水稻是全球粮食生产的重要组成部分，全球水稻种植面积达1.55亿公顷，约有30亿人口每天以稻米为主食。同时，水稻产量的稳定在国家粮食安全中也起着重要的作用。目前，以人工智能等现代信息技术为基础的精细农业正成为农业现代化的发展方向，加快推进了现代信息技术在农业中的应用。水稻的种植密度与水稻产量密切相关，如何快速、准确和高效的统计出单位面积内水稻植株的数量对于水稻的产量估计、田间管理等至关重要。近年来，水稻植株数量的信息获取技术已成为水稻表型研究中的重要方面。

近日，Plant Phenomics在线发表了由海南大学、南京邮电大学、华中科技大学、新加坡国立大学以及江西省气象局农气中心等单位共同完成的题为Rice Plant Counting, Locating and Sizing Method Base on High-throughput UAV RGB Images 的研究论文。

本文提出了一种新的无人机高通量水稻植株数据集（UAV-based rice counting, URC），该数据集可用于无人机田间水稻植株的计数研究。根据目前的文献调查，这是第一个使用无人机RGB图像的高通量水稻植株计数数据集；本文还提出了一种新的水稻计数网络RiceNet，该网络可以通过无人机RGB图像来实现田间水稻植株的无接触和精确计数。在RiceNet中，提出并采用植物注意力机制和正负损失函数来抑制水稻图像中的背景及噪声，进一步提高了估计密度图的质量；通过在RiceNet中设计的植株位置检测模块和植株大小估计模块，实现了植物位置和大小两种高层次的语义信息的获取。

本文提出了一种新的基于无人机图像的水稻植株计数方法RiceNet。该方法可以利用无人机拍摄的高通量RGB图像在稻田中实现水稻植株的计数、定位和大小估计。如图1所示，该算法由一个特征提取器和三个特征解码器模块组成，即密度图估计DME模块、植株位置检测PLD模块和植株大小估计PSE模块。在RiceNet中，水稻植物注意力机制和正负损失函数能够更好地区分水稻植物与图像背景，这进一步提高了网络所估计密度图的质量。此外，在无人机水稻植株图像的人工标注方面，本文采用人工的点标注作为标签，避开了繁琐复杂的边界框手动标记。

图1 本文RiceNet网络的主干结构图，其中包括：输入图像的前端特征提取器、植株密度图估计模块、植株位置检测模块、植株大小估计模块

实验中，我们将RiceNet与现有的几种经典的计数方法进行了比较，在所提出的URC数据集上分析了它们的计数结果。对比实验中，本文采用了常用的平均绝对误差（MAE）和均方根误差（RMSE）来评估网络预测计数和人工计数真实值之间的差异。表1显示了在URC数据集上不同方法的性能。最左边的一列是几种经典的计数方法和我们的方法。第三列和第四列是不同方法的MAE和RMSE结果。从表1可以看出，我们的方法在很大程度上优于其他方法。本文方法的MAE和RMSE分别达到8.6和11.2。结果表明，RiceNet可以准确有效地估计水稻植株数量，可用于替代传统的人工计数方法。

表1 不同方法在URC数据集中的计数性能

在以前的方法中，为了获取植株的位置和大小通常需要使用矩形框标注的检测方法。然而，对于有具有非常多水稻植株的无人机图像，人工矩形框标注将会非常的费时费力，大量标注在无人机图像上往往不可行。相反，人工点标注方法相对简单，更容易实现大量植物的快速标注。在RiceNet网络中，基于URC每个水稻图像中植株均匀分布这一合理假设，我们利用数据集中所提供的人工点标注在网络中设计了的PLD和PSE模块，实现了水稻植株位置和大小的估计。如图7第五列所示，RiceNet不仅输出植物数量，同时也给出了位置（红色点）和水稻植株的大小（白色方框）信息。

图2 URC数据集中水稻植株计数、定位和大小估计结果的可视化效果。第一列是四个测试图像块，第二列是人工标注获取真实密度图，第三列是网络估计密度图，第四列是植株注意力图，第五列是植物位置和大小预测结果

此外，论文中还针对人工标注真实密度图生成时的sigma参数、所提出的损失函数进行了消融实验。由于URC数据集中只提供了不同水稻植株的人工点标注，目前研究中对于植株大小、位置的估计仍采用简单肉眼定性分析。后续阶段研究中，怎么合理地量化评价网络的大小、位置输出将会成为未来的工作重点。

该论文研究由海南大学、南京邮电大学、华中科技大学、新加坡国立大学以及江西省气象局农气中心的相关学者合作完成。海南大学白晓东副教授为本文第一作者，南京邮电大学研究生刘丕超为本文通信作者。相关工作得到了国家自然科学基金、江苏省研究生科研与实践创新计划项目等项目的资助支持。

论文链接：

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

——推荐阅读——

Classification of Rice Yield Using UAV-Based Hyperspectral Imagery and Lodging Feature

https://spj.sciencemag.org/journals/plantphenomics/2021/9765952/

Plant Phenomics | 结合无人机高光谱图像和倒伏特征构建水稻产量类别检测模型

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

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

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