWT）的植株图像融合方法。首先对植株的RGB图像进行通道分离，针对含纹理细节等特征较多的G通道进行NSST分解，低频子带使用梯度能量融合规则，高频子带使用PADC-PCNN融合规则；对轮廓信息和背景信息多的R、B通道，采用速度快且具备平移不变性的平稳小波变换，用以抑制伪Gibbs效应。自建了480幅图像共8组数据，以光照环境、距离和植株颜色为变量，同时采集不同焦距图像验证算法性能。[结果和讨论] 基于PADC-PCNN-SWT算法与常用的快速导向滤波算法（Fast Guided Filter，FGF）、随机游走算法（Random Walk，RW）、非下采样剪切波变换的脉冲耦合神经网络算法（Nonsubsampled Shearlet Transform based Pulse-Coupled Neural Network，NSST-PCNN）、平稳小波变换算法（Stationary Wavelet Transform，SWT）和非下采样剪切波变换的参数自适应双通道脉冲耦合神经网络（Nonsubsampled Shearlet Transform based Parameter-Adaptive Dual-Channel Pulse-Coupled Neural Network，NSST-PADC）等五种算法相比，在清晰度上比前四种算法分别提高了5.6%、8.1%、6.1%和17.6%，在空间频率上比前四种算法分别提高了2.9%、4.8%、7.1%和15.9%，而相较于融合效果最好的NSST-PADC算法在处理速度方面平均提升200.0%，同时调焦范围约6 mm。[结论] 本研究提出的基于PADC-PCNN-SWT多焦距图像融合算法实现了在保障融合质量的同时，提高了融合图像的效率，为搭建绿色植株三维点云模型提供高质量数据的同时节省了时间。

摘要：[目的/意义] 菌草是多年生可用作饲料与生物质能源的草本植物，在温带种植需克服越冬问题。低温胁迫会对菌草的生长发育造成不利影响。丙二醛（Malondialdehyde，MDA）含量作为诊断菌草低温胁迫状态的有力诊断指标，利用光谱技术反演MDA含量，可快速无损地评估菌草生长动态，为菌草育种及低温胁迫诊断提供参考。[方法] 本研究基于6个品种的菌草植株，设置低温胁迫组与常温对照组，获取菌草苗期的可见/近红外光谱（Visible/Near Infrared Spectrum，VIS/NIR）数据与叶片MDA含量信息，分析低温胁迫条件下菌草MDA含量及其光谱反射率均相应增加的变化趋势；为提升模型的检测效果，提出了改进的一维深度卷积生成式对抗网络（Deep Convolutional Generative Adversarial Networks，DCGAN）用于样本数量增广，并建立基于随机森林（Random Forest，RF）、偏最小二乘回归（Partial Least Squares Regression，PLSR）以及卷积神经网络（Convolutional Neural Networks，CNN）算法的MDA光谱定量检测模型。[结果和讨论] DCGAN可优化模型的可靠性与MDA检测精度，且DCGAN联合RF模型可以得到最佳的检测效果，其中预测集决定系数Rp2为0.7922，均方根误差为2.4063，残差预测偏差（Residual Predictive Deviation，RPD）为2.1937。[结论] 本研究利用DCGAN进行样本数量增广，能显著提升基于光谱数据的模型对菌草MDA含量的反演精度与预测性能。

摘要：[目的/意义] 为实现玉米的干旱胁迫等作物生长状态的无损监测，本研究探索一种基于高光谱技术的干旱胁迫下玉米叶片叶绿素含量与含水量无损检测方法。[方法] 首先使用高光谱相机采集不同干旱胁迫程度的苗期玉米叶片图像，并使用图像处理技术提取叶肉部分平均光谱。通过系统性地分析不同特征波长提取方法、机器学习回归模型对叶绿素含量和含水量预测性能的影响，分别建立最优叶绿素含量和含水量反演模型，并探究构建可用于叶绿素含量和含水量反演的植被系数并评估其反演能力。[结果和讨论] 结合逐步回归（Stepwise Regression，SR）特征提取与Stacking回归可获得最优叶绿素含量预测效果（R2为0.878，均方根误差为0.317 mg/g）；结合连续投影算法（Successive Projections Algorithm， SPA）特征提取与Stacking回归可获得最优含水量预测效果（R2为0.859，RMSE为3.75%）；新构建的归一化差分植被指数［（R410-R559）/（R410+R559）］和比值系数（R400/R1171）分别对叶绿素含量和含水量反演精度最高且显著高于传统植被系数，R2分别为0.803和0.827，均方根误差分别为0.403 mg/g和3.28%。[结论] 本研究构建的基于高光谱信息的反演模型与植被系数可以实现玉米叶片叶绿素含量与含水量的精确、无损检测，可为玉米生长状态实时监测提供理论依据和技术支持。

摘要：[目的/意义] 植物光合作用过程中释放的叶绿素荧光与光化学反应紧密耦合，其荧光信号采集是光合作用效率、植物生理及环境胁迫等无损的测试手段。作为获取该信号的叶绿素荧光成像系统通常价格昂贵，针对此问题，本文提出一种低成本叶绿素荧光成像系统设计方案。[方法] 叶绿素荧光成像系统主要由激发光灯组、CMOS（Complementary Metal Oxide Semiconductor）相机及其控制电路和智能手机上位机三部分组成。激光发灯组采用LED面光源和碗状结构，通过对光场的仿真分析保证光照强度和均匀性；采用微型CMOS相机进行荧光图像采集，利用智能手机作为上位机完成激发光控制，并将数据回传至手机或服务器进行分析、处理、存储及显示。[结果和讨论] 基于该方案，制造了一款仪器样机，其激发光强最大为6250 µmol/（m2·s），光场整体变化幅度偏差为2%，光谱范围为400~1000 nm，稳定的采集频率最高可达42 f/s，具备连续光激发和调制脉冲激发功能。[结论] 通过叶绿素荧光图像采集实验验证了本仪器的有效性。该仪器结构简单、造价成本低，在植物生理状态检测领域有着很好的应用价值。