基于无人机图像的水稻分蘖角自动测量

《The Plant Phenome Journal》：Automatic measurement of rice tiller angle from unmanned aerial vehicle images

　　

水稻（*Oryza sativa* L.）分蘖角是影响植株结构、冠层光截获和产量潜力的重要性状。在本研究中，研究人员提出了一种基于深度学习的流水线，用于利用无人机（UAV）图像自动测量水稻分蘖角和植株基部宽度。该方法利用关键点检测模型高效准确地估计分蘖角。研究人员收集并标注了一个由无人机捕获的水稻植株图像数据集，用于分蘖角估计。研究人员证明，该方法在实际田间条件下提供了可扩展且精确的关键点测量，在测试集上实现了平均精度（mAP）@50为0.982和mAP@50:95为0.859。预测的分蘖角分布与人工标注高度一致，在10.7°–27.8°范围内平均绝对误差为5.3°，皮尔逊相关系数（PCC）为0.64，为实际农业场景中的分蘖角测量提供了可接受的精度。此外，预测的植株基部宽度范围为2.8至5.5 cm，与人工标注相比平均绝对误差为1.02 cm，突出了模型在精确空间分析方面的能力。在27个水稻基因型间检测到了分蘖角和植株基部宽度的显著差异。这些结果验证了所提出流水线在准确高效区分植株结构性状方面的潜力。该研究首次直接从无人机图像测量水稻分蘖角，为植株结构性状的自动表型分析奠定了基础，并有可能整合到植物表型分析框架中，进一步推动人工智能驱动的水稻研究和生产。

**研究背景与问题**
水稻（*Oryza sativa* L.）分蘖角是影响植株结构、冠层光截获和产量的关键表型性状。传统测量依赖量角器人工操作，费时费力且主观性强，难以满足大规模田间表型需求。现有基于深层学习或三维成像的方法多限于盆栽或受控环境，在田间复杂背景（如光照变化、水面反射、邻株遮挡）下难以应用。因此，研究人员旨在开发一种基于无人机（UAV）图像与深度学习的自动化流水线，实现田间条件下水稻分蘖角与植株基部宽度的高效测量。

**研究概况与结论**
研究人员提出以YOLOv8-Pose关键点检测模型为核心的流水线，从UAV图像中提取植株基部与顶端四个关键点，进而计算左右分蘖角（α₁、α₂）、交汇角（β）及基部宽度（d），并采用透视变换校正45°相机角度造成的畸变。在包含309张原始图像（2506株标注植株）的数据集上，模型关键点检测的mAP@0.5达0.982，mAP@0.5:0.95达0.859；分蘖角预测平均绝对误差（MAE）为5.3°，皮尔逊相关系数（PCC）为0.64；基部宽度MAE为1.02 cm，PCC为0.86。在27个水稻基因型中检测到显著差异，分蘖角范围为10.7°–27.7°，基部宽度范围为2.8–5.5 cm。该研究首次直接从UAV图像测量水稻分蘖角，为株型性状的自动表型分析奠定了基础，发表于《The Plant Phenome Journal》。

**关键方法**（不超过250字）
研究使用DJI Inspire 2无人机搭配Zenmuse X7相机（焦距50 mm，分辨率6016×4008像素），在德克萨斯州博蒙特试验田以4.5 m高度、45°倾斜角拍摄图像。样本涵盖不同生长阶段与土壤背景，共采集309张原始图像（2506株植株），按80:10:10划分训练、验证与测试集，训练时通过亮度增强（±15%）扩充至1195张。主要技术包括：（1）关键点检测：采用YOLOv8-Pose网络，输入640×640 RGB图像，输出四个关键点坐标；（2）角度与宽度计算：基于关键点坐标计算左、右分蘖角、交汇角及基部宽度；（3）透视变换：利用参考网格标定板计算3×3变换矩阵，校正45°相机倾斜引起的角度畸变。

**研究结果**
**3.1 目标与关键点检测**
通过COCO风格指标评估，模型在测试集上的关键点检测mAP@0.5为0.982，mAP@0.5:0.95为0.859；边界框检测mAP@0.5为0.934，mAP@0.5:0.95为0.643。这表明模型在定位四个关键点时具有高精度，且泛化能力良好。

**3.2 角度测量**
预测的分蘖角分布与人工标注高度重合，左角（α₁）MAE为6.07°，右角（α₂）MAE为6.90°，交汇角（β）MAE为10.61°。PCC分别为0.63、0.57和0.64，表明中度正相关。模型在极端角度（<10°或>25°）处误差较大，归因于训练样本不足。

**3.3 植株基部宽度**
基部宽度预测MAE为1.02 cm，PCC为0.86（测试集），显示模型在空间分析方面具有良好能力。分布对比显示预测值略向低值偏移，方差略低于人工标注。

**3.4 不同基因型之间的差异**
27个基因型之间分蘖角存在显著差异：最小为TIL24065（10.7°），最大为TIL24030（27.7°）。基部宽度同样差异显著：最小为TIL24065（2.8 cm），最大为TIL24030（5.5 cm）。此外，随植株年龄增加（从755 DD到885 DD度数日），分蘖角与基部宽度显著增加，之后趋于稳定。分蘖角与基部宽度呈中等正相关。

**讨论与结论**
讨论部分指出，该流水线适用于条播水稻的边缘植株，但不适用于高密度水播或移栽水稻系统（未测试）。由于边缘效应，边缘植株虽不纳入产量估算，但能更真实反映基因型的固有株型性状，因此该流水线对早期筛选与理想株型选育具有实用价值。当前模型在极端角度处精度不足，主要受限于数据集规模（309张图像）。未来可通过扩大数据集、引入角度特异性损失函数、针对性数据增强及不确定性量化来提升性能。

**结论部分（翻译）**
本研究开发并评估了一种基于深层学习（YOLOv8-Pose模型）的流水线，用于从无人机（UAV）图像自动估算水稻分蘖角与植株基部宽度。据研究人员所知，这是首次直接从UAV图像测量水稻分蘖角的研究。该工作克服了传统人工表型方法的局限性，为大规模水稻植株分析提供了可扩展、高效、准确且自动化的解决方案。模型在关键点检测上表现出强性能，在测试集上达到mAP@0.5为0.982和mAP@0.5:0.95为0.859，表明在不同定位阈值下具有高精度与鲁棒性。分蘖角估计的MAE为5.3°，PCC为0.64，为实际农业场景中的分蘖角测量提供了可接受的精度。此外，植株基部宽度估算的MAE为1.02 cm，PCC为0.86，凸显了模型在精确空间分析方面的能力。在27个基因型间检测到了分蘖角与基部宽度的显著差异，突出了模型区分不同水稻基因型性状差异的能力。这些结果验证了所提流水线在准确高效测量株型性状方面的潜力。后续工作可通过扩大数据集并解决遮挡、背景变化等问题进一步提升角度估计精度与鲁棒性。区分不同品种与发育阶段的株型差异将极大增强模型的鲁棒性并扩展其应用范围。该研究为株型性状的自动表型分析奠定了坚实基础，有望整合到植物表型框架中，进一步推动人工智能驱动的水稻研究与生产，尤其针对条播水稻系统。