基于无人机-地面车辆集成表型框架的玉米株高与穗位高精准估测及穗位高比计算

《Smart Agricultural Technology》：An air-ground phenotyping framework for precise estimation of maize structural traits

　　

准确评估玉米（Zea mays L.）结构性状，特别是株高（SH）和穗位高（EH），对于高通量种质筛选至关重要。传统人工测量劳动强度大，而航空遥感由于叶片遮挡往往无法捕获穗位高等冠层内部性状。本研究开发了一种高通量表型集成 pipeline，整合无人机（UAV）与无人地面车辆（UGV），以解决上述局限。UAV系统重建冠层高度模型（CHM）以在田块尺度估测株高，UGV利用深度相机获取近距离数据以精准估测穗位高。为减轻重叠叶片引起的误差，研究人员建立了深度感知遮挡补偿策略。该策略利用几何外推重建不可靠的深度坐标，确保在穗基部部分被遮挡时仍能稳健量化高度。在823个玉米品种上的验证表明估测精度高，株高的决定系数（R²）为0.92，穗位高为0.86。相应的均方根误差（RMSE）分别为6.82 cm和4.89 cm。该集成方法为多尺度结构性状提取提供了高效稳健的解决方案，支持现代育种项目中快速的数据驱动决策。

研究背景方面，玉米作为全球主要谷类作物对粮食安全具有关键作用，株高、穗位高及穗位高比（EHR）是与株型和育种性能密切相关的关键农艺性状。当前田间玉米株高和穗位高测量主要依赖人工调查，效率低、劳动强度大且易产生主观误差，难以满足大规模多材料育种试验需求。尽管无人机遥感在株高估测中表现优异，但穗位高因密集冠层上部叶片遮挡而难以准确反演，已有基于激光雷达的穗位高估测精度有限（R²为0.46–0.54，RMSE为18.0–26.5 cm）。为此，研究人员提出整合UAV与UGV的高通量玉米表型pipeline，UAV搭载RGB相机获取冠层俯视影像并生成CHM以估测株高，UGV搭载深度相机近距离观测穗部并推断穗位高，进而计算穗位高比。研究得出株高估测R²为0.92、RMSE为6.82 cm，穗位高估测R²为0.86、RMSE为4.89 cm，表明该集成方法为多尺度结构性状提取提供了高效稳健的解决方案，对现代育种数据驱动决策具有重要意义。

关键技术方法方面，研究于2025年2月在海南省三亚市崖州区中国农业科学院国家南繁研究院南繁试验基地开展田间试验，供试材料为崖州湾国家实验室提供的823个玉米品种，采用宽窄行种植，于成熟期采集数据。数据采集使用搭载内置RGB相机的DJI Mini 4 Pro无人机（飞行高度约20 m，航向与旁向重叠约80%，斜视成像策略）和自研UGV平台（配备Intel RealSense D455i RGB-D相机与NVIDIA Jetson AGX Orin边缘计算单元，沿作物行以约0.25 m s^-1匀速行进，每1 s连续采集RGB-D图像）。共选取3218幅RGB-D玉米图像用于分析。地面真值测量方面，每小区优先测量第一行8株，倒伏时改测第二行对应植株，共对320个试验小区的2560株进行人工测量。数据集按小区水平以7:2:1划分训练集、验证集和测试集以避免数据泄漏。研究以YOLOv11姿态估计网络为基线，提出LP-YOLO模型，引入自适应渐进融合瓶颈（APFB）和轻量级关键点互细化模块（LKM）。株高估测通过Agisoft Metashape生成DOM与DSM，CloudCompare中选取地面点并以反距离加权（IDW）插值生成DEM，CHM=DSM?DEM，经QGIS批量提取小区高度信息，并以线性回归模型校正系统偏差。穗位高估测提出基于深度的遮挡检测与补偿策略（阈值λ=2.5 cm），利用YOLOv11识别根区边界框并投影获取地面候选点，采用RANSAC算法（点到面距离阈值0.02 m，最大迭代1000次）拟合地面平面，按点到面距离公式计算穗位高。评价指标包括OKS、PCK@0.2、IoU、Precision、Recall、AP、mAP、R²、RMSE和MAE。

研究结果方面，在实验条件与参数设置中，所有实验在64位Windows工作站上进行，深度学习模型基于Python 3.10.9和PyTorch框架（2.5.1版，CUDA 12.1）实现，使用NVIDIA GeForce RTX 3080 GPU加速，采用SGD优化器、初始学习率0.01、批大小32、训练300轮、权重衰减5×10^-4、输入分辨率640×640，每个模型以不同随机种子独立训练五次以评估稳定性。在LP-YOLO性能评估中，与RTM-Pose、YOLOv8-Pose、YOLOv10-Pose和基线YOLOv11-Pose对比，LP-YOLO在玉米穗检测中精确率90.8%、召回率90.2%、mAP@50为94.1%、mAP@50–95为70.9%，较基线box级mAP@50–95由67.6%提升至70.9%；姿态估计任务提升更明显，精确率由80.1%升至82.9%，召回率由72.9%升至74.4%，mAP@50由74.6%升至77.8%，mAP@50–95由44.8%升至47.9%，推理时间由20.6 ms增至35.9 ms。消融实验表明，引入APFB（B组）使box级mAP@50–95由67.6%升至70.3%、pose级由44.8%升至46.7%；引入LKM（C组）使pose召回率升至74.0%、mAP@50–95达46.5%，OKS和PCK@0.2分别由0.6288和0.858升至0.6412和0.869；两模块联合（D组）使pose精确率、召回率、mAP@50、mAP@50–95分别提升2.8、1.5、3.2和3.1个百分点，OKS升至0.6473，PCK@0.2升至0.874。在遮挡补偿策略性能中，样本按无遮挡、轻度、中度、重度遮挡分类并单列失败测量，补偿后总体RMSE由9.05 cm降至5.30 cm（降低约41.5%），MAE由6.60 cm降至4.83 cm（降低约26.8%），补偿后误差分布更集中于零附近。在穗位高获取与三维可视化验证中，YOLOv11在复杂土壤背景和杂草干扰下仍能准确识别根区，为RANSAC拟合地面平面提供可靠空间参考，结合LP-YOLO关键点实现穗位高估测并与植株实际结构吻合。在表型性状估测与精度验证中，320个试验小区中220个用于株高校准、100个独立小区用于精度评估；株高估测R²为0.92、RMSE为6.82 cm、MAE为5.31 cm，90%以上误差集中于±10 cm内；穗位高估测R²为0.86、RMSE为4.89 cm、MAE为3.96 cm；穗位高比估测R²为0.82、RMSE为0.0531、MAE为0.012。在大尺度制图与群体性状分布中，不同小区株高与穗位高变异明显且空间分布模式相似，穗位高比分布相对独立于绝对株高，多数品种株高集中在2.1–2.4 m，田块侧边界附近小区株高与穗位高显著偏低。

讨论部分指出，UAV与UGV平台整合解决了玉米表型中UAV遥感因严重冠层遮挡无法准确表征冠层内部结构性状的根本难题，实现了小区水平株高、穗位高与穗位高比的联合表征；LP-YOLO针对仅含两个语义关键点的弱结构任务，通过APFB增强多尺度特征表示、LKM显式建模坐标预测与置信度估计的交互，提升了密集冠层环境下的定位稳健性；深度补偿策略利用局部几何连续性重建不可靠深度信息，无需增加硬件复杂度即可抑制部分遮挡引起的大误差；UAV与UGV在小区水平整合互补测量，UGV数据采集每小区约1 min，显著优于人工测量的5–8 min，且穗位高估测精度（R²=0.86，RMSE=4.89 cm）优于既往激光雷达方法（R²=0.46–0.54，RMSE=18.0–26.5 cm）。研究同时指出未来将探索LP-YOLO在Jetson AGX Orin边缘设备上的部署及网络剪枝与知识蒸馏等优化，深度补偿在穗基部有效深度信息不足时可能不适用，拟合地面平面未独立验证，垂直距离在坡地可能与人工垂直高度存在差异，框架对其他生育期、采集日期和田间环境的适用性需进一步验证，并提出多视角融合、4D表型及结合基因组选择（GS）模型的未来方向。研究结论部分翻译如下：本研究探索了一种整合UAV–UGV的传感策略，以解决单一平台系统在表征复杂玉米结构性状时固有的观测局限。该表型采集方法通过整合空中与地面视角，较单独的俯视或地面视角能更全面地表征株型。研究结果表明，这种协同方法在关键点检测与深度补偿优化算法的支持下，为跨多样种质自动化提取与抗倒伏和收获适应性相关性状提供了可行途径。然而，该框架的实际应用仍受环境条件制约，包括UAV对不利天气的操作敏感性以及在极端密集生物量中维持地面参考稳定性的困难。除玉米外，这种多模态整合逻辑可扩展至具有类似垂直结构的其他行栽作物。未来聚焦时间动态与跨物种验证的研究对于进一步完善这些工具至关重要。总体而言，本研究为田间表型组学提供了实践探索，有助于持续发展更客观和数据驱动的作物评价方法。