付虹雨，崔國賢*，崔丹丹，佘瑋，李緒孟，蘇小惠，王繼龍，劉婕儀，王昕慧，劉皖慧，趙亮，全芮萍，周倩文

（1.湖南農(nóng)業(yè)大學(xué)苧麻研究所，湖南 長沙410128；2.湖南農(nóng)業(yè)大學(xué)農(nóng)學(xué)院，湖南長沙410128）

劍麻具有纖維質(zhì)地堅韌、耐磨、耐鹽堿、耐腐蝕等眾多優(yōu)勢，是我國熱區(qū)乃至全球最重要的經(jīng)濟作物之一［1］。然而，近年來，隨著耕地面積的下降，我國自產(chǎn)的劍麻纖維已經(jīng)不能滿足國內(nèi)的需要，并且隨著劍麻纖維用途的不斷增加，劍麻纖維的剛性需求增大，劍麻產(chǎn)業(yè)發(fā)展陷入困境。在劍麻的產(chǎn)量構(gòu)成因素中，株數(shù)具有決定性意義，實現(xiàn)劍麻株數(shù)的識別對于估測劍麻產(chǎn)量、調(diào)整生產(chǎn)戰(zhàn)略等具有至關(guān)重要的意義。

傳統(tǒng)劍麻株數(shù)調(diào)查主要依靠人工實地采集，這種方法雖然準確率高，但費時費力、時效性低，不適合大面積作物信息采集。近年來，農(nóng)業(yè)遙感技術(shù)的飛速發(fā)展為農(nóng)業(yè)信息的便捷、快速獲取提供了可能。在眾多遙感平臺中，無人機以其特有的機動靈活、高分辨率、低成本、安全性強等優(yōu)勢實現(xiàn)了農(nóng)業(yè)遙感在小型化、實用性以及大眾可承受性上的突破［2］。

當前，基于無人機遙感影像識別目標作物的常見方法有兩種：基于像元的目標識別和面向?qū)ο蟮哪繕俗R別?；谙裨哪繕俗R別難以充分利用高分辨率影像提供的豐富信息，并且傾向于關(guān)注目標局部而忽略整體結(jié)構(gòu)信息，致使識別精度不高［3］。面向?qū)ο蠓椒ㄒ苑指詈螽a(chǎn)生的多個同質(zhì)像元組成的對象為基礎(chǔ)，充分考慮對象綜合特征信息，進而完成目標提取［4］。李明等［5］利用面向?qū)ο笏惴ㄌ崛×怂痉N植區(qū)域的光譜、幾何和紋理特征，基于綜合特征建立了Logistic回歸模型對水稻地塊進行精準分類。前人［6］曾采用面向?qū)ο笏惴▽ι诸愋瓦M行了識別分類，證明了該方法在森林資源信息調(diào)查中的可信性。廖珊珊等［7］基于甘蔗地種植區(qū)的光譜、形狀、紋理特征，利用eCognition軟件進行面向?qū)ο蠓诸?，有效地提高了甘蔗地識別的精度和效率。

隨著精準農(nóng)業(yè)對作物密度的空間數(shù)據(jù)產(chǎn)生的需求，快速、準確實現(xiàn)作物株數(shù)測定成為亟待解決的難題［8］。本研究以劍麻為研究對象，基于無人機-可見光遙感系統(tǒng)獲取的高清數(shù)字影像，嘗試采用面向?qū)ο蠖喑叨确指钏惴ㄗ詣犹崛β橹陻?shù)，并結(jié)合目視解譯數(shù)據(jù)判讀結(jié)果精度，旨在為估測劍麻產(chǎn)量提供支持，同時也為基于無人機遙感的作物株數(shù)識別提供方法補充。

1 研究區(qū)概況與數(shù)據(jù)來源

1.1 研究區(qū)概況

試驗于廣西壯族自治區(qū)欽州市浦北縣張黃鎮(zhèn)東方農(nóng)場（23°18′10.087″N，108°15′46.626″E）進行，該區(qū)域地形相對平坦，為無人機進行劍麻遙感監(jiān)控提供了條件。同時，東方農(nóng)場在亞洲東南部季風(fēng)區(qū)內(nèi)，屬于亞熱帶季風(fēng)性濕潤氣候，降水充沛，太陽輻射強，光熱條件良好，為劍麻提供了極好的生長環(huán)境。本研究選取試驗區(qū)由9廂組成，每廂46行×2列，共828株劍麻，具體情況見圖1。

圖1 廣西東方農(nóng)場劍麻試驗田Fig.1 Test field of Guangxi Dongfang farm

1.2 數(shù)據(jù)來源

1.2.1 劍麻冠層遙感影像采集

于2019年4月12日利用無人機平臺搭載高分辨率數(shù)碼相機采集劍麻冠層遙感影像，所用無人機為大疆悟2四旋翼無人機，其總質(zhì)量為3.3 kg，飛行載質(zhì)量為4 kg，最大飛行時間達27 min。無人機搭載的高清數(shù)碼相機為zenmusex5s，配置 Panasonic Lumix15mm／1.7鏡頭，質(zhì)量為461 g，有效像素可達2080萬，拍攝影像最大分辨率為5280×3956。為避免云層遮擋以及太陽光線影響，選擇在10：00～12：00時間段進行飛行。飛行拍攝參數(shù)在任務(wù)執(zhí)行前設(shè)置完成，具體信息見表1。試驗設(shè)計的飛行高度為20 m，為保證拼接圖像信息的完整性，設(shè)置了-75°和-90°兩種不同的云臺俯仰角拍攝方式，并確保主航向上重疊率80%，主航線間圖像重疊率70%。

表1 無人機飛行拍攝參數(shù)Table 1 Flight photography parameters of unmanned aerial vehicle

1.2.2 數(shù)據(jù)預(yù)處理

采用Pix4Dmapper軟件完成劍麻冠層遙感影像自動拼接，基本操作流程為：檢查pos數(shù)據(jù)中的相片號與圖像數(shù)據(jù)相片號是否一致，以確保經(jīng)度、緯度、高度、航向傾角、旁向傾角、相片旋角的吻合；通過篩選尋找包含某一點M的全部圖像，提取M點的空間位置和姿態(tài)信息，完成對M點的還原并生成實驗區(qū)域的點云圖；使用空三射線編輯器加入控制點三維空間信息，保證不同時期獲取的拼接圖像在同一坐標位置體系下；基于配準后的地理位置，生成最終的劍麻冠層正射影像。

為提高計算運行效率，采用Photoshop切片工具對劍麻冠層正射影像進行切割，以3×6為尺度將試驗區(qū)分為18個小區(qū)，每小區(qū)圖像分辨率為4944×3387，圖像位深度為24。

2 基于面對對象分類法的劍麻株數(shù)提取方法

劍麻株數(shù)提取的核心思想是實現(xiàn)劍麻中心區(qū)域分割，技術(shù)步驟如下：首先，對劍麻冠層影像進行多尺度分割，將若干對象分為目標對象（劍麻中心區(qū)域）以及非目標對象，實現(xiàn)非目標對象初步排查；然后，隨機采樣提取目標對象的圖像特征，定義目標對象特征空間；最后，基于提取的多元特征，面向多個對象再次進行分類以識別目標對象。本研究中，使用eCognition Developer軟件對劍麻冠層遙感影像進行面向?qū)ο蠖喑叨确指睢?/p>

2.1 多尺度分割

eCognition Developer中有多種分割方式，如多尺度分割、棋盤分割、四叉樹分割等，其中多尺度分割是最常用的方式。尺度參數(shù)、形狀因子、緊致度因子等參數(shù)都會直接影響到分割對象的大小以及信息提取的準確度。利用eCognition軟件經(jīng)過多次試驗后，選取適合的分割參數(shù)。

2.2 特征提取與對象分類

為實現(xiàn)劍麻株數(shù)提取，構(gòu)建劍麻中心區(qū)域和其他區(qū)域兩個類別，采用樣本最鄰近分類方法，選擇具有代表性的訓(xùn)練樣本，提取樣本特征值以定義樣本特征空間。研究選取了紋理、顏色、形狀3個特征空間的共21個特征參數(shù)作為規(guī)則集（包括7個顏色特征參數(shù)、7個形狀特征參數(shù)以及7個紋理特征參數(shù)）來建立統(tǒng)計識別函數(shù)。最后對圖像中若干對象執(zhí)行分類。為提高分類精度，重復(fù)特征提取步驟，將少量被錯分的部分進行修正定義以優(yōu)化分類結(jié)果。

2.3 誤差評估

采用總體分類精度（Overall Accuracy，OA）和漏分誤差（Omission Error，OE）2個指標判別基于面向?qū)ο蠖喑叨人惴ㄌ崛β橹陻?shù)的精準度?？傮w分類精度評價表示所有對象中被正確分類的樣本比例，公式如下：

OA＝1-｜Nd-Nv｜／Nv×100%

式中：

Nv—目視解譯劍麻總株數(shù)；

Nd—計算得到的劍麻總株數(shù)。

漏分誤差表示實際屬于目標對象，而錯誤被分為非目標對象的樣本數(shù)。

3 結(jié)果與分析

3.1 最優(yōu)分割尺度及參數(shù)的確定

研究嘗試了不同分割尺度下對象的分割情況。由圖2可以看出，當分割尺度小于400時，影像被分割得十分破碎，劍麻中心區(qū)域也被分割為多塊小區(qū)域；分割尺度為400～500時，劍麻中心區(qū)域分割較完整；分割尺度為500～600時，劍麻中心特征區(qū)域與其他葉片分割到一起；當分割尺度為600～700時，分割對象面積擴大，劍麻與裸土合并。因此，經(jīng)多次對比，選擇分割尺度為400。在分割尺度為400的條件下，以形狀因子和緊湊度因子均為0.5為基準，逐步進行參數(shù)調(diào)整，得到17組分割結(jié)果（圖3），對比發(fā)現(xiàn)形狀因子為0.5、緊湊度因子為0.6是最佳的分割參數(shù)，影像分割效果最好。

圖2 不同分割尺度的對比Fig.2 The comparison chart of different segmentation scales

圖3 不同形狀參數(shù)和緊致度參數(shù)下分割情況的對比Fig.3 The comparison chart of different shape and compactness parameters

3.2 樣本特征統(tǒng)計分析

經(jīng)過多個特征的對比分析，考慮類別之間的距離和運行負荷，研究選取亮度、RGB均值、邊界指數(shù)、形狀指數(shù)、密度等21個特征對分割對象執(zhí)行分類，具體參數(shù)如表2所示。分析發(fā)現(xiàn)，劍麻中心區(qū)域與其他對象在多項特征上具有明顯差異，但使用單個特征進行兩者區(qū)分較難達到較高的分割精度，因此需要選取多特征組合進行劍麻中心區(qū)域的提取。

表2 兩種分類對象的特征值Table 2 Eigenvalues of two classification objects

3.3 劍麻株數(shù)提取結(jié)果分析

利用excel對導(dǎo)出的若干分割對象進行篩選，統(tǒng)計各小區(qū)劍麻株數(shù)。根據(jù)無人機遙感系統(tǒng)拍攝的冠層圖像，目視解譯每幅圖像中的劍麻株數(shù)。結(jié)果顯示，多尺度分割算法運用于劍麻株數(shù)提取中的總體精度為87.1%，總體漏分誤差為12.9%；在分割的18個小區(qū)中，最大誤差為10株，最小誤差為0株。分析造成漏分誤差的原因，主要是因為多尺度分割過程中存在過分割現(xiàn)象，導(dǎo)致實際為劍麻中心區(qū)域的對象被非目標對象分割為多塊，如圖4右側(cè)劍麻分割圖像所示。

表3 基于多尺度分割方法識別劍麻株數(shù)的準確度分析Table 3 Accuracy of sisal plant number identification based on multi-scale segmentation method

圖4 過分割圖像Fig.4 The repeat segmentation picture

3.4 劍麻冠層性狀主成分分析

對獲取的21個劍麻冠層性狀進行主成分分析，獲得能夠充分反映劍麻冠層性狀的綜合指標。由表4可知，入選的4個主成分累計貢獻率高達88.217%，可以有效反映各性狀的主要信息。從抽取的4個主成分中各旋轉(zhuǎn)因子的載荷分布可知（表5），指標GLCM contrast、GLCM dissimilarity、GLCM entropy在第一成分上有較高載荷，因此第一成分集中反映劍麻紋理特征；指標Brightness、Red mean、Green mean、Bluemean在第二成分上有較高載荷，相關(guān)性強，因此第二成分主要反映劍麻顏色特征；指標 Density、Asymmetry、Shape index、Roundness、Compactness在第三成分上有較高載荷，因此第三成分反映劍麻形狀特征；第四成分中各因子相關(guān)性分散，除Border index、Shape index旋轉(zhuǎn)后載荷絕對值大于0.5，其余各因子相關(guān)性都較小。

表4 劍麻冠層性狀主成分分析特征值與貢獻率Table 4 Characteristic value and contribution rate of principal component analysis of canopy characters

表5 旋轉(zhuǎn)后因子載荷矩陣Table 5 Rotated component matrix

4 討論與結(jié)論

本研究使用無人機遙感系統(tǒng)獲取了劍麻冠層影像，利用面向?qū)ο蠖喑叨确指钏惴▽β橹陻?shù)進行自動提取分析。

（1）近年來，無人機低空遙感技術(shù)在農(nóng)作物分類、病蟲害識別等領(lǐng)域的應(yīng)用發(fā)展迅速，這主要得益于無人機具有低成本、高效率、操作簡單、獲取圖像分辨率高的特點。然而與地面遙感平臺相比，無人機遙感系統(tǒng)獲取的空間分辨率仍有限，在復(fù)雜環(huán)境下實現(xiàn)作物單株分割具有一定挑戰(zhàn)性。當前大多數(shù)研究均利用深度學(xué)習(xí)法解決基于無人機遙感影像的圖像處理問題，操作復(fù)雜［9］。本研究基于劍麻冠層無人機遙感影像，采用了一種簡單的圖像分割方法對單株劍麻中心區(qū)域進行分割識別，為劍麻株數(shù)識別提供了一種新的技術(shù)。

（2）當前，已有學(xué)者基于田間作物冠層影像對作物株數(shù)進行識別，劉帥兵等［10］基于無人機遙感影像，利用骨架提取算法結(jié)合角點檢測提取了玉米苗期植株株數(shù)，總體識別率可達97.8%。這種方法的識別率很高，但是算法復(fù)雜，且僅適用于苗期作物，難以滿足種植密度大、重疊率高的作物株數(shù)的識別，具有一定的局限性。本研究采用面對對象多尺度分割方法，基于eCognition軟件自動實現(xiàn)劍麻株數(shù)提取，總體精度達到87.1%，分割效果較好，操作簡便，適用性強。

（3）獲取的劍麻冠層遙感圖像僅儲存了物體紅、綠、藍3個通道信息，單純使用色彩特征很難實現(xiàn)劍麻株數(shù)提取。通過面向?qū)ο蠓诸惖姆椒?，不僅可以得到單一像素的色彩信息，同時還充分利用了影像對象的單元集合像素，提取了對象的幾何特征、紋理特征、上下文等信息，通過融合劍麻的多種圖像數(shù)字特征，可以提高劍麻與其他對象的分割精度。值得注意的是，特征并非越多越好，為避免數(shù)據(jù)冗余，本研究采用主成分分析法對劍麻冠層中心區(qū)域共21個特征進行降維，其中，第一、二、三成分分別集中表達了劍麻冠層紋理特征、顏色特征、形狀特征。在今后的研究中，可進一步依據(jù)主成分對單株劍麻進行分割，利用較少的綜合變量盡可能最大化反映原來變量的信息，提高劍麻株數(shù)提取的準確率。

（4）由于劍麻植株成長階段不同以及多尺度分割過程中的過分割，使得株數(shù)自動統(tǒng)計的精度仍有提升的空間，下一步可以嘗試基于神經(jīng)網(wǎng)絡(luò)的劍麻株數(shù)提取，并比較兩種方法的差異。