姜友誼， 張成健，， 韓少宇， 楊小冬， 楊貴軍，楊 浩，*

(1.西安科技大學(xué) 測繪科學(xué)與技術(shù)學(xué)院，陜西 西安 710054； 2.北京農(nóng)業(yè)信息技術(shù)研究中心 農(nóng)業(yè)農(nóng)村部農(nóng)業(yè)遙感機(jī)理與定量遙感重點(diǎn)實(shí)驗(yàn)室，北京100097； 3.國家農(nóng)業(yè)信息化工程技術(shù)研究中心，北京100097)

植株計(jì)數(shù)是指調(diào)查特定區(qū)域內(nèi)準(zhǔn)確植株(或莖稈)數(shù)量，是田間育種過程和實(shí)際生產(chǎn)中的最常規(guī)調(diào)查之一，是出苗率(germination rate)和成株率(stand percent)調(diào)查的關(guān)鍵。在作物苗期，種植者需要調(diào)查出苗率、出苗密度和出苗均勻性，根據(jù)出苗質(zhì)量決定是否重新種植或?qū)罄m(xù)管理做出及時(shí)調(diào)整。在作物生長中后期，成株率，即某育種小區(qū)收獲時(shí)最終保持直立的植株數(shù)占標(biāo)準(zhǔn)小區(qū)計(jì)劃的植株數(shù)的比例，是育種工作者判斷育種小區(qū)觀測數(shù)據(jù)質(zhì)量的重要指標(biāo)。因此，植株計(jì)數(shù)不僅有助于玉米育種工作者高通量調(diào)查，也對玉米種植者評估生長狀況和進(jìn)行田間管理有重要意義。

然而，傳統(tǒng)玉米植株的計(jì)數(shù)主要依賴人工目視調(diào)查，該方法勞動密集，耗時(shí)耗力，且受不同調(diào)查人員主觀因素影響，對于高密度種植區(qū)，容易漏記錯(cuò)記。隨著無人機(jī)遙感技術(shù)的快速發(fā)展，為田間玉米高通量自動計(jì)數(shù)提供新的手段。目前基于遙感圖像的植株自動計(jì)數(shù)方法，主要可分為以下3類：(1)基于二維RGB圖像處理的方法。如Gn?dinger等和Chen等利用圖像分割技術(shù)，分別實(shí)現(xiàn)了對3～5葉玉米幼苗和早期棉苗的準(zhǔn)確計(jì)數(shù)和出苗率快速估計(jì)；Zou等基于目標(biāo)檢測算法實(shí)現(xiàn)了對玉米雄穗計(jì)數(shù)；Zhao等采用典型的Otsu閾值分割方法，從植被指數(shù)圖像中分割出油菜籽植物目標(biāo)，實(shí)現(xiàn)了油菜生長早期的苗木計(jì)數(shù)；通過概率統(tǒng)計(jì)理論(網(wǎng)格方差法)，Zhao等實(shí)現(xiàn)了對林木幼苗檢測，為林木再植提供依據(jù)；Matias等開發(fā)了一個(gè)開源R包用于檢測大田作物早期幼苗數(shù)。(2)基于深度學(xué)習(xí)算法的方法。如Jin等基于低空無人機(jī)高分辨率影像，根據(jù)作物與地面顏色特征差異進(jìn)行綠色像素分離，實(shí)現(xiàn)對小麥株數(shù)識別并估算苗期植株密度；Zhang等基于卷積神經(jīng)網(wǎng)絡(luò)(CNN)建立了一種基于無人機(jī)圖像的葉片識別模型，并根據(jù)識別出的葉片數(shù)量估算油菜幼苗數(shù)量，在4～6葉幼苗時(shí)期具有最好的模型性能；進(jìn)一步地，Pang等利用深度神經(jīng)網(wǎng)絡(luò)RCNN處理玉米植株的無人機(jī)影像，完成玉米苗期自動計(jì)數(shù)。(3)基于光譜信息和統(tǒng)計(jì)回歸模型的方法，如鄭曉嵐等基于多光譜數(shù)據(jù)建立機(jī)器學(xué)習(xí)模型的方法估算了棉苗株數(shù)；趙必權(quán)等通過建立顏色植被指數(shù)和油菜形態(tài)指標(biāo)的多元回歸模型預(yù)測了油菜苗株數(shù)?；诙SRGB圖像處理的方法在冠層覆蓋度較高時(shí)易受植株間交叉和遮擋的影響，不能分析較高種植密度的地塊；基于深度學(xué)習(xí)的方法則需要大量的樣本數(shù)據(jù)作為支撐；基于光譜建立模型的方法容易受到建模指標(biāo)的有效性、光譜飽和等因素的影響。以上3種方式多針對作物生長早期，該時(shí)期冠層覆蓋度低，地面與作物可明顯的區(qū)分，但具有高冠層高覆蓋度的作物生長中后期的計(jì)數(shù)手段尚待完善。

此外，不少研究表明，通過帶有植株高度信息的冠層高度模型CHM對單株進(jìn)行識別并計(jì)數(shù)可有效地統(tǒng)計(jì)冠幅較大的森林樹木數(shù)量。如李丹等基于模糊C值分類和分水嶺算法的無人機(jī)影像中提取林分因子；胡馨月等利用分水嶺算法分割無人機(jī)影像，自動化提取樹木株數(shù)；Yin等采用標(biāo)記控制分水嶺分割(MCWS)算法和種子區(qū)生長(SRG)算法對杉木樹冠進(jìn)行劃分，基于1 m分辨率的CHM單樹檢測精度達(dá)到80%。但玉米冠幅遠(yuǎn)小于樹木，且針對密值的玉米，還具有冠層相互交叉重疊嚴(yán)重、高冠層覆蓋度等特點(diǎn)，因而利用CHM進(jìn)行玉米株數(shù)識別有待進(jìn)一步檢驗(yàn)。另外，不同分辨率的CHM對識別結(jié)果精度有顯著影響。

本文對于冠層高覆蓋度的生長季中后期玉米育種小區(qū)，獲取了田間314個(gè)不同基因型的玉米育種小區(qū)的數(shù)碼RGB相機(jī)和機(jī)載激光雷達(dá)(light detection and ranging，LiDAR)兩種不同傳感器數(shù)據(jù)，分別建立了不同空間分辨率的CHM，基于結(jié)合株高信息的局部最大值算法提取單株玉米種子點(diǎn)，與人工目視解譯的結(jié)果進(jìn)行對比，篩選了植株計(jì)數(shù)的最佳分辨率。實(shí)現(xiàn)了對密植玉米育種試驗(yàn)區(qū)玉米株數(shù)的自動計(jì)數(shù)，為表型篩選、田間管理和精準(zhǔn)估產(chǎn)等提供依據(jù)。

1 實(shí)驗(yàn)設(shè)計(jì)與數(shù)據(jù)獲取

1.1 試驗(yàn)區(qū)與實(shí)驗(yàn)設(shè)計(jì)

本試驗(yàn)在河北省滄州市河間市(116.10° E，38.45° N)玉米育種試驗(yàn)基地進(jìn)行，試驗(yàn)區(qū)地勢平坦，土壤狀況均一(圖1-a)。本研究中，試驗(yàn)區(qū)大小約為80 m×70 m，該試驗(yàn)區(qū)種植密度為5 000株·667m，共涉及314個(gè)不同基因型玉米，每4行玉米為一個(gè)育種小區(qū)，大小約5.0 m×2.5 m，行距約60 cm，株距約25 cm。小區(qū)與小區(qū)之間無明顯間隔，從無人機(jī)數(shù)碼正射影像(digital orthophoto map，DOM)上可通過不同品種之間的顏色和紋理差異，區(qū)分不同的育種小區(qū)。

圖1 試驗(yàn)區(qū)及地面控制點(diǎn)Fig.1 Experimental area and ground control points

在無人機(jī)飛行區(qū)均勻穩(wěn)定地布置9個(gè)50 cm×50 cm大小的黑白相間的地面控制點(diǎn)(ground control point，GCP)(圖1-b)，使用全球差分定位系統(tǒng)獲取具有厘米精度的控制點(diǎn)地理坐標(biāo)信息，用于構(gòu)建試驗(yàn)區(qū)更加精準(zhǔn)的數(shù)字表面模型(digital surface model， DSM)。

1.2 數(shù)據(jù)獲取

1.2.1 無人機(jī)數(shù)據(jù)獲取

本研究對試驗(yàn)區(qū)進(jìn)行無人機(jī)數(shù)碼RGB影像和無人機(jī)LiDAR數(shù)據(jù)的獲取，數(shù)據(jù)獲取時(shí)間為2020年8月17日。獲取數(shù)據(jù)時(shí)天氣狀況良好，晴朗無風(fēng)，外部天氣因素對實(shí)驗(yàn)數(shù)據(jù)采集無影響。無人機(jī)飛行高度和飛行速度分別為35 m、4 m·s和35 m、3 m·s。飛行前，根據(jù)實(shí)際地形以及試驗(yàn)區(qū)大小規(guī)劃航線，保證航帶之間的航向重疊超過80%，旁向重疊超過75%，試驗(yàn)區(qū)所有育種小區(qū)為同一播期且玉米生長狀況良好。所使用的無人機(jī)系統(tǒng)和傳感器及技術(shù)參數(shù)如表1所示。

表1 無人機(jī)平臺及傳感器參數(shù)

1.2.2 驗(yàn)證數(shù)據(jù)獲取

基于無人機(jī)高分辨率DOM，采用五點(diǎn)取樣法，選取試驗(yàn)區(qū)5個(gè)精度驗(yàn)證樣本點(diǎn)，如圖1-a中的A、B、C、D和E所示。每一個(gè)樣本點(diǎn)包含2個(gè)育種小區(qū)，不同基因型玉米材料在高分辨率DOM上表現(xiàn)出紋理以及顏色的差異，結(jié)合每4行為一個(gè)育種小區(qū)的播種設(shè)計(jì)，利用ArcMap 10.6軟件建立每一個(gè)樣本點(diǎn)中育種小區(qū)邊界；同時(shí)，采用人工目視解譯的方法，在每一個(gè)取樣點(diǎn)的育種小區(qū)中標(biāo)注每一株玉米最高點(diǎn)位置(即雄穗位置)，5個(gè)樣本點(diǎn)共標(biāo)注879株玉米植株的頂點(diǎn)用于精度驗(yàn)證，小區(qū)邊界及玉米植株的位置解譯如圖2所示。

圖2 育種小區(qū)邊界及玉米參考位置Fig.2 Breeding plot boundary and maize reference location

2 數(shù)據(jù)處理及方法

2.1 無人機(jī)數(shù)據(jù)處理

2.1.1 無人機(jī)數(shù)碼

使用運(yùn)動結(jié)構(gòu)(structure-from-motion，SFM)軟件Agisoft PhotoScan 1.3，結(jié)合9個(gè)地面控制點(diǎn)實(shí)測高精度地理坐標(biāo)信息對拍攝的數(shù)碼RGB照片進(jìn)行拼接，構(gòu)建試驗(yàn)區(qū)的DSM和DOM。該過程包括特征點(diǎn)匹配，密集點(diǎn)云生成，DSM以及DOM的重建和輸出。0.03、0.05和0.10 m 3種不同空間分辨率的DSM被分別輸出。

基于不同分辨率的DSM，通過手動方式提取均勻分布于整個(gè)試驗(yàn)區(qū)的129個(gè)地面點(diǎn)，選點(diǎn)原則為裸土點(diǎn)、明顯的地面標(biāo)志點(diǎn)。通過克里金(Kriging)空間插值生成與DSM相應(yīng)的地面數(shù)字高程模型(digital elevation model，DEM)。

2.1.2 無人機(jī)激光雷達(dá)

對無人機(jī)LiDAR點(diǎn)云數(shù)據(jù)的處理主要包括LiDAR點(diǎn)云解算及預(yù)處理、地面點(diǎn)與植被點(diǎn)分離和DSM與DEM的構(gòu)建。

(1)LiDAR點(diǎn)云解算及預(yù)處理

無人機(jī)LiDAR點(diǎn)云數(shù)據(jù)的解算包括無人機(jī)飛行軌跡解算和原始激光數(shù)據(jù)與軌跡的匹配?；跓o人機(jī)位置與姿態(tài)測量系統(tǒng)數(shù)據(jù)(POS)和地面基站定位數(shù)據(jù)(GPS)，對無人機(jī)飛行軌跡進(jìn)行差分解算和GPS Level Arm反算；激光數(shù)據(jù)與軌跡的匹配利用RiPROCESS軟件完成，包括激光的波形解算、激光數(shù)據(jù)與軌跡的精準(zhǔn)匹配和LiDAR點(diǎn)云數(shù)據(jù)的生成與導(dǎo)出。LiDAR點(diǎn)云獲取過程中，由于大氣中漂浮有極細(xì)小的微粒，可能導(dǎo)致獲取的LiDAR點(diǎn)云數(shù)據(jù)中含有大量的噪點(diǎn)，因此需對解算后的三維可視的點(diǎn)云數(shù)據(jù)進(jìn)行去噪處理，去除空中的孤立噪點(diǎn)，使用LiDAR360，CloudCompare等點(diǎn)云處理軟件的去噪功能即可實(shí)現(xiàn)。

(2)地面點(diǎn)與植被點(diǎn)的分離

傳統(tǒng)的濾波算法大多是考慮在坡度、高程變化之間的不同來區(qū)分地物點(diǎn)與地面點(diǎn)，而“布料”濾波算法(cloth simulation filter，CSF)相較于傳統(tǒng)濾波算法具有設(shè)置參數(shù)少且便于理解，適用于多種場景且可對原始LiDAR數(shù)據(jù)進(jìn)行直接處理，對高程變化小的地形具有極大的優(yōu)勢。本研究試驗(yàn)區(qū)地勢平坦，坡度變化小，因而利用CSF算法進(jìn)行地面點(diǎn)與植被點(diǎn)的分離。

(3)DSM與DEM構(gòu)建

LiDAR點(diǎn)云為空間離散的點(diǎn)，基于CSF算法分離的地面點(diǎn)和作物點(diǎn)，利用LiDAR 360軟件對其進(jìn)行柵格化處理，分別構(gòu)建0.03、0.05和0.10 m 3個(gè)分辨率的DSM與DEM。

2.1.3 冠層高度模型(CHM)構(gòu)建

DEM僅儲存地面高程信息，而DSM則儲存包含地表建筑物、植被等在內(nèi)的地表高程信息，將相同分辨率的DSM與DEM作差后可構(gòu)建出包含試驗(yàn)區(qū)玉米植株高度信息的CHM，即CHM=DSM-DEM。

2.2 玉米單株檢測

2.2.1 局部最大值

局部最大值算法常用于森林單木樹冠的探測，使用局部最大值濾波器(local maxima filter)，通過設(shè)定移動窗口，檢測圖像中局部像素極大值作為種子點(diǎn)。局部最大值算法的窗口設(shè)置通?？煞譃楣潭ù翱诤蛣討B(tài)窗口。固定窗口局部最大值算法，較簡便快速，移動窗口的大小是一個(gè)經(jīng)驗(yàn)值，適用于單木冠層大小均勻的植被；移動窗口局部最大值算法沒有固定的大小，根據(jù)冠幅不同的變化情況調(diào)整。

本研究中，試驗(yàn)區(qū)玉米生長狀況良好，冠幅大小均一，采用結(jié)合高度信息的固定窗口局部最大值算法，基于CHM像素中包含的玉米株高信息，進(jìn)行玉米單株檢測。以玉米種植株距為固定窗口，滑動進(jìn)行局部最大值檢測。根據(jù)玉米實(shí)際的生長狀況，設(shè)定合適的高度閾值，減少玉米下層葉片對檢測的影響。理論上，一株玉米僅包含一個(gè)最高點(diǎn)。因此，滑動窗口檢測到的最大值，即認(rèn)為是一株玉米的最高點(diǎn)。將檢測到的玉米頂點(diǎn)儲存為帶有高程信息的點(diǎn)，稱種子點(diǎn)，一個(gè)種子點(diǎn)即認(rèn)為是一株玉米。

2.2.2 技術(shù)流程

本文的技術(shù)流程如圖3所示。

圖3 技術(shù)流程圖Fig.3 Technique flowchart

2.3 精度評價(jià)方法

檢測到的種子點(diǎn)與5個(gè)樣點(diǎn)內(nèi)目視解譯出的玉米頂點(diǎn)位置進(jìn)行空間一一匹配，評估檢測精度。本文選用正檢(true positive，TP)、錯(cuò)檢(false positive，F(xiàn)P)和漏檢(false negative，F(xiàn)N)3個(gè)指標(biāo)衡量玉米檢測的結(jié)果，其具體含義如表2所示。同時(shí)使用查全率(recall，，%)、查準(zhǔn)率(precision，，%)和綜合考慮和的總體精度(F-score，，%)來作為玉米檢測結(jié)果精度的評價(jià)。

(1)

(2)

表2 玉米檢測結(jié)果衡量指標(biāo)

(3)

式(1)、(2)中：、、分別表示正檢、錯(cuò)檢、漏檢的數(shù)量。

3 結(jié)果與分析

3.1 冠層高度模型(CHM)構(gòu)建與種子點(diǎn)生成

分別基于LiDAR點(diǎn)云和數(shù)碼RGB影像生成的DSM構(gòu)建0.03、0.05和0.10 m 3個(gè)分辨率的CHM。生成某一分辨率CHM時(shí)，使用相應(yīng)分辨率的DSM與DEM作差構(gòu)建，否則無法計(jì)算生成CHM，CHM的高度信息是局部最大值濾波提取單株玉米種子點(diǎn)的基礎(chǔ)。

利用局部最大值算法，以LiDAR點(diǎn)云構(gòu)建的0.05 m分辨率CHM為例，將檢測到的種子點(diǎn)與目視解譯的玉米位置進(jìn)行空間匹配，匹配結(jié)果如圖4所示，圖中綠色點(diǎn)為目視解譯的玉米參考位置，紅色點(diǎn)表示提取的種子點(diǎn)位置。通過對比，將檢測結(jié)果分為3類：一是正檢(圖4-a)，即種子點(diǎn)與目視解譯點(diǎn)重合，或一株玉米所在的空間范圍內(nèi)僅檢測出一個(gè)種子點(diǎn)(種子點(diǎn)與參考點(diǎn)未重合)；二是過檢(錯(cuò)檢)(圖4-b)，一株玉米的部分被當(dāng)作整株玉米檢測出，即目視解譯的參考點(diǎn)的空間范圍內(nèi)檢測出多個(gè)種子點(diǎn)；三是漏檢，即育種小區(qū)內(nèi)未被檢測出的玉米或多株玉米值檢測到一個(gè)種子點(diǎn)，如圖4-c，通過目視解譯標(biāo)注出3株玉米，而僅檢測出2個(gè)種子點(diǎn)，1株被漏檢。

圖4 種子點(diǎn)與目視解譯的玉米位置進(jìn)行空間匹配結(jié)果Fig.4 The result of spatial matching between the seed point and the position of maize interpreted visually

3.2 基于無人機(jī)數(shù)碼影像的株數(shù)檢測結(jié)果

基于無人機(jī)數(shù)碼影像構(gòu)建的CHM，將每一個(gè)種子點(diǎn)與目視解譯的879株玉米參考位置進(jìn)行空間上的一一匹配(圖5)，對取樣進(jìn)行精度評價(jià)的A、B、C、D和E共5個(gè)點(diǎn)，檢測結(jié)果統(tǒng)計(jì)如表3所示。對于不同分辨率的CHM，樣點(diǎn)的檢測結(jié)果具有一致性，即每一個(gè)樣點(diǎn)的正檢玉米株數(shù)最多，漏檢株數(shù)次之，錯(cuò)檢株數(shù)最少。

圖5 玉米種子點(diǎn)和參考位置空間匹配Fig.5 Spatial matching of maize seed point and reference position

表3 基于RGB不同分辨率CHM檢測結(jié)果

同時(shí)，對構(gòu)建的不同分辨率的CHM的檢測結(jié)果進(jìn)行了查全率、查準(zhǔn)率以及綜合精度分析(表4)。當(dāng)分辨率為0.05 m時(shí)，查全率、查準(zhǔn)率和綜合精度均為最高，分別為74.85%、93.49%、83.11%；分辨率為0.03 m時(shí)，查全率、查準(zhǔn)率和綜合精度分別為71.92%、93.48%、81.30%；當(dāng)分辨率為0.1 m時(shí)，查全率、查準(zhǔn)率和綜合精度分別為68.54%、93.02%、78.93%。表明，在本研究中，基于無人機(jī)數(shù)碼影像，當(dāng)構(gòu)建的CHM分辨率為0.05 m時(shí)，可達(dá)到株數(shù)檢測結(jié)果最佳。

表4 基于RGB不同分辨率CHM檢測精度

3.3 基于無人機(jī)激光雷達(dá)的株數(shù)檢測結(jié)果

基于無人機(jī)激光雷達(dá)數(shù)據(jù)，5個(gè)樣點(diǎn)不同分辨率的CHM的檢測結(jié)果也具有良好的一致性，即正檢株數(shù)最多，漏檢次之，錯(cuò)檢最少(表5)。當(dāng)分辨率為0.05 m時(shí)，查全率、查準(zhǔn)率和綜合精度均為最高，分別為82.94%、95.24%、88.66%；分辨率為0.03 m時(shí)，查全率、查準(zhǔn)率和綜合精度分別為77.46%、87.86%、82.33%；當(dāng)分辨率為0.10 m時(shí)，查全率、查準(zhǔn)率和綜合精度分別為73.48%、91.38%、81.46%(表6)。表明，在本研究中，基于無人機(jī)激光雷達(dá)數(shù)據(jù)，當(dāng)構(gòu)建的CHM分辨率為0.05 m時(shí)，株數(shù)檢測結(jié)果最佳。

表5 基于LiDAR不同分辨率CHM檢測結(jié)果

表6 基于LiDAR不同分辨率CHM檢測精度

3.4 兩種傳感器檢測結(jié)果對比

基于不同傳感器構(gòu)建的相同分辨率相同CHM， LiDAR點(diǎn)云的正確檢測到的玉米株數(shù)均略高于無人機(jī)數(shù)碼影像；而基于同一傳感器構(gòu)建的不同分辨率的CHM，當(dāng)分辨率為0.05 m時(shí)，正確檢測到的玉米株數(shù)最多。對于兩種傳感器分別的檢測精度，當(dāng)CHM分辨率為0.03 m時(shí)，>75%>>70%，85%<<90%<，但綜合精度>>80%；當(dāng)CHM分辨率為0.05 m時(shí)，>80%>>70%，>95%>>93%，綜合精度>85%>>80%；當(dāng)分辨率為0.1 m時(shí)，>70%>>65%，90%<<，綜合精度>80%>>75%(表4、表6)。

通過綜合精度衡量檢測結(jié)果，基于LiDAR構(gòu)建的不同分辨率CHM均能取得較高檢測精度，綜合精度均大于80%，其中當(dāng)分辨率為0.05 m時(shí)，檢測精度可高達(dá)88.66%；基于RGB構(gòu)建的不同分辨率CHM，當(dāng)分辨率為0.03 m和0.05 m時(shí)，檢測精度高于80%，而分辨率為0.01 m時(shí)僅為78.93%，但它們的檢測精度均低于基于LiDAR構(gòu)建的同一分辨率的CHM。表明，構(gòu)建的分辨率為0.05 m的CHM更適用于檢測冠層高覆蓋玉米的株數(shù)；相同分辨率時(shí)，基于LiDAR點(diǎn)云構(gòu)建CHM用于玉米檢測較RGB精度更高(表3～6)。

基于LiDAR，在本研究所涉及到的3種分辨率的CHM，均能獲取較RGB更高的檢測精度，但成本昂貴；而RGB相機(jī)可以獲取高分辨率的正射影像，在進(jìn)行大面積玉米株數(shù)識別中，則表現(xiàn)出價(jià)格低廉、更加易于操作等優(yōu)勢，在作物高通量表型研究中，具有極大的潛力。

4 討論

4.1 玉米生長狀況對檢測結(jié)果的影響

根據(jù)RGB拼接生成的高分辨DOM所表現(xiàn)出顏色和紋理差異(即玉米的雄穗和葉片具有顏色紋理差異)，對5個(gè)樣點(diǎn)的玉米位置目視解譯并進(jìn)行標(biāo)注。但是，某些基因型玉米會出現(xiàn)葉高于穗的情況，導(dǎo)致目視解譯的玉米頂點(diǎn)出現(xiàn)偏差；另一方面，在圖像拼接過程中，可能由于拼接算法的缺陷，導(dǎo)致DOM影像未完全正射，造成目視解譯的植株頂點(diǎn)位置出現(xiàn)偏差，從而造成目視解譯點(diǎn)與種子點(diǎn)不能完全匹配。本研究中試驗(yàn)區(qū)玉米均為密值，冠層覆蓋度高，育種小區(qū)內(nèi)出現(xiàn)連株情況，以株距為固定窗口進(jìn)行局部最大值濾波，可能導(dǎo)致連株情況下，較矮的植株被漏檢；另外，育種小區(qū)內(nèi)部可能出現(xiàn)發(fā)育不良玉米植株，導(dǎo)致高度低于所設(shè)置的高度閾值，被當(dāng)作噪點(diǎn)過濾，從而出現(xiàn)漏檢。此外，育種小區(qū)內(nèi)植株過度發(fā)育，單株冠幅過大，導(dǎo)致錯(cuò)檢b。

4.2 局部最大值窗口參數(shù)設(shè)置對檢測結(jié)果的影響

本研究基于固定窗口的局部最大值算法對試驗(yàn)區(qū)的玉米進(jìn)行檢測，固定窗口局部最大值法較簡便快速，但窗口的大小是一個(gè)經(jīng)驗(yàn)值，需要根據(jù)經(jīng)驗(yàn)或通過反復(fù)的試驗(yàn)來確定，通常與CHM的分辨率和單株玉米實(shí)際的冠幅大小有關(guān)。本研究中，經(jīng)田間實(shí)地測量，單株玉米冠層展幅大約為50 cm，因此窗口大小設(shè)置為50 cm×50 cm。若窗口尺寸過大，對于發(fā)育不良的玉米，冠幅過小，可能導(dǎo)致漏檢；若窗口尺寸過小，一些過度發(fā)育，冠幅過大的玉米可能導(dǎo)致過檢。因此，固定窗口大小的設(shè)置需要結(jié)合試驗(yàn)區(qū)玉米的長勢而定。結(jié)合玉米株高信息，設(shè)置一定的高度閾值，可有效避免下層葉子造成的影響。本研究結(jié)合實(shí)地測量的株高信息，設(shè)置高度閾值為1.5 m，認(rèn)為試驗(yàn)區(qū)的玉米株高頂點(diǎn)均高于1.5 m。但對于發(fā)育不良且株高低于1.5 m的玉米植株，造成漏檢。因此，本研究所使用的固定窗口的局部最大值算法對同一播期，長勢均一的試驗(yàn)區(qū)的檢測效果較好。若試驗(yàn)區(qū)玉米播期不一致，長勢不均一，則需要根據(jù)長勢矮的播種小區(qū)進(jìn)行高度閾值的調(diào)整。

5 結(jié)論

本研究基于無人機(jī)遙感平臺，獲取了數(shù)碼影像數(shù)據(jù)和LiDAR點(diǎn)云數(shù)據(jù)，分別基于兩種不同數(shù)據(jù)源，構(gòu)建了空間分辨率為0.03、0.05和0.10 m的CHM。利用結(jié)合玉米株高信息的局部最大值算法，探究了不同數(shù)據(jù)源以及不同CHM分辨率對進(jìn)行高密度種植的玉米株數(shù)檢測的結(jié)果和精度的影響。結(jié)果表明，通過檢測到的種子點(diǎn)與目視解譯標(biāo)注的玉米參考位置對比，基于無人機(jī)數(shù)碼影像，結(jié)合GCP構(gòu)建的3種空間分辨率CHM的綜合檢測精度分別為81.30%、83.11%和78.93%；基于無人機(jī)LiDAR，構(gòu)建的CHM綜合精度分別為82.33%、88.66%和81.46%?；趦煞N數(shù)據(jù)源構(gòu)建的CHM，均在空間分辨率為0.05 m時(shí)，獲得最佳的檢測精度。在高密度種植的玉米育種試驗(yàn)區(qū)，當(dāng)構(gòu)建的CHM空間分辨率相同時(shí)，無人機(jī)LiDAR檢測精度略優(yōu)于無人機(jī)數(shù)碼。但在大田玉米高通量表型檢測中，無人機(jī)數(shù)碼平臺因其價(jià)格低廉、易于操作等優(yōu)勢，具有更大的應(yīng)用前景。植株自動計(jì)數(shù)不僅有助于玉米育種工作者田間高通量調(diào)查，也為評估生長狀況和進(jìn)行田間管理提供技術(shù)手段。