基于数字图像的棉花吐絮率快速监测方法研究及其在机械采收中的应用

为解决棉花化学脱叶催熟过程中吐絮率(BOR)人工检测效率低、时效性差的问题，研究人员开发了基于数字图像和深度学习(YOLOv5)的快速监测方法。通过多参数拍摄方案获取912张高分辨率图像，采用400×700像素子图像组合策略优化识别精度，实现25-95% BOR范围内R2>92%、相对均方根误差<10%的高精度检测，为棉花机械化采收提供关键技术支撑。

　　

在棉花机械化采收领域，化学脱叶催熟是关键预处理环节，而吐絮率（Boll Opening Rate, BOR）的准确监测直接决定药剂施用时机与采收效率。传统人工检测方法存在破坏性强、效率低下且难以满足时效性需求等问题，成为制约棉花产业提质增效的瓶颈。针对这一挑战，国内研究人员创新性地将数字图像技术与深度学习算法相结合，开发出一套高效、非破坏性的BOR监测体系，相关成果发表于《Journal of Integrative Agriculture》。

研究团队采用标准化图像采集方案，在施用收获辅助剂前后关键时间点（施药前7天至施药后21天），系统设置了4种拍摄高度、5种角度和2种方向的组合参数，共获取912张5184×3456像素的高清田间图像。通过将原始图像分割为不同尺寸（100-1000像素）的子图像，运用YOLOv5等四种深度学习网络进行吐絮棉铃识别，并创新提出"双尺寸子图像边界框融合"算法，有效解决了图像分割导致的边界识别难题。

【关键技术方法】

1. 多参数图像采集系统：建立包含高度（20-80cm）、角度（0-60°）和方向（平行/垂直种植行）的全方位拍摄矩阵

2. 自适应子图像分割：测试10种尺寸（100-1000像素）的子图像分割效果

3. YOLOv5模型优化：对比四种深度学习网络的识别性能，选择最优模型

4. 边界识别校正：通过不同尺寸子图像的识别结果融合，提升边界棉铃检测准确率

【主要研究结果】

1. 模型性能比较：YOLOv5在识别速度（平均0.2秒/图）与准确率（mAP@0.5达94.7%）间取得最佳平衡

2. 最优子图像组合：400×400与700×700像素子图像组合使边界识别误差降低63%

3. 最佳拍摄参数：冠层上方20-30cm高度、0-30°俯角（BOR>40%）或15-30°俯角（BOR<40%）、平行种植行方向

4. 模型验证效果：在25-95% BOR范围内，决定系数R²达0.92-0.95，相对均方根误差(rRMSE)稳定在7.2-9.8%

研究结论表明，该方法突破了传统BOR检测的技术局限，首次实现大范围吐絮率（25-95%）的快速无损监测。通过建立标准化图像采集规范和智能识别算法，为棉花机械化采收的精准决策提供了可靠的技术支持。特别值得注意的是，提出的"双尺寸子图像融合"策略有效解决了农业图像分析中的边界识别共性问题，这一创新思路可拓展应用于其他作物表型监测领域。该技术的推广应用将显著提升棉花产业机械化水平，对实现农业数字化转型具有重要示范意义。