编辑推荐：
针对特种作物（如葡萄、大麻）因种植模式独特导致现有无人机（UAS）影像处理方法适配性差的问题，研究人员开发 MAUI 模块化工作流。通过对比 5 种分割方法，发现 DeepLabv3 和 SAM 在葡萄与大麻中分别达 mIoU 0.85 和 0.95，为特种作物 UAS 影像分析提供高效工具。
在农业遥感领域，无人机（UAS）搭载多光谱相机已成为获取农田信息的重要手段，其在植物表型分析、病害监测等方面展现出巨大潜力。然而，特种作物如葡萄、大麻等常采用棚架式或间作等独特种植方式，与玉米、小麦等大面积行播作物差异显著，导致传统基于行播系统的影像处理方法难以准确分割目标作物与土壤、阴影及非目标植被。此外，特种作物田间异质性高、栽培模式复杂，缺乏标准化的影像采集与处理流程，使得高效提取作物光谱信息成为瓶颈。如何开发适配多种特种作物的灵活、精准影像分析工具，成为农业遥感领域亟待解决的问题。
为应对上述挑战，美国康奈尔大学（Cornell University）的研究人员开展了相关研究，旨在开发一种模块化的无人机影像分析框架，以实现特种作物光谱数据的高效提取。研究成果发表在《Plant Methods》上，为特种作物的高通量表型分析提供了新的技术路径。
研究人员开发的 MAUI（Modular Analytics of UAS Imagery）框架包含影像采集、预处理、植物冠层分割及特征提取与导出四个模块。关键技术方法包括：①影像预处理中利用 Agisoft Metashape 生成正射镶嵌图，并通过 AROSICS 软件实现多时相影像的自动配准，提高数据空间一致性；②冠层分割模块集成多种算法，包括基于阈值的 Otsu 法、监督深度学习模型 DeepLabv3（使用空洞卷积捕捉多尺度特征）和视觉基础模型 SAM（Segment Anything Model，基于全球 1100 万张图像预训练），并通过 DBSCAN 密度聚类结合 ExG 指数（过量绿色指数）优化 SAM 分割流程；③特征提取模块结合地理信息元数据（GEOJSON 格式），实现从单株到试验区组尺度的光谱数据精准提取。
研究结果
分割模型性能评估
在葡萄园中，监督学习模型 DeepLabv3 表现最佳，mIoU（平均交并比）达 0.85，显著优于其他方法。该模型通过微调预训练权重，能有效区分葡萄冠层与行间隔草，尽管在边缘区域存在部分误分类（如过长新梢与草混淆），但整体能准确捕捉冠层主体。而在大麻田这种宽行距作物中，无监督的 SAM×ExG 混合方法表现更优，mIoU 达 0.95。通过 ExG 指数生成粗掩膜、DBSCAN 聚类定位植株中心、SAM 生成精细掩膜的流程，可高效分离单株大麻，即使在植株轻微重叠时仍能保持较高精度。
光谱提取与应用
利用 MAUI 提取的光谱数据显示，精准分割显著提升了表型分析的可靠性。在葡萄 fungicide efficacy trial 中，DeepLabv3 分割的冠层光谱能清晰区分不同处理组的红和近红外（NIR）反射差异，NDVI（归一化植被指数）分布的组间差异具有统计学意义（p<0.001），且因减少土壤和阴影干扰，光谱变异度降低。大麻育种试验中，SAM×ExG 分割的单株光谱则能有效反映不同基因型的反射率差异，为快速筛选表型提供依据。
研究结论与讨论
MAUI 框架通过模块化设计，实现了对棚架式（葡萄）和宽行距（大麻）特种作物的灵活适配，证明了混合分割策略（监督学习与无监督学习结合）在异质化农田中的有效性。研究表明，DeepLabv3 适用于植被结构复杂、背景异质性高的场景，而 SAM×ExG 更适合具有规则种植模式的作物，二者的结合为不同农业系统提供了选择空间。此外，MAUI 通过 Docker 容器化部署和开源代码，降低了使用门槛，有助于推动无人机影像分析在特种作物研究中的普及。
该研究不仅填补了特种作物无人机影像分析工具的空白，还为跨作物类型的高通量表型分析提供了统一框架，有望加速育种进程并提升精准农业管理水平。未来可进一步拓展至热成像数据处理、更多作物类型及优化计算效率，以适应更广泛的农业应用场景。
