Plant Phenomics | 基于無人機的收獲數據預測減少農場糧食損失和提高農民收入

在可持續農業系統中，農場內食品損耗（例如，蔬菜的廢棄）是一個難以解決的問題。為了減少廢棄蔬菜的數量，最簡單的方法是監測和預測蔬菜田中所有個體的大小，并確定最優的收獲日期，以獲得最小的廢棄數量和最高的利潤。然而這種冠層水平或個體水平的性狀表型對器官水平的西蘭花頭部大小的估計是不夠的。例如，在日本市場上，可運輸的西蘭花頭尺寸通常分為三個價格級別（M:11-12厘米，L:12-13厘米， 2L:13-15厘米），其大小由幾厘米變化。因此，精度范圍內的厘米甚至毫米級的器官大小估計是全場大小分布和利潤估計的基礎。為了滿足這種精確性的要求，許多器官級的應用程序通常通過手持相機或拖拉機收集，靠近地面的圖像傳感器和植物之間的距離不到1米，但它的效率并不總是適用于具有成千上萬個個體的大面積場景。要應用到基于無人機的方法的器官級分析，需要解決3個挑戰：（1）通過攝影測量獲得的冠層模型（2D 場圖和 3D 點云）質量不足。（2）處理圖像分析復雜性的人力成本高。（3）所涉及的計算成本。
 

2023年9月，Plant Phenomics在線發表了日本東京大學聯合千葉大學合作完成的題為Drone-based harvest data prediction can reduce on-farm food loss and improve farmer income 的研究論文。
 

本研究開發了一套完整的流程，通過使用無人機遙感和圖像分析，能夠自動、無損地準確估計和預測每個西蘭花（Brassica oleracea L.）頭部的大小（圖1）。所產生的西蘭花頭部尺寸被用作基于溫度的生長模型的數據源。最后，根據市場價格調查，建立了利潤預測模型。為了解決器官級分析質量不足的問題，將感興趣區域（ROI）向原始無人機圖像進行了反向投影，得到了質量較好的無人機圖像。為了解決省力深度學習分析的挑戰，本文通過YOLOv5（檢測任務）和BiSeNetv2（分段任務）將時間序列數據融合、主動學習、遷移學習和數據增強集成到深度學習工作流中。
 

圖1基于無人機的提取西蘭花信息及建立模型流程。
 

西蘭花移栽后約1個月的無人機圖片用于檢測苗位（圖2），本研究使用LabelMe等工具，對訓練數據進行了注釋，標記了西蘭花幼苗的位置。隨后，采用YOLO v5模型進行檢測，初步識別出西蘭花幼苗的位置。為了消除重復檢測，研究采用了非最大值抑制（NMS）算法，有效地刪除了重復的檢測結果，僅保留了有效的幼苗位置信息。在交互式注釋方面，研究使用了QGIS等工具，通過手動調整標注的方式，對西蘭花幼苗的頭部位置進行了分割。此外，研究還引入了脊線檢測算法，識別幼苗頭部的脊，從而更準確地進行分割。通過這些方法，可以實現對幼苗頭部位置自動放置植物ID。在交互式注釋的過程中，研究通過多次迭代，逐漸優化了分割結果。
 

圖2 西蘭花的工作流程（a）幼苗檢測和（b）頭部分割
 

圖3 2020 年西蘭花幼苗位置檢測 (a-f) 和通過交互式注釋進行頭部分割 (g-i) 的示例

通過兩年的田間實驗，高精度地估計和預測了所有西蘭花頭的大小，并發現與最佳日期相差僅1-2天就能顯著增加等級損耗并減少農民的利潤，降低了農民的利潤（圖4）。這明確展示了這些方法在經濟作物優化和減少食物損失方面的實用性，為農業生產中作物管理的自動化提供了有力的技術支持，同時也展示了在實際應用中取得的重要發現和創新點。
 

圖4 (a) 2020 年和 (b) 2021 年試驗中預測頭部直徑的分布。M、L和2L尺寸符合日本市場的運輸標準（M：11-12厘米，L：12-13厘米，2L：13-15厘米）。假設在 (c) 2020 年和 (d) 2021 年試驗中每個日期收獲所有個體，非標準尺寸西蘭花的比例和總收入。黃色柱子表示產生最高收入和最低浪費西蘭花的最佳收獲日期。情況1是各等級之間的價格差異最大（表示利潤最高），情況2是差異最小（表示利潤最低）。

論文鏈接：

https://doi.org/10.34133/plantphenomics.0086‍

——推薦閱讀——

Dynamic UAV Phenotyping for Rice Disease Resistance Analysis Based on Multisource Data

https://doi.org/10.34133/plantphenomics.0019

Plant Phenomics | 基于多源數據的水稻抗病性動態無人機表型分析

Rice Plant Counting, Locating and Sizing Method Base on High-throughput UAV RGB Images

https://spj.science.org/doi/10.34133/plantphenomics.0020‍

Plant Phenomics | 基于高通量無人機RGB圖像的水稻植株計數、定位和大小估計方法

加入作者交流群

掃碼添加小編微信，拉您進入《植物表型組學》作者交流群，群內不定期開展作者分享會、專刊發布會等高質量活動。

添加小編微信，備注姓名+單位+PP，加入作者交流群

About Plant Phenomics

《植物表型組學》（Plant Phenomics）是由南京農業大學和美國科學促進會（AAAS）合作創辦的英文學術期刊，于2019年1月正式上線發行。采用開放獲取形式，刊載植物表型組學交叉學科熱點領域具有突破性科研進展的原創性研究論文、綜述、數據集和觀點。具體范圍涵蓋高通量表型分析的最新技術，基于圖像分析和機器學習的表型分析研究，提取表型信息的新算法，作物栽培、植物育種和農業實踐中的表型組學新應用，與植物表型相結合的分子生物學、植物生理學、統計學、作物模型和其他組學研究，表型組學相關的植物生物學等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等數據庫收錄。科睿唯安JCR2022影響因子為6.5，位于農藝學、植物科學、遙感一區。中科院農藝學、植物科學一區，遙感二區，生物大類一區（TOP期刊）。2020年入選中國科技期刊卓越行動計劃高起點新刊項目。

說明：本文由《植物表型組學》編輯部負責組稿。
中文內容僅供參考，一切內容以英文原版為準。
排版：蘇梓鈺（南京農業大學）
審核：孔敏、王平