近日，西班牙学者Jose A. Fernandez-Gallego等在The Plant Journal期刊上发表了题为“Automatic wheat ear counting using machine learning based on RGB UAV imagery“的文章，开发了一种基于经典机器学习分析无人机RGB影像的麦穗自动计数系统，比较了自动和人工麦穗计数与籽粒产量的相关性，以期提高田间小麦麦穗计数的效率，节约时间和人力成本。
doi : 10.1111/tpj.14799
01
植物材料和生长条件
比利时博特拉雷根特大学实验农场选用12个冬小麦品种设置3个氮水平实验步骤
12旋翼无人机获取RGB图像用开花期和早期籽粒灌浆期图像数据进行算法验证采用R studio 1.2.135和Matlab R2014b软件进行数据统计分析
图1：试验区块示意图
02
从无人机获取的RGB图像的麦穗自动计数系统中包括三个主要步骤：拉普拉斯频率滤波器、中值滤波器和求极大值。
图2：图像采集系统的分析流程示意图
03
从原始RGB图像及各颜色通道中提取了符合目标描述的统计信息，如面积、高度、宽度、直径、圆度、平均值、标准差、众数和进一步的测量，共计30个特征用于每种分类技术的训练和验证。
图3：图像处理系统的训练步骤示意图
04
结果表明，基于图像的人工麦穗计数与和算法麦穗计数表现出较高的相关性(R²)。在输入图像的交叉结果验证中，支持向量机(SVM)、决策树(DT)和 随机森林(RF)的标准误差都较低。当使用没有交叉验证的线性回归时，基于图像的人工麦穗计数和最佳分类器算法麦穗计数之间的关系也在两个时期上表现出高度一致(6月4日，R²=0.83；6月19日，R²=0.89)。
图4. 使用随机森林(RF)分类器对同一图像进行算法计数与基于图像的手动计数的线性回归分析
05
该研究中，分类训练步骤中显示出真阳性 (TP)和真阴性 (TN) 的高精度；四种分类技术显示TF和TN的结果超过90%，这意味着特征提取步骤为分类提供了相关信息。当使用多维数据时，随机森林 (RF)在分类任务中通常表现出更高的性能，这与其他遥感应用结果相似。
本研究详细介绍了使用从无人机平台捕获的RGB航拍图像进行麦穗计数自动的分析系统，该系统包括一个用于采用机器学习技术进行图像分类和麦穗计数的处理流程，达成了相对较高的麦穗识别精度，有助于研究者们快速选择更高产优质的的小麦单株。
doi : 10.1111/tpj.14799
