基于无人机技术，在播种前的棉花田中恢复残余胶片图像的清晰度以及预测胶片的卷曲程度

《Computers and Electronics in Agriculture》：Restoration of occlusion in residual film images and curling degree prediction based on UAV in pre-sowing cotton fields

　　• 一种基于语义分割的方法可以恢复被遮挡的残余薄膜区域。
• 机器学习利用卷曲指数预测薄膜的展开面积。
• 所提出的框架支持基于无人机的残余薄膜污染评估。

**引言**
塑料薄膜覆盖具有保水、提高温度和增加产量的作用，是中国新疆棉花生产中的关键技术措施。它可以使作物产量提高20%–30%（Song等人，2025年）。然而，目前广泛使用的聚乙烯薄膜具有数十年的降解周期，再加上回收效率低，导致土壤中残余薄膜逐年增加（Wang等人，2023年；Xu等人，2005年）。大量的残余薄膜会阻碍水分和养分的移动，破坏土壤结构，并影响种子发芽和作物根系生长（Zhang等人，2016年）。此外，如果残余薄膜混入棉花中，棉花的质量会下降。棉花田中的残余薄膜污染严重威胁到了棉花田生态系统的可持续性，对棉花产业产生了显著影响（Zong等人，2021年；Zhang等人，2020年）。管理棉花田中的残余薄膜污染是一个复杂的项目，需要在整个产业链上进行综合控制（Yan等人，2014年）。除了开发高效实用的塑料薄膜回收设备外，实现快速准确的残余薄膜污染评估同样重要（Yang等人，2023年）。在监测播种前棉花田中的残余薄膜污染时，目前主要采用人工采样方法。Du等人（2005年）研究了中国北部0–20厘米土壤层中的残余薄膜污染情况，发现残余薄膜主要集中在10–15厘米土壤层。Wang等人（2022年）对中国甘肃、青海东部和陕西北部的长期覆盖农田进行了大规模的残余薄膜污染监测，发现干旱至半干旱地区的污染程度明显高于半干旱至半湿润地区。He等人（2018年）通过人工分层采样监测了长期覆盖棉花田中的残余薄膜污染，发现随着覆盖时间的增加，残余薄膜的数量逐年增加，且随着耕作深度的增加，薄膜破碎程度也逐层增加。尽管人工采样方法能够准确监测棉花田中的残余薄膜污染程度，但它存在劳动强度高、效率低、成本高和评估主观性强的缺点。

近年来，随着机器视觉技术的快速发展，学者们利用近表面成像和无人机技术来监测农田中的残余薄膜污染。过去五年的研究表明，基于无人机的棉花田监测、农业地面目标检测和精准农田评估取得了进展。Zhang等人（2021年）提出了一种基于改进的Faster R–CNN的方法，利用在80–110厘米高度拍摄的近表面农田图像来识别残余薄膜，识别准确率达到89.24%。Zhai等人（2022a）使用地面成像设备收集了播种前棉花田表面的残余薄膜图像，然后采用像素块和机器学习方法检测残余薄膜的覆盖率，检测误差仅为0.51%。Zhai等人（2022b）提出了一种基于无人机图像和语义分割的深度学习方法，用于快速评估播种前棉花田中的残余薄膜污染。Yang等人（2023年）开发了一种基于无人机成像的残余薄膜污染评估系统，配备了基于U-Net的分割模型，实现了残余薄膜污染的准确评估。Aierken等人（2024）回顾了基于无人机遥感和机器学习的棉花作物生长监测方法，指出无人机技术具有高空间和时间分辨率以及多传感器集成优势，可以提高棉花生长监测的准确性。Zhi等人（2024）提出了一种基于无人机RGB图像的多模态特征融合方法，实现了对关键表型特征（如棉花叶面积指数）的高精度预测。Guo等人（2026）指出，对作物结构特征提取的需求推动了基于无人机的多模态数据从可见光（RGB）向多光谱、高光谱和LiDAR的整合。然而，大多数现有的农业视觉方法主要适用于相对干净的背景和完整的薄膜目标，忽略了实际棉花田无人机成像中的特定领域瓶颈。

具体而言，播种前棉花田中无人机捕获的残余薄膜图像面临着与一般计算机视觉任务截然不同的独特挑战。首先，田地环境包含复杂的异质土壤背景，同时伴有密集的棉花茎秆、滴灌带、作物残余物和棉铃壳的干扰。其次，长期的机械耕作和风化作用产生了老化、破碎的残余薄膜，这些薄膜形状不规则，边缘模糊，视觉特征较弱。第三，多源干扰和薄膜形态的不规则性相互关联：作物残余物造成的遮挡会掩盖薄膜边界，导致分割不足或漏检，而风和农业活动引起的薄膜随机卷曲会严重低估实际展开面积。这些耦合问题严重限制了分割精度、遮挡恢复质量和田间规模的定量污染评估，目前的研究尚未充分解决这些问题。遮挡和卷曲问题在日常生活中也很普遍，例如面部遮挡和组织卷曲。因此，这两个问题成为面部识别、自动驾驶、产品检测和医疗诊断等领域的重要课题（Cen和Wang，2019年；Xing等人，2018年；Liu等人，2021年）。Sun等人（2019年）利用线性Hough变换检测最小边界距离，成功分割了棉秸秆和棉铃相互遮挡的情况下的棉铃，识别的准确率达到84.6%。Deng等人（2020年）优化了Mask R–CNN的主要卷积部分和掩模分支部分，能够在密集且相互遮挡的情况下精确检测柑橘花，计数误差为11.9%。Su等人（2019年）利用LiDAR技术预测了玉米在干旱胁迫下的三个表型特征，包括植株高度、植株面积指数和投影叶面积，准确率分别为96%、70%和92%。Liang等人（2019年）通过整合颜色和纹理特征检测了茶叶萎蔫过程中的颜色变化和卷曲，构建了SVR模型，实现了在线检测水分含量的能力，决定系数（R2）为0.986。上述研究为解决一般遮挡和变形问题提供了宝贵见解，但很少有研究针对棉花田无人机图像中残余薄膜的混合遮挡-卷曲问题。遮挡容易导致残余薄膜目标的漏检，而薄膜卷曲则会导致实际覆盖面积的低估。然而，棉花田中的残余薄膜形态多样，纹理和轮廓特征复杂。定量预测残余薄膜的卷曲程度仍然具有挑战性，目前仍缺乏系统性的多阶段解决方案，整合分割、恢复、卷曲量化和展开面积预测以用于田间规模的残余薄膜评估。

本研究提出了一种方法，用于恢复播种前棉花田中收集的残余薄膜图像中的遮挡，并利用无人机技术预测残余薄膜的卷曲程度。目的是减少由残余薄膜遮挡和自然卷曲引起的残余薄膜污染评估误差。遮挡恢复、卷曲特征描述、展开面积预测和残余薄膜污染评估是依次耦合的。遮挡恢复为后续分析提供了完整的残余薄膜数据，随后量化薄膜的卷曲特征。这些特征进一步用于预测展开面积，实现残余薄膜污染的定量评估。每个模块为下一个模块提供核心输入，形成一个连贯的评估工作流程。在这项研究中：（1）基于改进的U-Net多对象语义分割模型，实现了四种类型遮挡物的分割。（2）采用FSR（快速频率选择性重建）算法恢复遮挡，通过与NS（Navier–Stokes）和FMM（快速 marching方法）算法进行对比实验。（3）基于语义分割和OTSU自动阈值分割算法，提取卷曲和展开残余薄膜的投影像素面积，并定义卷曲指数来描述卷曲程度。（4）提取不同卷曲程度的残余薄膜的颜色和纹理特征，并基于机器学习算法构建预测模型，实现卷曲残余薄膜展开面积的定量预测。（5）基于机器学习构建污染评估模型，用于恢复遮挡和卷曲程度预测，并通过与手动测试结果的相关性评估模型可靠性。

**数据收集**
本研究关注播种前棉花田中被遮挡的残余塑料薄膜。实验中使用的残余塑料薄膜样本、遮挡物（即棉秸秆、滴灌带、棉铃壳和棉花）以及土壤样本均来自中国新疆石河子周边的棉花田。样本收集于4月，此时棉花田已经准备好种植，田表面覆盖着大量的塑料薄膜碎片。

**图像分割**
改进的U-Net多对象语义模型用于识别和分割测试集上的残余薄膜和各种遮挡物。原始图像、手动标记的结果和语义分割结果进行了比较。改进版和原始版U-Net都完成了残余薄膜和遮挡物的识别与分割，结果与手动标记基本一致。两个模型在残余薄膜像素的识别概率上略有差异。

**讨论**
本研究解决了遮挡干扰问题，并量化了播种前棉花田中残余薄膜污染评估中的卷曲程度。它提出了一种基于无人机的遮挡恢复和残余薄膜卷曲程度预测方法，为残余薄膜污染评估提供了技术支持。目前的残余薄膜检测主要依赖于阈值分割或语义分割（Zhai等人，2022年）。

**结论**
本研究提出了一种基于无人机的遮挡恢复和预测播种前棉花田中卷曲残余薄膜展开面积的方法，减少了由遮挡和卷曲引起的残余薄膜污染评估误差。主要结论如下：
（1）本研究基于改进的U-Net构建了一个多对象语义分割模型，实现了残余薄膜和四种类型遮挡物（滴灌带、棉铃壳、棉秸秆和……）的识别。

**作者贡献声明**
Zhiqiang Zhai：写作–审稿与编辑、监督、项目管理、方法论、研究设计、资金获取、正式分析、数据整理、概念化。
Lupeng Miao：写作–初稿撰写、可视化、验证、软件开发、正式分析。
Huting Wang：写作–审稿与编辑、监督、资金获取。
Jiangbo Li：写作–审稿与编辑、监督、概念化。
Yue Chen：数据整理。
Songxin Ye：可视化、项目管理。

**利益冲突声明**
作者声明没有已知的财务利益或个人关系可能影响本文的研究工作。

**致谢**
作者衷心感谢国家重点研发计划（2022YFD2002400）、中国博士后科学基金会（2025MD774114）、国家自然科学基金（32560411）、新疆生产建设兵团科学技术局（2023AB014）、国家现代农业产业技术体系博士后项目（CARS-15-17）、石河子大学高层次人才引进计划（Zhiqiang Zhai|Lupeng Miao|Huting Wang|Jiangbo Li|Yue Chen|Songxin Ye|Ruoyu Zhang）提供的财政支持。