李福根，段玉林，史 云，吳文斌，黃 平

（1. 中國(guó)農(nóng)業(yè)科學(xué)院農(nóng)業(yè)資源與農(nóng)業(yè)區(qū)劃研究所/農(nóng)業(yè)農(nóng)村部農(nóng)業(yè)信息技術(shù)重點(diǎn)實(shí)驗(yàn)室，北京100081；2. 中國(guó)科學(xué)院遙感與數(shù)字地球研究所，北京100101；3. 四川省農(nóng)業(yè)科學(xué)院遙感應(yīng)用研究所，成都610066）

0 引言

果樹的種植和管理是現(xiàn)代農(nóng)業(yè)發(fā)展的重要組成部分，據(jù)聯(lián)合國(guó)糧農(nóng)組織統(tǒng)計(jì)，全世界果樹種植面積約占總耕地面積的3%～4%［1］。準(zhǔn)確識(shí)別果樹并統(tǒng)計(jì)果樹數(shù)量對(duì)監(jiān)測(cè)果樹長(zhǎng)勢(shì)、果園產(chǎn)量估算以及種植管理至關(guān)重要。相較于傳統(tǒng)的人工果樹統(tǒng)計(jì)費(fèi)時(shí)費(fèi)力且主觀性強(qiáng)的特點(diǎn)，遙感技術(shù)以其經(jīng)濟(jì)性強(qiáng)、持續(xù)性好、可靠性高的特點(diǎn)，可以提供大面積、長(zhǎng)時(shí)期必要的果樹信息數(shù)據(jù)，成為保證果樹數(shù)量可持續(xù)統(tǒng)計(jì)的重要方式［2］。

利用遙感技術(shù)對(duì)果樹進(jìn)行識(shí)別并統(tǒng)計(jì)的理論基礎(chǔ)是提取果樹在影像中的光譜特征。Wulder等［3-5］對(duì)高分辨率衛(wèi)星影像進(jìn)行了系列研究，假設(shè)波段組合后的影像局部峰值即為樹的位置，利用局部最大濾波器即可識(shí)別樹的位置。Gebreslasie等［6］研究發(fā)現(xiàn)，利用局部峰值識(shí)別并定位單株樹木的方法其實(shí)質(zhì)是基于高斯濾波器平滑衛(wèi)星影像以消除噪聲，同時(shí)還提出采用半變異函數(shù)來(lái)確定局部峰值檢測(cè)窗口的大小。

然而，考慮到果樹樹冠的大小和形狀，要對(duì)果樹進(jìn)行精準(zhǔn)識(shí)別并計(jì)數(shù)需要較高空間分辨率的遙感影像，這使得空間分辨率較低的衛(wèi)星影像在此方面的應(yīng)用得到很大限制。隨著無(wú)人機(jī)遙感技術(shù)的發(fā)展，使得利用無(wú)人機(jī)獲取果園尺度高空間、高時(shí)間和多光譜分辨率影像成為可能；同時(shí)，無(wú)人機(jī)影像處理過(guò)程中利用SFM方法［7-8］產(chǎn)生的密集點(diǎn)云可以生成質(zhì)量較高的數(shù)字表面模型（Digital Surface Model，DSM）影像［9-10］，也為利用遙感技術(shù)進(jìn)行植被識(shí)別與計(jì)數(shù)提供了新的可靠數(shù)據(jù)源。Wan等［11］提出了一種利用無(wú)人機(jī)可見光和多光譜影像對(duì)油菜花的開花數(shù)量進(jìn)行統(tǒng)計(jì)的方法，但該方法需要分類數(shù)據(jù)做配合提供油菜花叢的位置信息。Wu等［12］將無(wú)人機(jī)影像與深度學(xué)習(xí)結(jié)合對(duì)小麥抽穗數(shù)量進(jìn)行識(shí)別，得到了較好識(shí)別精度，但該方法使用的前提是需要人工事先勾畫小麥生長(zhǎng)區(qū)，而且應(yīng)用區(qū)域受限于訓(xùn)練樣本區(qū)域。Harris公司［13］發(fā)布了普適性較強(qiáng)的Count Crops Tools工具，該工具僅需輸入作物的最小和最大直徑就能對(duì)作物進(jìn)行自動(dòng)識(shí)別和計(jì)數(shù)，考慮到果樹之間通常有較明顯的間隙，可以單獨(dú)區(qū)分，因此該方法被認(rèn)為在果樹識(shí)別與計(jì)數(shù)方面有著廣闊的應(yīng)用前景。然而，由于遙感影像通常只能表達(dá)作物冠層頂部信息，該方法在果樹識(shí)別中不可避免地會(huì)將果園中的雜草和果園旁的其他樹木誤識(shí)別為果樹，從而影響統(tǒng)計(jì)精度，使其在實(shí)際果園管理中的應(yīng)用受到很大限制。

目前還沒(méi)有利用DSM影像進(jìn)行作物識(shí)別的研究，但已有部分研究利用無(wú)人機(jī)DSM求取作物高度。Ziliani等［14］利用無(wú)耕種時(shí)期的無(wú)人機(jī)數(shù)字表面模型作為基底數(shù)據(jù)，利用獲取的植被生長(zhǎng)期無(wú)人機(jī)數(shù)字表面模型與基底數(shù)據(jù)做差求取植被高度，但該方法需要在無(wú)耕種時(shí)利用無(wú)人機(jī)獲取DSM，無(wú)法利用單次無(wú)人機(jī)數(shù)據(jù)計(jì)算植被高度，對(duì)于已種植果園來(lái)說(shuō)是不可能實(shí)現(xiàn)的。

文章通過(guò)對(duì)目前研究現(xiàn)狀的分析，首次將無(wú)人機(jī)密集點(diǎn)云產(chǎn)生的DSM影像作為輔助數(shù)據(jù)加入到果樹識(shí)別與計(jì)數(shù)研究中，結(jié)合利用果樹冠層直徑對(duì)果樹的識(shí)別算法，可以在不用人為對(duì)影像研究區(qū)進(jìn)行勾畫的情況下利用單次無(wú)人機(jī)拍攝的一組數(shù)據(jù)（DSM和正射影像）實(shí)現(xiàn)對(duì)果樹的識(shí)別與計(jì)數(shù)。

1 研究區(qū)與數(shù)據(jù)

1.1 研究區(qū)概況

該文選擇位于美國(guó)加利福尼亞州弗雷斯諾縣里德利市郊區(qū)的一個(gè)果園，中心坐標(biāo)為北緯36°34′33″，西經(jīng)119°26′06″。該果園旁邊有高大喬木和低矮灌木，果園中間也有成簇的雜草叢，是進(jìn)行果樹精準(zhǔn)識(shí)別理想的研究區(qū)域（圖1）。

1.2 數(shù)據(jù)獲取及預(yù)處理

該研究所用數(shù)據(jù)由旋翼無(wú)人機(jī)搭載MicaSense公司的RedEdge相機(jī)采集。拍攝時(shí)間為2017年10月19日，無(wú)人機(jī)飛行高度30 m。

研究選用Agisoft PhotoScan Profession軟件來(lái)處理無(wú)人機(jī)影像，處理過(guò)程包括特征點(diǎn)提取、特征點(diǎn)匹配、密集點(diǎn)云生成、DSM和正射影像生成。最終獲得的影像空間分辨率為0.01 m。

圖1 研究區(qū)果園無(wú)人機(jī)影像Fig.1 Image of unmanned aerial vehicle in the orchard of study area

2 果樹識(shí)別及計(jì)數(shù)方法

該研究目的是利用高分辨率無(wú)人機(jī)遙感影像對(duì)果樹進(jìn)行識(shí)別。目前，無(wú)人機(jī)影像主要是普通數(shù)碼相機(jī)提供的可見光影像和RedEdge相機(jī)提供的多光譜影像，這2種數(shù)據(jù)在生成正射影像的同時(shí)都會(huì)依據(jù)影像處理過(guò)程中產(chǎn)生的密集點(diǎn)云生成DSM影像。因此，將分別對(duì)這2類數(shù)據(jù)進(jìn)行研究，利用植被指數(shù)對(duì)植被區(qū)域進(jìn)行提取，將非植被區(qū)域設(shè)置為背景，消除其對(duì)果樹識(shí)別時(shí)產(chǎn)生的影響。

將消除非植被區(qū)域的植被指數(shù)影像作為輸入影像，果樹直徑范圍作為輸入?yún)?shù)，利用ENVI5.5軟件的Count Crops工具，獲得初步識(shí)別的果樹影像。由于該方法會(huì)將果樹直徑范圍內(nèi)的其他樹種和草叢誤識(shí)別為果樹，因此需要對(duì)產(chǎn)生的結(jié)果進(jìn)行二次處理，從而提高果樹的識(shí)別精度。

研究將初步識(shí)別的果樹影像與無(wú)人機(jī)處理后同步生成的DSM影像疊加，以每一棵識(shí)別到的果樹范圍作為一個(gè)搜索窗口，搜索其在DSM影像中的相應(yīng)位置，然后向外擴(kuò)展一個(gè)像素形成新的計(jì)算窗口。假設(shè)搜索窗口中最大值為植被最高點(diǎn)的海拔高度，計(jì)算窗口中最小值為植被臨近地表的海拔高度，求取兩個(gè)高度的差值即可計(jì)算出植被的高度。利用果樹的高度范圍和求取的植被高度數(shù)據(jù)，對(duì)初步識(shí)別出的果樹進(jìn)行再次識(shí)別，最終確定果樹的位置和數(shù)量。具體流程如圖2所示。

圖2 果樹精準(zhǔn)識(shí)別流程Fig.2 Flowchart of fruit trees accurate detection

2.1 植被指數(shù)計(jì)算

利用圖像光譜信息進(jìn)行目標(biāo)識(shí)別的第一步是利用圖像光譜特征減少信息量［15］。由于該研究是針對(duì)果樹的識(shí)別，因此選擇能增強(qiáng)植被特性的植被指數(shù)來(lái)對(duì)研究區(qū)內(nèi)的植被進(jìn)行提取，同時(shí)去除非植被區(qū)域?qū)ρ芯拷Y(jié)果的干擾，形成植被影像，提高植被識(shí)別精度。

目前，基于可見光影像和多光譜影像的植被指數(shù)有40多種［16］，它們的提出都對(duì)應(yīng)不同的作物性質(zhì)反演，例如植被健康程度、植被葉綠素含量和植被過(guò)火面積等。為了使該方法有更好的收斂性，后續(xù)流程能平穩(wěn)運(yùn)行，提高方法的普適性，該研究計(jì)算了5種基于可見光（2種）和多光譜影像（3種）的歸一化植被指數(shù)（詳見表1），并對(duì)植被指數(shù)在研究區(qū)植被的識(shí)別精度進(jìn)行了分析討論。

表1 5種植被指數(shù)及其表達(dá)形式Table 1 Five vegetation indices and their band-specific formulations and associated principal reference

續(xù)表1

2.2 基于果樹樹冠直徑的果樹初步識(shí)別

ENVI5.5軟件以及配套的IDL87編程軟件提供了一種基于作物冠層直徑范圍的作物識(shí)別計(jì)數(shù)方法（函數(shù)）［13］。該方法以遙感影像的像元分辨率為計(jì)量依據(jù)，以一定容差范圍內(nèi)的聚類像元為對(duì)象對(duì)作物進(jìn)行識(shí)別并統(tǒng)計(jì)。該文基于該方法以及編程函數(shù)對(duì)植被指數(shù)影像中的果園進(jìn)行初步識(shí)別，編程函數(shù)表達(dá)形式如下：

該函數(shù)中，ENVIAgCropCount為調(diào)用的函數(shù)名；outCrops代表函數(shù)的輸出對(duì)象，該對(duì)象包括兩部分，一部分為作物位置影像，另一部分為包括作物中心坐標(biāo)以及冠層直徑的數(shù)據(jù)庫(kù)；Input代表輸入的柵格影像，該研究采用閾值分割后的植被指數(shù)影像；Minimum_Crop_Diameter為果樹冠層的最小直徑（單位：m）；Maximum_Crop_Diameter為果樹冠層的最大直徑（單位：m）；GAUSSIAN_FACTOR為高斯平滑因子；/INCLUDE_EDGES為可選擇輸入，代表作物識(shí)別時(shí)是否包括影像邊緣的作物；INTENSITY_THRESHOLD為作物強(qiáng)度閾值，用于影像像元的聚類分析；NUMBER_OF_INCREMENTS為搜索步長(zhǎng)；OUTPUT_NCROPS為輸出的作物數(shù)量，并將結(jié)果儲(chǔ)存到outputNumCrops變量中；PERCENT_OVERLAP為作物重疊度。

2.3 利用初步識(shí)別的果樹位置求取果樹高度

該研究利用IDL87的ENVIAgCropCount函數(shù)生成了作物位置影像和包括作物中心坐標(biāo)以及冠層直徑的數(shù)據(jù)庫(kù)，并將該位置信息影像疊加到無(wú)人機(jī)同步生成的DSM影像中，根據(jù)DSM影像分辨率和輸出數(shù)據(jù)庫(kù)中的果樹中心坐標(biāo)以及冠層直徑信息，可以得到研究區(qū)果樹海拔數(shù)據(jù)集。

式（1）～（2）中，D（u）代表果樹的像素集合，d為識(shí)別到的果樹的直徑，PPI為DSM影像的空間分辨率，R為識(shí)別到的果樹的半徑所對(duì)應(yīng)的像素?cái)?shù)量，o（x，y）為識(shí)別到的果樹中心坐標(biāo)。

根據(jù)果樹的鄰近空間關(guān)系［24-25］，將果樹的半徑向外擴(kuò)展一個(gè)像素，形成新集合。該集合表示識(shí)別到的單棵果樹和其最鄰近的地表的海拔數(shù)據(jù)集。

此時(shí)，果樹高度即可表示為：

式（4）中，H代表果樹高度，hmax代表數(shù)據(jù)集D（u）中的最大值，hmin代表數(shù)據(jù)集D′（u）的最小值。

2.4 利用果樹高度信息對(duì)果樹進(jìn)行再識(shí)別

在縱向空間中，果樹的高度通常介于高大喬木與低矮灌木之間，形成其獨(dú)特的縱向特征。依據(jù)此特性，以果樹高度范圍為閾值，利用DSM和位置信息求出的高度數(shù)據(jù)進(jìn)行二次識(shí)別，剔除不符合果樹高度范圍的對(duì)象，生成全新的果樹位置影像并統(tǒng)計(jì)果樹數(shù)量。

式（5）中，Hmin，Hmax分別為果樹高度的最小值和最大值。

3 結(jié)果與分析

為了評(píng)價(jià)該文提出的方法對(duì)果樹進(jìn)行識(shí)別的精度，該研究利用無(wú)人機(jī)拍攝生成的可見光、多光譜和DSM影像進(jìn)行了果樹識(shí)別實(shí)驗(yàn)。實(shí)驗(yàn)包括植被指數(shù)篩選、基于果樹冠層直徑的果樹初識(shí)別、基于果樹初識(shí)別結(jié)果的果樹高度計(jì)算和果樹二次識(shí)別等分析，并基于實(shí)驗(yàn)誤差對(duì)方法可行性進(jìn)行了討論。

3.1 植被指數(shù)選擇

該文計(jì)算了5種植被指數(shù)，并依據(jù)植被指數(shù)的特性來(lái)提取植被區(qū)域，從而消除非植被區(qū)域?qū)麡渥R(shí)別產(chǎn)生的影響。為了篩選出識(shí)別植被最佳的植被指數(shù)，通過(guò)目視解譯和定量評(píng)價(jià)2個(gè)角度分別對(duì)5種植被指數(shù)的結(jié)果進(jìn)行了比較。

圖3為從研究區(qū)選取的示例區(qū)域原始圖與5種植被指數(shù)在該區(qū)域的植被識(shí)別結(jié)果。結(jié)果發(fā)現(xiàn)，基于多光譜影像的MRENDVI對(duì)植被的識(shí)別結(jié)果最好，植被區(qū)域識(shí)別較為完整，幾乎沒(méi)有誤識(shí)別區(qū)域，可以作為植被識(shí)別的最佳特征指數(shù)。對(duì)于可見光影像，GLI也有很高的識(shí)別精度，可以作為可見光影像對(duì)植被識(shí)別的特征指數(shù)。但GLI會(huì)將部分行壟間的非植被區(qū)域誤識(shí)別為植被，這可能是因?yàn)榈匚锷⑸湓斐傻目梢姽庥跋裨肼曇鸬?。而NDI、NDVI和GNDVI這3個(gè)指數(shù)的識(shí)別結(jié)果都摻雜著大量的植被陰影，無(wú)法滿足研究對(duì)植被識(shí)別的需求。

圖3 原始影像與5種植被指數(shù)提取植被區(qū)域結(jié)果：（a）原始影像；（b）NDI提取的植被區(qū)域；（c）GLI提取的植被區(qū)域；（d）NDVI提取的植被區(qū)域；（e）GNDVI提取的植被區(qū)域；（f）MRENDVI提取的植被區(qū)域Fig.3 Original Image and vegetation area extracted from five vegetation indices

目視解譯的結(jié)果在一定程度上存在主觀性。為了更加客觀地比較5種植被指數(shù)對(duì)植被識(shí)別的優(yōu)劣，該研究選用Matusita距離法［15，26］來(lái)定量化描述植被區(qū)域和非植被區(qū)域植被指數(shù)頻率直方圖的差異性，進(jìn)而比較植被區(qū)域和非植被區(qū)域的非相似性，從而評(píng)價(jià)5種植被指數(shù)的識(shí)別精度。計(jì)算公式如下：

式（6）中，DistM（v，s）代表Matusita距離，v（x）代表植被區(qū)域頻率直方圖，s（x）代表非植被區(qū)域頻率直方圖。

表2為5種植被指數(shù)對(duì)植被區(qū)域進(jìn)行識(shí)別后，植被區(qū)域和非植被區(qū)域頻率直方圖的Matusita距離值。研究發(fā)現(xiàn)該結(jié)果與人工目視解譯結(jié)果高度吻合。MRENDVI的Matusita距離值最大，為0.43，說(shuō)明識(shí)別到的植被區(qū)域和非植被區(qū)域有高度的非相似性，可以作為植被識(shí)別的一種重要指數(shù)。GLI的Matusita距離為0.40，說(shuō)明GLI也具有植被識(shí)別能力，但效果不如MRENDVI，這是因?yàn)镚LI本質(zhì)是一種將可見光波段中的綠波段增強(qiáng)的指數(shù)，該指數(shù)雖然很大程度上突出綠葉在影像識(shí)別中的貢獻(xiàn)，但不可避免地會(huì)將影像中其他綠波段反射率較高的像素點(diǎn)識(shí)別為植被。NDI、NDVI和GNDVI的Matusita距離值相似，分別為0.29、0.23和0.22，說(shuō)明這3個(gè)指數(shù)識(shí)別的植被影像和非植被影像的非相似性不高，在該研究中不適合作為植被識(shí)別的植被指數(shù)來(lái)使用。

表2 植被區(qū)域與非植被區(qū)域頻率直方圖的Matusita距離Table 2 Matusita distance of the histograms of vegetation area and non-vegetation area

根據(jù)上述比較分析，該研究最終選擇GLI為可見光影像的植被識(shí)別指數(shù)，MRENDVI為多光譜影像的植被識(shí)別指數(shù)。為了對(duì)該文提出的研究方法進(jìn)行更加科學(xué)地分析，研究選用了MRENDVI提取的植被區(qū)域進(jìn)行后續(xù)操作。

3.2 果樹初識(shí)別及高度

研究將已知的果樹冠層直徑范圍（1.5～2.5 m）輸入到ENVIAgCropCount函數(shù)中，得到初識(shí)別的果樹影像。

如圖4所示，果園中果樹識(shí)別較為完整可靠。對(duì)識(shí)別到的果樹對(duì)象計(jì)數(shù)，共識(shí)別到3 191棵果樹。該方法仍將一些雜草和果園周圍的其他樹木識(shí)別為果樹。同時(shí)，果園中的果樹有部分漏識(shí)別，主要原因是部分果樹已經(jīng)枯萎（圖5（a）），無(wú)明顯冠層，研究區(qū)內(nèi)這種情況的果樹共有86棵，該研究中不再把此類果樹加入到實(shí)際果樹計(jì)數(shù)中。還有部分漏識(shí)別是因?yàn)楣趯娱L(zhǎng)勢(shì)較差，直徑太小，未在輸入的已知果樹直徑范圍內(nèi)（圖5（b）），該情景漏識(shí)別的果樹共有7棵（占總果樹數(shù)量的0.2%），這也是ENVIAgCropCount函數(shù)存在的局限性之一。對(duì)于該情景還需要進(jìn)一步論證，尋求擴(kuò)大果樹直徑范圍和識(shí)別精度之間的平衡。

圖4 果樹初識(shí)別結(jié)果以及局部特征Fig.4 Fruit trees preliminary detection results and certain area

排除掉已枯萎的果樹，通過(guò)目視解譯，研究區(qū)內(nèi)共有果樹3 034棵，識(shí)別精度為94.8%。

圖5 兩種果樹漏識(shí)別示例：（a）枯萎果樹漏識(shí)別；（b）未在已知冠層直徑范圍內(nèi)果樹漏識(shí)別Fig.5 Two kinds of examples of non-detection in fruit trees

為了進(jìn)一步提高果樹識(shí)別精度，該文利用無(wú)人機(jī)同步生成的DSM影像和果樹高度求取方法計(jì)算了研究區(qū)內(nèi)識(shí)別出的果樹高度，如圖6所示。研究發(fā)現(xiàn)，果園內(nèi)果樹的高度普遍在1.8～2.5 m區(qū)間內(nèi)，這與該果園果樹實(shí)際高度吻合。果園西側(cè)誤識(shí)別為果樹的喬木高度普遍大于2.8 m，果園東側(cè)和南側(cè)誤識(shí)別為果樹的灌木的高度普遍高于0.5 m且低于1 m，果園中果樹間誤識(shí)別為果樹的草叢高度則接近0 m，它們的高度與果樹高度形成了鮮明對(duì)比。

圖6 果樹高度示意圖Fig.6 Height of fruit trees

3.3 果樹再識(shí)別

研究利用計(jì)算出的果樹高度和果樹再識(shí)別方法，將1.8～2.5 m作為果樹的高度范圍，對(duì)果樹初識(shí)別的結(jié)果進(jìn)行二次識(shí)別，并根據(jù)識(shí)別后對(duì)象的數(shù)量進(jìn)行計(jì)數(shù)統(tǒng)計(jì)，識(shí)別結(jié)果如圖7所示。從圖7中發(fā)現(xiàn)，識(shí)別到的果樹均在果園范圍，且均勻整齊排列，這與現(xiàn)實(shí)情況相符。果園以外其他植被的誤識(shí)別和果園內(nèi)部果樹間草叢誤識(shí)別基本消除，這說(shuō)明該方法對(duì)于提高果樹識(shí)別精度有較明顯的效果。但對(duì)果園中的果樹有部分漏識(shí)別，這主要是因?yàn)镋NVIAgCropCount函數(shù)進(jìn)行初識(shí)別時(shí)對(duì)部分果樹未識(shí)別（詳見3.2節(jié)），說(shuō)明該方法對(duì)漏識(shí)別果樹沒(méi)有補(bǔ)救措施，需要在日后研究中進(jìn)一步改進(jìn)。通過(guò)果樹高度對(duì)果樹再次識(shí)別后，共識(shí)別3 027棵果樹，與實(shí)際3 034棵果樹相比，識(shí)別精度為99.8%。相較于初識(shí)別結(jié)果，精度提高了5%。由于研究區(qū)中混雜非果園植被區(qū)域面積有限，造成該方法識(shí)別精度提高受到限制，需要在后續(xù)研究中對(duì)該方法進(jìn)行改進(jìn)，進(jìn)一步提高該方法對(duì)果樹的識(shí)別精度和普適性。

圖7 果樹識(shí)別結(jié)果Fig.7 Fruit trees detection results

4 結(jié)論

為了能更加方便、準(zhǔn)確地在宏觀尺度對(duì)果樹進(jìn)行識(shí)別，該文基于現(xiàn)階段作物識(shí)別和無(wú)人機(jī)應(yīng)用的研究現(xiàn)狀，首次將無(wú)人機(jī)影像拍攝的正射影像和DSM相結(jié)合，提出了一種利用單次無(wú)人機(jī)影像的果樹精準(zhǔn)識(shí)別方法。該方法通過(guò)對(duì)無(wú)人機(jī)生成的正射影像進(jìn)行植被指數(shù)計(jì)算，提取研究區(qū)內(nèi)的植被區(qū)域；根據(jù)植被區(qū)域和果樹冠層直徑范圍對(duì)果樹進(jìn)行初步識(shí)別；基于果樹位置和無(wú)人機(jī)生成的DSM影像計(jì)算果樹高度；最后依據(jù)果樹高度范圍實(shí)現(xiàn)對(duì)果樹的精準(zhǔn)識(shí)別。

該方法在美國(guó)加利福尼亞州弗雷斯諾縣里德利市郊區(qū)的一個(gè)果園中進(jìn)行了應(yīng)用測(cè)試。研究發(fā)現(xiàn)，利用該方法對(duì)果樹進(jìn)行精準(zhǔn)識(shí)別，精度達(dá)到了99.8%，較果樹初識(shí)別結(jié)果精度提高了5%。識(shí)別誤差來(lái)源主要是果樹初識(shí)別過(guò)程中漏識(shí)別的果樹。該方法基本消除了果樹初識(shí)別過(guò)程中，果園周圍植被和果園內(nèi)部草叢被誤識(shí)別為果樹的誤差，但對(duì)于初識(shí)別過(guò)程中漏識(shí)別的果樹還無(wú)法進(jìn)行補(bǔ)救，需要進(jìn)一步提高該方法的識(shí)別精度。

該文提出了一種利用果樹基本表型參量實(shí)現(xiàn)果樹精準(zhǔn)識(shí)別的方法，具有較高的普適性和可推廣性。該方法的提出促進(jìn)了利用無(wú)人機(jī)遙感影像對(duì)植被表型參量的反演從二維尺度走向了三維空間。隨著人工智能技術(shù)的發(fā)展，在未來(lái)可以將該方法與人工智能技術(shù)相結(jié)合，實(shí)現(xiàn)更加快速、準(zhǔn)確的果樹識(shí)別。