基于无人机影像和深度学习的自动田间地块提取与玉米出苗计数方法框架

《Industrial Crops and Products》：Methodological framework of automatic field-based plot extraction and maize emergence counting using UAV imagery and deep learning

　　

从无人机正射影像（UAV orthomosaic image）中全自动提取田间地块（field plot）。• 一种基于无人机（UAV）的深度学习框架用于玉米出苗计数（maize emergence counting）。• YOLOv8n-CA 改进了玉米幼苗检测的准确性和效率。• 地块级别计数（plot-level counting）实现了平均绝对误差（MAE）为0.587，决定系数（R²）为94.19%。• 范围内滑动（In-Range Sliding）方法能够实现大规模监测的快速后处理。

玉米是全球重要的作物，对粮食、饲料和生物燃料生产起着关键作用。传统的玉米出苗评估依赖人工观测，耗时且成本高昂。近年来，基于无人机（UAV）影像的深度学习技术被应用于玉米出苗计数，但现有方法在处理大尺寸正射影像（orthomosaic image）时存在计算资源浪费、边界检测精度下降等问题。为解决这些挑战，研究人员提出了一种结合影像纠正、自动地块提取和深度学习的完整流程，并开发了两种滑动窗口方法——“全局滑动”（Global Sliding）和“范围内滑动”（In-Range Sliding），以平衡精度与效率。研究使用YOLOv8n模型并引入坐标注意力（Coordinate Attention, CA）模块提升检测性能。实验数据采集于内蒙古玉米田（2023年5月15日，V3-V4生长阶段），利用DJI Mavic无人机（RTK导航，航高15米）获取高分辨率正射影像（58000×45000像素），共包含4560个地块。主要关键技术方法包括：1）利用ExG指数（Excess Green index）结合Otsu法进行前景提取；2）基于仿射变换（affine transformation）的影像纠正；3）采用COPE方法（基于能量函数）自动提取地块的行和列分隔线；4）YOLOv8n-CA模型（集成坐标注意力模块）作为YoloT框架中的检测主干；5）提出“范围内滑动”方法，仅在感兴趣区域（ROI）内滑动窗口，支持并行处理以提升计算效率。

5.1 目标检测结果：通过对比多种检测模型，研究人员发现YOLOv8n-CA在mAP50（0.956）和mAP50:95（0.614）上表现接近最优模型（Faster-RCNN系列），但参数量仅3.33M，推理速度达743 FPS，实现了精度与速度的良好平衡。5.2 “范围内滑动”方法的处理时间与计数结果：该方法在每个Range内独立进行目标检测，总处理时间（包括前景提取1.58秒、寻找Range分隔线10秒、Range提取17秒等）显著降低，且可通过Range并行处理进一步加速。计数精度方面，MAE为0.587，R²达94.19%，误差主要源于遗漏小苗、误判杂草及幼苗重叠。5.3 邻株间距计算结果：基于检测到的植株中心y坐标一阶差分，设置像素距离阈值35，当间距超过该值视为缺苗，为评估出苗均匀性提供依据。5.4 可视化结果：利用Grad-CAM热力图显示，CA模块在检测头前的特征图能准确定位玉米幼苗区域，证实了CA模块对空间依赖关系的捕捉能力。6. 消融实验：对比两种框架的计数精度，全局滑动方法R²为96.45%、MAE为0.295，略优于范围内滑动方法（R²=94.19%, MAE=0.587），但范围内滑动方法在处理时间上具有显著优势（如目标检测+首次NMS仅需20.63秒×38个Range，远小于全局滑动的1336.1秒），且支持并行处理，更适用于实际应用。

讨论部分总结了成本对比：人工计数4560个地块需70.15小时、费用684元，而UAV计数仅需4.01小时、费用177.62元，时间节省94.2%，成本降低74.0%。同时指出框架在低杂草压力下表现良好，但高杂草密度或地形起伏大的场景下性能可能下降。研究结论部分翻译如下：在本研究中，研究人员提出了一套稳健的流程，利用UAV正射影像和深度学习实现地块级别的玉米出苗计数。研究解决了UAV农业分析中的两个关键挑战：优化模型结构以平衡精度与速度，以及在大尺寸正射影像中实现高效准确的地块级别分析。在提出的两种方法中，“范围内滑动”方法以其卓越的处理效率脱颖而出。通过将计算限制在相关区域并支持基于Range的并行处理，该方法在保证精度的前提下显著减少了处理时间，非常适合大规模或快速后处理应用。结合仿射影像纠正、自动地块提取以及带有坐标注意力的增强型YOLOv8n模型，该框架实现了高检测精度、低计数误差和强R²性能。除准确计数外，系统还能分析植株间距等空间特征，为农艺决策和精准作物管理提供实用见解。