基于无人机LiDAR点云与RGB图像的棉花吐絮铃检测技术研究及其在精准农业中的应用

为解决传统棉花吐絮铃人工计数效率低、主观性强的问题，研究人员利用无人机系统（UAS）搭载LiDAR和RGB传感器，开发了基于密度聚类算法（DBSCAN）的吐絮铃自动检测方法。研究表明，LiDAR点云数据（MAPE 5.03-13.46%）较RGB图像（MAPE 7.21-16.41%）更具优势，为作物表型分析和精准农业提供了高效工具。

　　

棉花作为全球重要的经济作物，其产量评估一直是农业管理的核心问题。传统依赖人工统计吐絮铃的方法不仅耗时费力，还易受主观因素影响。随着无人机系统（UAS）和传感器技术的发展，利用遥感手段实现高效作物表型分析成为可能。然而，现有研究多局限于二维图像处理，难以捕捉棉花三维结构特征，且易受光照条件干扰。针对这一技术瓶颈，来自美国德克萨斯州的研究团队在《Current Plant Biology》发表了一项创新研究，通过对比LiDAR点云与RGB图像的三维重建效果，为棉花吐絮铃自动化检测提供了新方案。

研究团队采用DJI Phantom 4 RTK无人机搭载4K RGB相机，以及Matrice 300 RTK配备Zenmuse L1 LiDAR传感器，在德克萨斯州试验田获取数据。通过摄影测量法将RGB图像转化为点云，结合LiDAR原始点云，利用DBSCAN聚类算法实现吐絮铃检测。48个试验田块的验证显示，LiDAR数据对小、中、大型棉株的检测误差（MAPE）分别为5.03%、8.05%和13.46%，显著优于RGB图像的7.21%、6.49%和16.41%。

材料与方法
研究在德克萨斯州拉伯克县开展，设置30%、60%、90%蒸发蒸腾量（ET）的灌溉梯度。无人机航拍采用20米（RGB）和12米（LiDAR）飞行高度，通过Pix4D软件生成正交影像和点云。数据预处理包括基于z轴高度过滤地面点，以及半径离群值剔除。DBSCAN聚类参数设定为eps=3cm、MinPts=15，对应棉花吐絮铃的平均直径。

结果分析

• 传感器对比：LiDAR点云密度（17万点/m²）是RGB重建点云（8.6万点/m²）的2倍，其r²值达0.93（小型棉株），而RGB为0.82。
• 植株尺寸影响：小型棉株因冠层透光性好，检测精度最高（LiDAR MAPE 5.03%）；大型棉株因铃簇重叠导致误差增大。
• 系统性偏差：两种方法均存在低估现象，RGB图像对160个/m²以上的高密度吐絮铃漏检率显著增加。

讨论与展望
该研究首次系统比较了UAS平台LiDAR与RGB传感器在棉花吐絮铃检测中的性能差异。LiDAR凭借主动传感特性，克服了光照依赖性问题，但其高昂成本（约2-3万美元）可能限制推广应用。未来研究可探索多传感器融合策略，例如结合LiDAR的结构信息与RGB的纹理特征，或引入机器学习优化DBSCAN参数选择。此外，整合植株高度、叶面积指数（LAI）等生长参数，有望进一步提升密集冠层下的检测鲁棒性。这项技术为精准灌溉决策和遗传育种提供了可扩展的表型分析工具，标志着农业遥感从二维向三维解析的重要跨越。