基于低成本标注的烟草行结构提取与植株计数方法研究

《Smart Agricultural Technology》：A Low-Cost Annotation-Based Method for Tobacco Row Structure Extraction and Plant Counting

　　

提出了一种基于低成本标注的烟草行结构提取与植株计数方法。该方法利用折线标注标记烟草行中心，通过规则化扩展生成行中心区域标签，并借助语义分割网络提取烟草行中心结构。随后，通过提取行中心线的主路径估计行长度，并结合株距计算植株数量。该方法将植株计数从单株识别转化为行结构提取与长度估计，降低了对单株检测和精细标注的依赖，同时支持连续影像区域的计数。在SegNet、U-Net、ModSegNet与DeepLabV3+四种语义分割网络的比较中，U-Net在行结构提取、行长度估计与植株计数方面表现出相对稳定的综合性能，为规则行种植作物的行结构提取模型选择提供了实验参考。

一、研究背景与问题提出

植株计数是精准农业中的基础任务，贯穿作物播种、出苗、施肥与产量估算等关键环节，其准确性直接影响种植密度评估、水肥资源调配及产量预测。烟草作为我国重要的经济叶用作物，其产量与品质评价是烟叶生产管理的关键内容，而植株数量作为反映烟田群体质量、田间均匀度与种植密度的基础指标，对缺株诊断、长势评估与产量分析具有重要意义。传统人工调查方法在小地块或试验区内具有较高可靠性，但随着农业管理向精准化与规模化方向发展，大面积烟田的快速监测需求不断增加，传统方法难以兼顾效率与精度。无人机遥感技术凭借机动性强、覆盖效率高、空间分辨率可调等优势，为大规模植株计数提供了高质量数据源。近年来，无人机影像与深度学习方法已广泛应用于玉米、水稻、棉花、小麦、高粱等作物的计数任务，烟草计数方面也已有基于多光谱影像与目标检测、改进YOLOv8网络及MSA-TCN模型等研究报道。

现有自动计数方法主要分为目标检测、密度估计与语义分割三类。目标检测方法依赖单株边界框标注与高分辨率影像，大规模应用中标注工作量大；密度估计方法通常仍需点标注作为监督信息，且对作物空间分布、冠层形态与成像尺度变化较为敏感；语义分割方法可提供较完整的作物空间分布信息，但在植株聚集或冠层连续覆盖时难以区分单株，且像素级标注成本高昂。上述方法在大规模烟田计数中面临标注成本与鲁棒性的双重挑战。对于烟草这类规则行栽作物，无人机影像可有效捕捉行结构信息，且烟草种植通常遵循相对固定的行距与株距模式，这一先验知识为大规模田间计数提供了可靠的数据基础与结构约束。然而，现有研究多将行结构信息用于农业导航中的行定位与路径规划，较少关注将行结构直接转化为植株数量信息。因此，利用行结构先验知识实现大规模田间植株计数仍是一个有待解决的研究空白。

二、研究内容与主要结论

针对上述问题，研究人员提出了一种基于低成本标注的烟草行结构提取与植株计数方法。该方法以折线标注标记烟草行中心，通过规则化扩展生成行中心区域标签，利用语义分割网络提取行中心结构，进而通过中心线主路径提取估计行长度，并结合株距计算植株数量。研究将植株计数从单株识别转化为行结构提取与长度估计，为大规模烟田快速计数提供了方法论框架。研究在云南省曲靖市罗平县阿岗镇上故勒村开展，采用大疆Mavic 3M无人机获取影像，共构建S1-S5及S7六个数据集，涵盖不同生育期与飞行高度。通过对比SegNet、U-Net、ModSegNet与DeepLabV3+四种语义分割网络，研究发现U-Net在行结构提取、行长度估计与植株计数方面综合性能相对稳定，为规则行种植作物的行结构提取模型选择提供了实验参考。该研究的主要意义在于：一是提出了一种基于行结构的规则行栽烟草计数方法，将计数问题转化为行结构提取与长度估计；二是开发了基于中心线提取的行长度估计方法，结合株距实现植株计数，降低了对单株检测与精细标注的依赖；三是通过多网络对比为行结构提取的模型选择提供了实验依据。

三、关键技术方法

研究人员采用的主要技术方法包括：其一，低成本折线标注方法，利用LabelMe中的LineStrip工具标注烟草行中心线，再通过Python脚本扩展生成条带状行中心区域掩膜，将高成本的实例级标注转化为低成本的结构级标注；其二，语义分割网络，选取SegNet、U-Net、ModSegNet与DeepLabV3+四种网络进行对比实验，统一采用加权二元交叉熵损失函数与AdamW优化器训练；其三，基于骨架化的中心线提取方法，将分割结果转化为单像素宽线性结构；其四，基于图结构的主路径提取方法，将连续行段表示为8邻域加权无向图，通过端点识别与Dijkstra算法提取主路径，并采用滑动平均平滑以降低栅格离散误差；其五，基于行长度与株距的植株计数方法，将地面株距通过地面采样距离（GSD）转换为像素尺度，结合行长度计算植株数量。数据来源为云南省曲靖市罗平县烟田，无人机影像由大疆Mavic 3M搭载2000万像素RGB相机获取，飞行高度为50米与100米。

四、研究结果

4.1 标签宽度敏感性实验

研究人员以S1（50米）与S3（100米）为代表数据集，设置三组近似对应的物理宽度水平进行标签宽度敏感性实验。结果表明，标签宽度对像素级分割与下游估计任务的影响不同。随着标签宽度增加，F1分数与IoU总体提升，但植株计数依赖于行中心结构及其长度，更高的像素重叠并不必然带来更精确的中心线与行长度估计。约20厘米的较窄物理宽度在两个飞行高度下均产生较低的下游估计误差。综合考虑行结构提取、行长度估计与植株计数性能，后续实验采用50米影像15像素、100米影像7像素的标签宽度，分别对应约20.1厘米与18.8厘米的物理宽度。

4.2 不同行结构提取网络对比实验

研究人员在混合数据（S123）与单期数据（S1、S2、S3）上对比了四种网络的行结构提取与行长度估计性能。总体上，U-Net与SegNet优于DeepLabV3+与ModSegNet，该差异在S123与S3实验中更为明显。在S123实验中，U-Net获得最低的行长度估计误差与较高的行结构提取精度。在单期实验中，网络间性能差异随生育期变化。从S1到S3，烟草从早期生长逐渐发展为冠层形成，行结构复杂度增加，U-Net与SegNet的MAE与RMSE总体随生育期推进而增大，而行长度估计精度保持相对稳定。在缺株区域，DeepLabV3+与ModSegNet更易产生错误连接，U-Net与SegNet的结果更接近真值。在S3阶段，缺株、杂草干扰与行间封行共同影响行结构提取，所有网络均出现不同程度的结构不完整或连接错误，而DeepLabV3+与ModSegNet表现出更明显的粘连与背景误检。

4.3 植株计数性能比较

植株计数任务中，不同网络的性能趋势与行结构提取及行长度估计总体一致。在S123实验中，U-Net获得最低的相对计数误差（MRE=5.55%）且Bias接近零（-0.12），综合计数性能最佳；SegNet也保持较低估计误差，而DeepLabV3+与ModSegNet偏差较大。在单期实验中，U-Net在不同生育期均保持较低的MRE，S1获得最低误差。随着生育期推进，尤其在S3阶段，多数网络的计数误差与Bias增大，表明冠层结构复杂度的增加不仅影响行长度估计，也影响后续植株计数。

五、讨论与结论

研究讨论部分指出，行结构提取质量是影响行长度估计与植株计数的关键因素。不同网络在复杂条件下的表现差异表明，U-Net的跳跃连接机制有助于保留浅层细节信息，在缺株、行间封行与复杂背景下表现出更好的结构连续性与抗干扰能力。ACC指标可能受样本间过估与欠估误差补偿的影响，不能完全反映估计稳定性。研究还通过敏感性分析验证了后处理参数的鲁棒性，并评估了数据划分策略与影像空间分辨率对计数性能的影响。

研究结论表明，所提出的基于低成本标注的烟草行结构提取与植株计数方法，通过将植株计数转化为行结构提取与长度估计，有效降低了对单株检测与精细标注的依赖，支持连续影像区域的计数。在四种语义分割网络中，U-Net在行结构提取、行长度估计与植株计数方面表现出相对稳定的综合性能，为规则行种植作物的行结构提取模型选择提供了实验参考。该方法为大规模烟田快速植株计数提供了可行的技术途径，对优化田间群体结构、保障烟农经济效益与提升烟草产业竞争力具有重要意义。