编辑推荐：
为解决魔芋高覆盖生长阶段检测和计数难题，曲靖师范学院研究人员开展相关研究。结果显示，整合 DL（YOLOv5）模型与位置信息的方法精度高。该研究为魔芋及其他作物监测提供新思路，推荐科研读者阅读。
魔芋（Amorphophallus konjac），这种多年生的草本植物，在中国西南部地区可是相当重要的经济作物。它不仅是当地经济增长的重要动力，还和农民的收入息息相关，有力地推动着乡村发展。而且，魔芋还被世界卫生组织（WHO）列入十大健康食品名单，在减肥、降血压、刺激食欲和预防癌症等方面都能发挥作用。另外，它富含优质淀粉、蛋白质、氨基酸、魔芋葡甘聚糖和微量元素，在食品、医药、化工等众多行业都有着广泛的应用。
不过，魔芋的种植并不轻松，受到疾病和种植方法的限制，一不小心，就可能导致根部发育不良或者产量降低。所以，对魔芋的生长进行有效的监测就变得尤为关键，这能为种植管理提供重要的信息，帮助提高产量，增加农民收入，让农民们更有种植的积极性。
在农业生产里，检测和统计农作物的数量可是非常重要的工作，这能为各种管理策略的制定和实施提供有价值的信息，从而提高作物产量。以前，人们主要靠人工肉眼去检测和统计，这种方法既费力气又很枯燥，效率还不高，而且只能在小范围进行，很容易受到主观因素的影响。
随着科技的发展，无人机技术迅速崛起。搭载着各种传感器的无人机能够获取高分辨率的图像，用来监测作物生长，实现农作物的自动检测和统计。比如在水稻密度估算、玉米植株计数和烟草植株计数等方面，无人机都展现出了巨大的潜力。虽然魔芋和这些作物的特征不太一样，它有着独特的伞状叶片，但这些研究还是为魔芋植株的识别和计数提供了不少思路。
在众多传感器中，RGB 相机凭借成本低、受天气影响小、操作和处理方便等优点，在农作物检测和计数领域得到了广泛应用。深度学习（DL）和无人机 RGB 成像相结合，在水稻、小麦、玉米等作物的早期检测和计数中取得了不错的效果，这对提高产量和农场管理都很有帮助。
可问题来了，目前大多数研究都集中在作物生长早期、覆盖率低的时候进行检测和计数，对后期高覆盖率阶段的研究少之又少。在植物生长后期，叶子和树冠的覆盖率增加，这给检测和计数工作带来了很大的挑战，容易出现遮挡的情况，导致检测精度下降。而且，不同生长阶段的作物特征不同，深度学习模型训练需要大量手动标注的数据，在高覆盖率阶段，标注的工作量会大大增加。虽然作物在不同生长阶段的位置信息相对稳定，但利用多时态无人机 RGB 图像来提高高覆盖率阶段作物检测性能的研究却不多。此外，虽然有像 Count Crops 这样不需要标注的工具，在检测水稻幼苗时速度快、精度也不错，但它对魔芋后期生长阶段检测和计数的效果还不确定。同时，像 YOLOv5 这样在早期作物检测中表现良好的深度学习检测方法，由于魔芋的独特性状，也不确定能否有效应用于魔芋后期生长监测。
为了解决这些问题，来自曲靖师范学院的研究人员在《Scientific Reports》期刊上发表了一篇名为 “Improving the accuracy of detecting and counting Amorphophallus konjac plants during high canopy coverage by integrating deep learning and UAV-RGB imagery” 的论文。研究人员通过一系列实验，得出结论：将深度学习（YOLOv5）模型与早期无人机 RGB 图像中的植物位置信息相结合的方法，在高覆盖率魔芋植株检测和计数方面表现出色，精度可达 98.7%，召回率为 86.7%，F1 分数为 92.3%，优于 Count Crops 工具和仅基于早期图像构建的深度学习模型。这一研究成果为高覆盖率时期魔芋植株的检测和计数提供了新方法，也为其他作物在高重叠生长阶段的识别和计数提供了新的思路。
研究人员在开展这项研究时，用到了几个关键的技术方法。首先是利用搭载 RGB 相机的大疆 Phantom 4 RTK 无人机获取图像，在 2022 年 6 月 28 日魔芋展叶期和 8 月 4 日新球茎生产期进行拍摄，同时利用 RTK 模块获取精确的地理位置信息，再用 Agisoft Metashape 1.8 软件生成正射镶嵌图。然后构建了基于 YOLOv5 网络架构并集成了卷积块注意力模块（CBAM）的 YOLOv5-3CBAM 模型，用于魔芋植株的识别和计数。还使用了 ENVI 软件中的 Count Crops 工具，通过输入单波段植被指数图像（本研究使用的是改良绿红植被指数 MGRVI 图像）和设置相关参数来检测和计数魔芋植株。最后将深度学习模型与不同时期图像中魔芋植株的位置信息相结合，通过合并检测框质心等操作来确定魔芋植株的数量，并利用 MGRVI 指数判断植株是否死亡。
下面来看看具体的研究结果。在 “高覆盖生长阶段 Count Crops 工具对魔芋植株的识别性能” 方面，研究人员用 Count Crops 工具对 2022 年 8 月 4 日高植株重叠环境下的魔芋植株进行检测和计数。在田间验证区域，该工具检测到 1315 株魔芋植株，其中正确识别 1043 株，误分类 272 株，还有 1045 株未被检测到，精确率为 79.3%，召回率为 50.0%，F1 分数为 61.3%。从识别结果来看，效果不太理想，存在较多漏检和误检的情况。
“两个生长阶段深度学习对魔芋的识别性能” 结果显示，研究人员利用低覆盖率魔芋数据集训练的深度学习模型，在两个不同生长阶段对魔芋进行识别。在低覆盖率阶段（2022 年 6 月 28 日），模型表现良好，精确率为 97.9%，召回率为 98.4%，F1 分数为 98.2% ；但在高覆盖率阶段（2022 年 8 月 4 日），模型的识别精度大幅下降，精确率为 99.0%，召回率仅为 9.5%，F1 分数为 17.4%，存在大量漏检情况。这表明用低覆盖率数据集训练的深度学习方法在高覆盖率阶段验证魔芋植株时效果不佳。
“利用深度学习和无人机 RGB 图像位置信息检测魔芋植株的有效性” 方面，研究人员将深度学习模型与早期和高覆盖阶段图像中魔芋植株的位置信息相结合，在高覆盖阶段检测魔芋植株。在验证区域，该方法识别出 1834 株魔芋植株，其中 1810 株被正确识别，24 株误分类，278 株未被检测到，精确率为 98.7%，召回率为 86.7%，F1 分数为 92.3%，在高重叠区域表现出了良好的识别性能。
研究人员在讨论部分对结果进行了深入分析。Count Crops 工具虽然有使用单波段图像、无需大量数据标注和模型训练、检测速度快等优点，但它的检测精度受单波段图像中目标与背景区分能力以及模型参数设置的影响较大，在检测魔芋植株时，容易将魔芋植株群误识别为单株，还可能把玉米植株误认成魔芋，所以在高覆盖阶段效果不太好。
对于深度学习模型，在魔芋低覆盖阶段，植株个体特征明显，相互之间重叠少，其独特的伞状叶片特征便于深度学习模型通过识别形状边界来检测单株魔芋，因此检测精度较高。而在高覆盖阶段，叶片重叠严重，相互遮挡，深度学习模型难以学习和识别重叠叶片的特征，而且训练数据集中缺乏高覆盖阶段的数据，再加上间作玉米叶片的遮挡，使得部分魔芋植株失去伞状冠层特征，这些都导致深度学习模型在高覆盖阶段识别性能下降。
相比之下，将深度学习模型与早期和高覆盖阶段的位置信息相结合的方法表现出色。魔芋单茎直立生长的特性使得其位置在不同阶段相对稳定，利用无人机 RTK 的精确定位优势，结合两个时期的检测结果，能提高 YOLOv5 在高覆盖阶段检测魔芋植株的准确性。而且这种方法只用早期数据训练模型，减少了数据标注工作量，还能取得较好的效果。
不过，这种方法也有一定的局限性。它需要配备 RTK 技术的无人机获取的图像生成正射校正图像，在没有 RTK 设备的情况下，图像地理配准会比较困难。而且，消除冗余标签的质心距离阈值和缓冲区大小的设置需要根据实际情况调整。另外，与仅依靠早期低覆盖阶段图像的检测方法相比，这种方法需要多个早期图像，增加了工作量。未来研究可以进一步评估不同版本的 YOLO 或其他深度学习算法与作物位置信息结合的性能，还可以探索开发基于此方法的作物检测云平台，以满足实际应用需求。
总的来说，这项研究提出的基于深度学习结合早期无人机 RGB 图像位置信息的方法，为高覆盖率时期魔芋植株的检测和计数提供了更准确的手段。它不仅在魔芋种植管理方面具有重要意义，能帮助农民更好地了解魔芋生长情况，制定合理的种植策略，提高产量和收入；而且为其他具有相似生长特征作物在高覆盖阶段的识别和计数提供了新的方向，推动了农业智能化监测的发展，让农业生产更加科学、高效。
