Plant Phenomics | 基于無人機(jī)的收獲數(shù)據(jù)預(yù)測(cè)減少農(nóng)場(chǎng)糧食損失和提高農(nóng)民收入

在可持續(xù)農(nóng)業(yè)系統(tǒng)中，農(nóng)場(chǎng)內(nèi)食品損耗（例如，蔬菜的廢棄）是一個(gè)難以解決的問題。為了減少?gòu)U棄蔬菜的數(shù)量，最簡(jiǎn)單的方法是監(jiān)測(cè)和預(yù)測(cè)蔬菜田中所有個(gè)體的大小，并確定最優(yōu)的收獲日期，以獲得最小的廢棄數(shù)量和最高的利潤(rùn)。然而這種冠層水平或個(gè)體水平的性狀表型對(duì)器官水平的西蘭花頭部大小的估計(jì)是不夠的。例如，在日本市場(chǎng)上，可運(yùn)輸?shù)奈魈m花頭尺寸通常分為三個(gè)價(jià)格級(jí)別（M:11-12厘米，L:12-13厘米， 2L:13-15厘米），其大小由幾厘米變化。因此，精度范圍內(nèi)的厘米甚至毫米級(jí)的器官大小估計(jì)是全場(chǎng)大小分布和利潤(rùn)估計(jì)的基礎(chǔ)。為了滿足這種精確性的要求，許多器官級(jí)的應(yīng)用程序通常通過手持相機(jī)或拖拉機(jī)收集，靠近地面的圖像傳感器和植物之間的距離不到1米，但它的效率并不總是適用于具有成千上萬個(gè)個(gè)體的大面積場(chǎng)景。要應(yīng)用到基于無人機(jī)的方法的器官級(jí)分析，需要解決3個(gè)挑戰(zhàn)：（1）通過攝影測(cè)量獲得的冠層模型（2D 場(chǎng)圖和 3D 點(diǎn)云）質(zhì)量不足。（2）處理圖像分析復(fù)雜性的人力成本高。（3）所涉及的計(jì)算成本。
 

2023年9月，Plant Phenomics在線發(fā)表了日本東京大學(xué)聯(lián)合千葉大學(xué)合作完成的題為Drone-based harvest data prediction can reduce on-farm food loss and improve farmer income 的研究論文。
 

本研究開發(fā)了一套完整的流程，通過使用無人機(jī)遙感和圖像分析，能夠自動(dòng)、無損地準(zhǔn)確估計(jì)和預(yù)測(cè)每個(gè)西蘭花（Brassica oleracea L.）頭部的大小（圖1）。所產(chǎn)生的西蘭花頭部尺寸被用作基于溫度的生長(zhǎng)模型的數(shù)據(jù)源。最后，根據(jù)市場(chǎng)價(jià)格調(diào)查，建立了利潤(rùn)預(yù)測(cè)模型。為了解決器官級(jí)分析質(zhì)量不足的問題，將感興趣區(qū)域（ROI）向原始無人機(jī)圖像進(jìn)行了反向投影，得到了質(zhì)量較好的無人機(jī)圖像。為了解決省力深度學(xué)習(xí)分析的挑戰(zhàn)，本文通過YOLOv5（檢測(cè)任務(wù)）和BiSeNetv2（分段任務(wù)）將時(shí)間序列數(shù)據(jù)融合、主動(dòng)學(xué)習(xí)、遷移學(xué)習(xí)和數(shù)據(jù)增強(qiáng)集成到深度學(xué)習(xí)工作流中。
 

圖1基于無人機(jī)的提取西蘭花信息及建立模型流程。
 

西蘭花移栽后約1個(gè)月的無人機(jī)圖片用于檢測(cè)苗位（圖2），本研究使用LabelMe等工具，對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行了注釋，標(biāo)記了西蘭花幼苗的位置。隨后，采用YOLO v5模型進(jìn)行檢測(cè)，初步識(shí)別出西蘭花幼苗的位置。為了消除重復(fù)檢測(cè)，研究采用了非最大值抑制（NMS）算法，有效地刪除了重復(fù)的檢測(cè)結(jié)果，僅保留了有效的幼苗位置信息。在交互式注釋方面，研究使用了QGIS等工具，通過手動(dòng)調(diào)整標(biāo)注的方式，對(duì)西蘭花幼苗的頭部位置進(jìn)行了分割。此外，研究還引入了脊線檢測(cè)算法，識(shí)別幼苗頭部的脊，從而更準(zhǔn)確地進(jìn)行分割。通過這些方法，可以實(shí)現(xiàn)對(duì)幼苗頭部位置自動(dòng)放置植物ID。在交互式注釋的過程中，研究通過多次迭代，逐漸優(yōu)化了分割結(jié)果。
 

圖2 西蘭花的工作流程（a）幼苗檢測(cè)和（b）頭部分割
 

圖3 2020 年西蘭花幼苗位置檢測(cè) (a-f) 和通過交互式注釋進(jìn)行頭部分割 (g-i) 的示例

通過兩年的田間實(shí)驗(yàn)，高精度地估計(jì)和預(yù)測(cè)了所有西蘭花頭的大小，并發(fā)現(xiàn)與最佳日期相差僅1-2天就能顯著增加等級(jí)損耗并減少農(nóng)民的利潤(rùn)，降低了農(nóng)民的利潤(rùn)（圖4）。這明確展示了這些方法在經(jīng)濟(jì)作物優(yōu)化和減少食物損失方面的實(shí)用性，為農(nóng)業(yè)生產(chǎn)中作物管理的自動(dòng)化提供了有力的技術(shù)支持，同時(shí)也展示了在實(shí)際應(yīng)用中取得的重要發(fā)現(xiàn)和創(chuàng)新點(diǎn)。
 

圖4 (a) 2020 年和 (b) 2021 年試驗(yàn)中預(yù)測(cè)頭部直徑的分布。M、L和2L尺寸符合日本市場(chǎng)的運(yùn)輸標(biāo)準(zhǔn)（M：11-12厘米，L：12-13厘米，2L：13-15厘米）。假設(shè)在 (c) 2020 年和 (d) 2021 年試驗(yàn)中每個(gè)日期收獲所有個(gè)體，非標(biāo)準(zhǔn)尺寸西蘭花的比例和總收入。黃色柱子表示產(chǎn)生最高收入和最低浪費(fèi)西蘭花的最佳收獲日期。情況1是各等級(jí)之間的價(jià)格差異最大（表示利潤(rùn)最高），情況2是差異最�。ū硎纠麧�(rùn)最低）。

論文鏈接：

https://doi.org/10.34133/plantphenomics.0086‍

——推薦閱讀——

Dynamic UAV Phenotyping for Rice Disease Resistance Analysis Based on Multisource Data

https://doi.org/10.34133/plantphenomics.0019

Plant Phenomics | 基于多源數(shù)據(jù)的水稻抗病性動(dòng)態(tài)無人機(jī)表型分析

Rice Plant Counting, Locating and Sizing Method Base on High-throughput UAV RGB Images

https://spj.science.org/doi/10.34133/plantphenomics.0020‍

Plant Phenomics | 基于高通量無人機(jī)RGB圖像的水稻植株計(jì)數(shù)、定位和大小估計(jì)方法

加入作者交流群

掃碼添加小編微信，拉您進(jìn)入《植物表型組學(xué)》作者交流群，群內(nèi)不定期開展作者分享會(huì)、�？�發(fā)布會(huì)等高質(zhì)量活動(dòng)。

添加小編微信，備注姓名+單位+PP，加入作者交流群

About Plant Phenomics

《植物表型組學(xué)》（Plant Phenomics）是由南京農(nóng)業(yè)大學(xué)和美國(guó)科學(xué)促進(jìn)會(huì)（AAAS）合作創(chuàng)辦的英文學(xué)術(shù)期刊，于2019年1月正式上線發(fā)行。采用開放獲取形式，刊載植物表型組學(xué)交叉學(xué)科熱點(diǎn)領(lǐng)域具有突破性科研進(jìn)展的原創(chuàng)性研究論文、綜述、數(shù)據(jù)集和觀點(diǎn)。具體范圍涵蓋高通量表型分析的最新技術(shù)，基于圖像分析和機(jī)器學(xué)習(xí)的表型分析研究，提取表型信息的新算法，作物栽培、植物育種和農(nóng)業(yè)實(shí)踐中的表型組學(xué)新應(yīng)用，與植物表型相結(jié)合的分子生物學(xué)、植物生理學(xué)、統(tǒng)計(jì)學(xué)、作物模型和其他組學(xué)研究，表型組學(xué)相關(guān)的植物生物學(xué)等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等數(shù)據(jù)庫收錄。科睿唯安JCR2022影響因子為6.5，位于農(nóng)藝學(xué)、植物科學(xué)、遙感一區(qū)。中科院農(nóng)藝學(xué)、植物科學(xué)一區(qū)，遙感二區(qū)，生物大類一區(qū)（TOP期刊）。2020年入選中國(guó)科技期刊卓越行動(dòng)計(jì)劃高起點(diǎn)新刊項(xiàng)目。

說明：本文由《植物表型組學(xué)》編輯部負(fù)責(zé)組稿。
中文內(nèi)容僅供參考，一切內(nèi)容以英文原版為準(zhǔn)。
排版：蘇梓鈺（南京農(nóng)業(yè)大學(xué)）
審核：孔敏、王平