随着信息化、数字化技术的发展，遥感成像已成为精准农业中获取作物信息的重要手段，也是计算小区域面积、作物品种鉴定和生长分析的重要数据来源。大白菜 (Brassica rapa L. ssp.) 是亚洲最重要的蔬菜之一，中国作为大白菜的产地和遗传多样性中心，种质资源极为丰富，拥有许多地方品种。传统的大白菜表型测定方法严重依赖人工评价和测量，具有主观性强且耗时的缺点，故快速无损的大白菜表型鉴定技术对育种具有重要意义。

2022年12月，Plant Phenomics在线发表了河北农业大学范晓飞教授团队题为Multispectral Drone Imagery and SRGAN for Rapid Phenotypic Mapping of Individual Chinese Cabbage Plants 的研究论文。

本研究利用低成本无人机系统采集白菜田的遥感图像，用于估算白菜的展开度和相对叶绿素含量（SPAD）。选取河北农业大学位于辛集马兰农场的大白菜试验基地，此试验基地白菜均为自培育特殊的大白菜品种。采用大疆精灵4 Pro无人机搭载具有五通道的多光谱成像设备获取露地白菜图像，经过图像预处理、数据集划分、图像分辨率增强并分割后，计算或预测表型参数。本研究中图像预处理包括遥感图像的拼接与合成，此部分根据图像采集中每一张图像的POS点进行整幅遥感图像的拼接，并利用ArcMap对拼接后的图像进行处理，对每一株白菜进行图像标记。

为了提高模型分割精度，本研究采用超分辨率生成对抗网络（super-resolution generative adversarial network, SRGAN）提高原始图像的分辨率，将可见光图像、多光谱图像、分辨率提升后的图像结合深度学习的语义分割网络模型（unity networking, UNet）实现单株白菜的分割。根据单个白菜的像素值和地面采样距离（ground sample distance, GSD）计算实际长度和宽度。基于去除背景后的单个白菜RGB图像，分析了白菜的SPAD值。通过对各种模型的比较，采用SRGAN进行分辨率提升后的模型预测效果最好。对于SPAD预测和展开度预测，SRGAN分辨率增强后的RGB图像的UNet模型R2分别大于0.75和0.84，RMSE分别低于2.12和3.72，RMSPE分别低于0.05和0.10。本研究表明引入了SRGAN对图像分辨率进行增强后模型精度得到提高，利用无人机遥感图像预测大白菜的展开度和SPAD值的测量结果可靠，该方法为大白菜育种研究提供了低成本、易操作的表型性状定量获取技术。

图6 SRGAN分辨率增强效果。以两株单株大白菜显示为示例，左边是实际图像，右边是经过SRGAN分辨率增强的图像

图9 三种UNet模型的拟合性能。(A)多光谱图像模型的实际宽度与预测宽度。(B)使用RGB图像且没有分辨率增强的模型的实际宽度与预测宽度。(C) RGB图像和分辨率增强模型的实际宽度与预测宽度。(D)多光谱图像模型的实际长度与预测长度。(E)使用RGB图像且没有分辨率增强的模型的实际长度与预测长度。(F) RGB图像和分辨率增强后模型的实际长度与预测长度。

河北农业大学博士研究生张君为论文第一作者，河北农业大学范晓飞教授、申书兴教授和赵建军教授为论文通讯作者。

论文链接：

‍https://doi.org/10.34133/plantphenomics.0007

——推荐阅读——

Repeated Multiview Imaging for Estimating Seedling Tiller Counts of Wheat Genotypes Using Drones

https://doi.org/10.34133/2020/3729715

Plant Phenomics | 使用无人机多视角成像技术估算小麦幼苗分蘖数

The Application of UAV-Based Hyperspectral Imaging to Estimate Crop Traits in Maize Inbred Lines

https://doi.org/10.34133/2021/9890745

Plant Phenomics | 无人机高光谱影像在玉米自交系作物性状估算中的应用

Plant Phenomics | 无人机表型文章合集

加入作者交流群