劉家歡，鄭成娟，李 云，李增源，付浩然，張衛(wèi)峰

(1.中國農業(yè)大學 資源與環(huán)境學院，北京 100094； 2.北京興農豐華科技有限公司，北京 100094)

適宜的小麥群體既是高產的保障條件，也是水、肥、藥等高效管理的重要參考指標?，F(xiàn)代高產技術要求收獲期多穗型小麥品種達到750萬穗/hm2左右，大穗型小麥品種達到450萬穗/hm2左右[1-2]。然而冬小麥長達260 d的生育時期中，經過冬、春、夏3個季節(jié)光、溫、水變化的歷練，群體數(shù)量經歷增長、穩(wěn)定、降低3個階段，合理控制每一階段的群體數(shù)量才能確保收獲時穗數(shù)達到高產的要求。而在群體發(fā)展動態(tài)過程中，水分、養(yǎng)分的吸收、消耗和利用也極大地制約了小麥生產效率。以中、多穗型小麥品種為例，確保高產、高質、高效需求的群體動態(tài)為基本苗225萬～300萬株/hm2，冬前900萬～1 200萬株/hm2，返青期—拔節(jié)期1 500萬～1 650萬株/hm2，收獲期675萬～750萬株/hm2[3-4]。需要采取冬前劃鋤、鎮(zhèn)壓，確保春季水肥時間、早春鎮(zhèn)壓、化學控旺等多種調控途徑，才能確保有效的群體數(shù)量。以濟麥22為例，為達到675萬～750萬穗/hm2的群體密度，在適宜播期內應將播量控制到187.5～225 kg/hm2，小麥出苗后到越冬前莖蘗數(shù)應達到900萬～1 200萬株/hm2，若莖蘗數(shù)大于900萬株/hm2，則應采取適期內晚澆冬水、深耕、鎮(zhèn)壓等措施控制無效分蘗，防止群體數(shù)量過大[5]；若返青期—拔節(jié)期群體數(shù)量大于1 650萬株/hm2，則應采取推遲春季水肥至拔節(jié)中后期、返青期鎮(zhèn)壓、起身期噴施矮壯素等控旺措施，防止群體數(shù)量過大和后期倒伏[6]。上述針對性農藝措施是促使群體沿著高產目標發(fā)展的有力保障[7-8]。因此，在小麥冬前、返青至拔節(jié)等關鍵生育時期及時了解麥田群體數(shù)量信息，并制定精細化管理措施是保證小麥高產的重要手段。目前，規(guī)?；洜I是高產高效的途徑，但是面臨增產節(jié)本的需求，且人力成本高，需要自動化、智能化技術的輔助。

有學者使用數(shù)碼相機采集出苗、起身、拔節(jié)、孕穗期的小麥冠層圖像，基于紋理圖像特征進行圖像處理，用以判別3種不同結構的冬小麥群體,分類正確率達92.6%[9-10]。另有學者以小麥苗期圖像為研究對象，采用數(shù)碼相機垂直獲取圖像，提出了基于新骨架特征值的重疊區(qū)域麥苗計算公式，計數(shù)準確率達89.9%[7-11]。索興梅等[8]、李少昆等[12]應用圖像分割、圖像增強技術提取小麥群體圖像特征，建立小麥群體特征識別自學習系統(tǒng)，識別準確率在85%以上。JAMES等[13]采用易獲得的消費級數(shù)碼相機采集圖像，利用3D點云成像技術估算小麥的地上部生物量、冠層高度和收獲指數(shù)，表明3D成像圖中至少有48個圖像能用于輔助育種和其他高精度要求的科學研究。劉濤等[14]利用顏色特征和紋理特征對撒播、條播麥田進行計數(shù)試驗，準確率分別為95.8%、96.9%。COINTAULT等[15-16]研究使用顏色或紋理評估結果估測單位面積小麥穗數(shù)的可行性，表明圖像處理誤差僅為手工計數(shù)的6%。與手持成像設備相比，無人機具有高時效、高分辨率、低成本、高效率等優(yōu)點。李冰等[17]利用低空無人直升機多光譜平臺，采用植被閾值法提取研究區(qū)域內冬小麥時序變化曲線，分析了空間尺度對提取植被覆蓋度的影響，表明利用低空無人機遙感監(jiān)測冬小麥覆蓋度變化的方法可行。

小麥生產實踐中，麥田群體是水、肥、藥精細管理的重要參考，麥田管理中需要及時、快速、高效地獲取群體結構信息，從而針對性采取水肥管理措施。大量研究表明，采用消費級的數(shù)碼相機獲取小麥冠層圖像，從而估算麥田群體大小是可行的，且提出了許多估算方法和模型[7-16]。但這些模型和方法多從科學研究的角度出發(fā)，未從生產應用的角度設計行之有效的操作方法。

鑒于此，從生產應用的角度出發(fā)，以山東省陽信縣64個小農戶生產地塊和41個種植企業(yè)規(guī)?；N植地塊為研究對象，在不同生育時期使用智能手機和和無人機獲取小麥冠層圖像，探討圖像識別估算麥田群體大小的可行性，以期為不同規(guī)模的小麥種植主體提供適宜的群體快速診斷方法。

1 材料和方法

1.1 試驗地點和試驗設計

試驗地點位于山東省陽信縣，坐標為東經117.15～117.52°、北緯37.26～37.43°，地處中緯度，屬暖溫帶。季風型大陸性氣候，四季分明。歷年年均氣溫12.3 ℃，極端最高氣溫40.1 ℃，極端最低氣溫-21.5 ℃，最冷月1月份，最熱月7月份。年均日照時數(shù)為2 704 h，年均日照百分率65%，光照充足。陽信縣年降水量較少，且不穩(wěn)定、不均勻。歷年平均降水量為568 mm，1月份最少，約為3.8 mm，7月份最多，約為192 mm。

選擇不同規(guī)模的2類生產地塊為研究對象，一類為小農戶地塊，地點位于山東省陽信縣大韓村，另一類為規(guī)模化種植地塊，地點位于山東省陽信縣牛騰雨村，兩村相距10 km，均屬于典型的冬小麥-夏玉米灌溉輪作區(qū)。其中，大韓村試驗地塊64個，每個地塊平均面積約為0.2 hm2，所有試驗地塊均由農戶自行管理，田間管理措施變異較大。牛騰雨村為種植企業(yè)標準化管理地塊，地塊單元面積為30 hm2，試驗地塊41個，所有試驗地塊均由陽信潤豐農業(yè)科技有限公司進行標準化管理，田間管理措施相近，品種及部分關鍵管理措施如表1。大韓村試驗地塊播期為2017年10月1—23日，牛騰雨村試驗地塊播期均為10月20日，為方便計算和分析，將播種期記為數(shù)字，如10月13日記為10.13。

表1 試驗地塊關鍵管理措施Tab.1 Key management measures for experimental fields

1.2 田間數(shù)據(jù)

2017年10月—2018年6月，在冬小麥苗期、冬前、返青、拔節(jié)4個生育時期，進行麥田莖蘗數(shù)人工抽樣計數(shù)和相應樣段小麥冠層圖像采集，圖像采集采用智能手機拍攝和無人機航拍2種方式進行。其中，拔節(jié)期因麥田封壟，航拍照片覆蓋度值接近100%，僅使用智能手機采集圖像。4個生育時期麥田莖蘗數(shù)人工抽樣計數(shù)和智能手機冠層圖像采集同時進行，隨后使用航拍無人機一次性采集所有試驗地塊冠層圖像。4個生育時期的莖蘗數(shù)數(shù)據(jù)采集時間如下：苗期人工抽樣計數(shù)和智能手機拍攝于2017年10月28日—11月3日進行，無人機航拍于2017年11月4—5日進行；冬前人工抽樣計數(shù)和智能手機拍攝于2017年12月4—8日進行，無人機航拍于2017年12月9—10日進行；返青期人工抽樣計數(shù)和智能手機拍攝于2018年3月8—12日進行，無人機航拍于2018年3月13—14日進行；拔節(jié)期人工抽樣計數(shù)和智能手機拍攝于2018年4月5—8日進行。4個生育時期莖蘗數(shù)人工抽樣計數(shù)和智能手機圖像采集采用定點的方式進行。

1.2.1 麥田莖蘗數(shù)人工抽樣計數(shù)方法 人工抽樣計數(shù)時在試驗地塊內以對角線方式，選擇3處麥苗整齊、生長一致、有代表性的2行麥苗進行定點標記，每處對0.5 m長的相鄰2行麥苗進行莖蘗數(shù)人工抽樣計數(shù)。其中，基本苗調查在小麥苗期進行，計數(shù)時只統(tǒng)計主莖數(shù)，即使部分早播麥田出現(xiàn)分蘗，也不計入莖蘗數(shù)；其他3個時期均調查莖蘗數(shù)，即主莖和分蘗數(shù)總和，抽樣樣段莖蘗數(shù)計數(shù)時，只要分蘗露出葉鞘即算為有效分蘗，若分蘗出現(xiàn)喇叭口或心葉萎蔫、枯死或變黃現(xiàn)象則為退化蘗，不計入莖蘗數(shù)。

每個試驗地塊莖蘗數(shù)人工抽樣計數(shù)和冠層圖像采集完成后，交錯選擇2處麥苗均勻的區(qū)域，分別測量11行小麥(10行行距)之間的距離，并取平均值，即該地塊平均行距。麥田群體大小與地塊平均行距和平均莖蘗數(shù)關系如下：

式中，L為地塊平均行距；N為麥田0.5 m單行平均莖蘗數(shù)。

1.2.2 智能手機冠層圖像采集方法 智能手機冠層圖像采集與試驗地塊莖蘗數(shù)人工抽樣計數(shù)同時進行。在人工抽樣計數(shù)完成后，使用智能手機應用程序“多用途綠色冠層覆蓋測量工具(CANOPEO)”，對相應麥苗拍攝、讀取冠層覆蓋度并記錄。其原理是自動識別圖像綠色部分像素，并采用超綠特征值方式進行二值化處理，計算綠色像素占整個圖像像素的百分比。冠層覆蓋度與人工抽樣計數(shù)的莖蘗數(shù)為1組數(shù)據(jù)，每個地塊共調查6組數(shù)據(jù)，莖蘗數(shù)和冠層覆蓋度均取平均值，每個地塊最終得到1組平均莖蘗數(shù)和平均冠層覆蓋度。4次冠層圖像采集均使用同一部手機(華為nova CAZ-AL 10，后置攝像頭為2 000 萬像素，CMOS傳感器，焦距 8.8 mm，拍攝高度約41.5 cm)進行。小麥冠層圖像智能手機拍攝方法如圖1所示，選取1行長勢均勻的麥苗，并取0.5 m作為樣點，在樣點兩端做好標記，手機垂直樣段以樣段的邊界恰好位于相機取景框的上下兩端為參照進行拍照，并用CANOPEO 處理，提取小麥冠層覆蓋度，處理時軟件 Adjustments 參數(shù)統(tǒng)一設置為1.00。

圖1 智能手機冠層圖像采集方法Fig.1 Smart phone canopy image acquisition method

1.2.3 無人機冠層圖像采集方法 無人機冠層圖像采集使用四旋翼大疆INSPIRE2無人機(軸距 605 mm，機身凈質量3.29 kg,載質量4 kg)為遙感平臺，配備慣性測量單元(Inertial measurement unit,IMU)實時記錄飛行狀態(tài)下地理位置和三軸姿態(tài)角。無人機遙感平臺搭載ZENMUSE X4S 高清相機,主要參數(shù)為尺寸： 125 mm×100 mm×80 mm，質量：253 g，2 000萬像素，CMOS傳感器，焦距8.8 mm(定焦拍攝)。無人機數(shù)據(jù)采集在9:00—15:00 太陽光輻射強度穩(wěn)定，天氣晴朗無云時開展，飛行高度20 m,獲取到0.005 45 m 空間分辨率真彩色數(shù)碼相片。3 次無人機遙感均使用同一套飛器和相機。

獲取無人機航拍圖像后，在ARCGIS(地理信息系統(tǒng)軟件)中根據(jù)GPS(全球定位系統(tǒng))定位點和方位信息確定試驗地塊，在圖像上選取樣本區(qū)域(如圖2所示)，采用監(jiān)督分類(超綠特征值)方法處理圖像，然后對圖像進行二值化處理，根據(jù)像素數(shù)量計算小麥冠層覆蓋度(小麥冠層覆蓋度=圖像綠色部分所占像素數(shù)量/圖像全部像素數(shù)量)。

圖2 無人機冠層圖像采集方法Fig.2 UAV canopy image acquisition method

1.3 數(shù)據(jù)處理

試驗數(shù)據(jù)采用Excel 2013 和SPSS 19.0 進行計算與統(tǒng)計分析，采用 Excel 2013 繪圖，用雙變量相關分析進行相關性檢驗。

2 結果與分析

2.1 小麥苗期基本苗數(shù)與冠層覆蓋度關系

分別以智能手機和無人機獲取圖像的冠層覆蓋度與人工抽樣計數(shù)的基本苗數(shù)進行相關性分析，如圖3所示?；久鐢?shù)與冠層覆蓋度，不論是采用智能手機還是采用無人機獲取圖像，均不存在顯著相關性。表明采用圖像處理方式估測麥田苗期基本苗數(shù)的方法不可行。

圖像處理方式估測效果不好主要有兩方面的原因。一是試驗地塊間播期變異較大，導致麥田生育時期不一致，而莖蘗數(shù)人工抽樣計數(shù)一般在三葉期進行，數(shù)據(jù)采集時須協(xié)調人員、效率與不同試驗地塊最佳數(shù)據(jù)采集時期之間的矛盾，本研究按照保證大多數(shù)試驗地塊處于三葉期的原則確定數(shù)據(jù)采集時間。數(shù)據(jù)采集時，早播試驗地塊已處于分蘗期，而晚播試驗地塊還處于苗期。苗期麥苗較小，麥田冠層覆蓋度也較小，尤其是無人機航拍圖像幾乎檢測不到綠色部分，很大程度上影響了苗期基本苗數(shù)診斷效果。二是基本苗數(shù)人工抽樣計數(shù)方法的影響，調查時只統(tǒng)計主莖數(shù)，即使出現(xiàn)分蘗也不計入，影響了已分蘗試驗地塊冠層覆蓋度與基本苗數(shù)的擬合效果。

a:智能手機采集圖像； b:無人機采集圖像，下同 a:Image get by smart phone； b:Image get by UAV，the same below圖3 小麥苗期基本苗數(shù)與冠層覆蓋度關系 Fig.3 Relationship between wheat basic seedling and canopy coverage at seedling stage

2.2 小麥冬前莖蘗數(shù)與冠層覆蓋度關系

分別以智能手機和無人機獲取圖像的冠層覆蓋度與人工抽樣計數(shù)的冬前莖蘗數(shù)進行相關性分析，如圖4所示。由圖4a可知，在小麥冬前采用智能手機獲取冠層圖像時，莖蘗數(shù)與冠層覆蓋度相關性強，決定系數(shù)(R2)=0.900，且存在極顯著相關(P<0.001 0)，表明小麥冬前階段將智能手機作為圖像采集工具，用圖像識別方式估測麥田冬前莖蘗數(shù)(群體大小)的方法可行。由圖4b可知，在小麥冬前采用無人機獲取冠層圖像時，莖蘗數(shù)與冠層覆蓋度相關性強，R2=0.760，且存在極顯著相關(P<0.001)，表明小麥冬前將效率更高的無人機作為圖像采集工具，用圖像識別方式估測麥田冬前莖蘗數(shù)(群體大小)的方法可行。

由R2及莖蘗數(shù)與冠層覆蓋度相關性可知，小麥冬前圖像處理方式對小麥群體的診斷效果較好。與苗期相比，試驗地塊間生育時期差異減小、單株分蘗數(shù)不同，麥田覆蓋度(綠色部分)較大增加，無論是智能手機或是無人機獲取的圖像均能很好地識別綠色部分，提高了圖像識別方式的診斷效果。

圖4 小麥冬前莖蘗數(shù)與冠層覆蓋度關系Fig.4 Relationship between wheat stem number and canopy coverage pre-wintering stage

2.3 小麥返青期莖蘗數(shù)與冠層覆蓋度關系

分別以智能手機和無人機獲取圖像的覆蓋度與人工抽樣計數(shù)的返青期莖蘗數(shù)進行相關性分析。由圖5a可知，在小麥返青期采用智能手機獲取冠層圖像時，莖蘗數(shù)與冠層覆蓋度相關性與冬前相比較弱，R2僅為0.130，但存在極顯著相關性(P<0.001 0)，表明小麥返青期將智能手機作為圖像采集工具，用圖像識別方式估測麥田返青期莖蘗數(shù)(群體大小)的方法可行。由圖5b可知，在小麥返青期采用無人機獲取冠層圖像時，莖蘗數(shù)與冠層覆蓋度相關性與冬前相比也較弱，R2僅為 0.320，但存在極顯著相關性(P<0.001 0)，表明小麥返青期將效率更高的無人機作為圖像采集工具，用圖像識別方式估測麥田返青期莖蘗數(shù)(群體大小)的方法可行。

小麥返青期圖像處理方式對小麥群體的診斷效果相對冬前較差，主要有兩方面的原因，一是返青期麥田群體數(shù)量較大，小麥分蘗數(shù)達到全生育時期最大值，麥苗之間互相遮擋的程度增加；二是2017—2018年冬、春季與歷史同期相比，低溫少雨，部分早播試驗地塊存在比較嚴重的凍害，麥苗整體發(fā)黃，影響了冠層覆蓋度基于超綠特征值的圖像分類識別效果。

圖5 小麥返青期莖蘗數(shù)與冠層覆蓋度關系Fig.5 Relationship between wheat stem number and canopy coverage at reviving stage

2.4 小麥拔節(jié)期莖蘗數(shù)與冠層覆蓋度關系

拔節(jié)期因麥田封壟，無人機獲取圖像覆蓋度接近100%，僅使用智能手機采集圖像。用智能手機獲取冠層圖像的覆蓋度與人工抽樣計數(shù)的拔節(jié)期莖蘗數(shù)進行相關性分析，如圖6所示。在小麥拔節(jié)期采用智能手機獲取冠層圖像時，莖蘗數(shù)與冠層覆蓋度相關性較弱，R2僅為 0.240，但存在極顯著相關性(P<0.001 0)，表明小麥拔節(jié)期將智能手機作為圖像采集工具，用圖像識別方式估測麥田拔節(jié)期莖蘗數(shù)(群體大小)的方法可行。

圖6 小麥拔節(jié)期莖蘗數(shù)與使用智能手機獲取圖像的冠層覆蓋度關系Fig.6 Relationship between wheat stem number at jointing stage and the canopy coverage of images get by smart phone

小麥拔節(jié)期圖像處理方式對小麥群體的診斷效果比返青期好，主要有兩方面的原因，一是拔節(jié)期小麥群體數(shù)量開始下降，無效分蘗逐步消亡，麥苗間遮擋情況有所改善；二是拔節(jié)期凍害癥狀消失，小麥葉片濃綠，圖像分類識別效果較好。

2.5 3種小麥群體診斷方法比較

3種小麥群體診斷方法比較如表2所示,目前普遍采用方法是人工抽樣計數(shù)，該方法精度最高,但效率低，單位耗時約100.0 min/hm2；智能手機圖像識別最便利，且效率較高，單位耗時約5.0 min/hm2；無人機圖像識別效率最高，單位耗時約為1.5 min/hm2。

表2 不同小麥群體診斷方式比較Tab.2 Comparison of different wheat population size diagnosis methods

3 結論與討論

采用智能手機和無人機采集小麥冠層圖像，是為了滿足不同規(guī)模小麥種植者對工作效率的需求。采用智能手機采集小麥冠層圖像，獲取冠層覆蓋度估測小麥群體大小，是針對小農戶地塊分散、細碎化的特點進行的探索。根據(jù)第 41 次《中國互聯(lián)網(wǎng)絡發(fā)展狀況統(tǒng)計報告》，截至 2017年12月，我國農村網(wǎng)民占比為 27.0%，規(guī)模為 2.09 億，較 2016 年底增加793 萬人[18]。伴隨著信息技術的高速發(fā)展和農村基礎通信設施的不斷完善，小農戶使用智能手機對小麥群體進行快速診斷是可以實現(xiàn)的。而運用無人機進行小麥群體快速診斷是針對規(guī)?；N植戶需求進行的探索，對于規(guī)模種植戶而言，管理措施差異不大，但種植面積較大，智能手機顯然無法滿足其需求。而無人機作為衛(wèi)星遙感的有益補充，具有高時效、高分辨率、低成本、高效率等優(yōu)點[17]。因此，本研究探討使用無人機采集規(guī)模化種植的麥田冠層圖像，并替代莖蘗數(shù)人工抽樣計數(shù)方法的效果和可行性。冬前調查的結果表明，此階段，采用智能手機、無人機獲取麥田冠層圖像，并利用圖像處理替代莖蘗數(shù)人工抽樣計數(shù)的方法可行。

目前，小麥群體數(shù)量快速估測相關的研究較少。小麥群體大小的診斷主要靠人工抽樣計數(shù)獲取，勞動強度大，調查速度慢，尤其是冬前華北地區(qū)戶外氣溫低，田間調查工作開展較為困難，而且隨著規(guī)?；洜I(托管、土地流轉)的發(fā)展，精細管理的需求越來越強烈，但精細管理方法的欠缺限制了麥田因地、因苗、因時的科學管理和高產高效[19-20]。

本研究對冬小麥4個生育時期的群體與冠層覆蓋度關系進行了研究，4個生育時期采用智能手機獲取圖像診斷小麥莖蘗數(shù)，與人工抽樣計數(shù)相關性強弱依次為冬前(R2=0.900，P<0.001 0)>拔節(jié)期(R2=0.240，P<0.001 0)>返青期(R2=0.130，P<0.001 0)>苗期(R2=0.010，P<0.290 0)；4個生育時期采用無人機獲取圖像診斷小麥莖蘗數(shù)，與人工抽樣計數(shù)相關性強弱依次為，冬前(R2=0.760，P<0.001 0)>返青期(R2=0.320，P<0.010 0)>苗期(R2=0.005，P<0.880 0)。

本研究從實際生產需求和應用的角度著手，針對小農戶和規(guī)模種植戶，提出了針對性小麥群體快速診斷方法。對于小農戶，提出了基于手機應用程序CANOPEO的小麥群體快速診斷方法，只需要下載該手機應用程序，按照說明拍攝田間照片并讀取麥苗覆蓋度，測量麥田平均行距，隨后對應參考表格即可獲取相應的小麥群體評價和管理措施。目前，該方法的自動化程度還不夠高，后續(xù)將考慮開發(fā)專用手機應用程序，農戶只需在拍照同時輸入平均行距就可以得到小麥群體評價和相應管理措施。規(guī)模種植戶種植面積大、區(qū)域集中，需要更方便、快捷、高效的方法進行群體診斷。本研究提出了基于無人機采集冠層圖像的小麥群體快速診斷方法，單位耗時1.5 min/hm2，適用于大面積成片麥田的小麥群體快速診斷。

但本研究只考慮了冠層覆蓋度這一單一因素，且供試地塊均為條播麥田。但小麥冠層覆蓋度還受品種、施肥水平、播種時間、播種方式等因素影響，后續(xù)還需要針對諸如以上影響因素進行深入研究，設立相應的調整參數(shù)，進一步增強其適應性和準確性。此外，后續(xù)研究還要考慮圖像采集設備的性能、分辨率及拍攝時間段、光照情況等可能影響圖像采集效果的因素。

本研究表明，以智能手機為工具獲取小麥冠層圖像，并借助手機應用程序獲取冠層覆蓋度，在冬前、返青期和拔節(jié)期均取得了較好的效果。說明在冬前—拔節(jié)期借助智能手機采集圖像替代莖蘗數(shù)人工抽樣計數(shù)并估測小麥群體大小的方法是可行的，尤其是冬前估測效果較好。對于大面積種植的麥田，以無人機為工具在冬前、返青期采集圖像并計算小麥冠層覆蓋度的方法效果較好，可以作為小麥群體診斷工具。