基于亚毫米级RGB影像叶片尖端密度动态的小粒谷物早期植株密度估算方法

《Computers and Electronics in Agriculture》：Estimating small-grain cereal plant density at early growth stages using leaf tip density dynamics derived from submillimeter-scale RGB imagery

本刊推荐：本研究针对小麦、大麦等小粒谷物早期植株密度（Plant density）估算难题，创新性地提出基于亚毫米级RGB影像（45°视角）的叶片尖端（Leaf tip）密度动态监测方法。通过P2PNet深度学习检测模型结合遮挡校正技术，实现叶片尖端密度精准提取（误差约20%），并利用小麦叶片动态模型（含出苗时间、叶间隔期Phyllochron等变量）反演植株密度，在独立测试集中相对误差降至10%。该方法突破传统经验模型泛化性局限，为高通量表型分析（High-throughput phenotyping）提供新思路。

　　

Highlight

利用温度数据预测植株出苗

当使用日历日表示时，六个实验中的平均出苗时间差异显著：标准差为六天，对应变异系数高达38%，最早与最晚出苗日期相差16天（见表4）。而采用气温或土壤温度计算的热时间（Thermal time）则大幅降低了这种变异性，变异系数分别降至8%和7%。若以平均基温0°C计算，平均出苗热时间约为105°C·d。

早期叶片尖端密度可通过深度学习检测与经验性遮挡校正实现精准估算

叶片尖端检测性能通过1024×1024像素的人工标注测试图像块（表5）和田间实测叶片尖端密度（图5A、B）进行双重验证。虽然YOLOv8在测试图像块上表现略优于P2PNet（表5），但在估计值与田间测量值的对比中，P2PNet展现出更优性能（图5A、B）。P2PNet的这一优势在高叶片尖端密度条件下尤为明显。鉴于标注数据有限，P2PNet通过其基于点的检测机制展现出更好的泛化能力。

结论与展望

本研究提出了一种基于亚毫米级RGB影像叶片尖端密度动态的小粒谷物（软粒小麦、硬粒小麦和大麦）植株密度估算方法。该方法包含两个核心步骤：首先通过P2PNet检测模型和遮挡校正模型从多时相RGB图像中估算叶片尖端密度；其次利用小麦叶片动态模型反演植株密度。研究表明，在Haun生长阶段0.7和1.7附近进行观测可有效提升估算精度，为早期生长阶段表型分析提供了创新解决方案。