宋 磊，李 嶸，焦義濤，宋懷波

（1. 西北農(nóng)林科技大學機械與電子工程學院，楊凌 712100；2. 農(nóng)業(yè)農(nóng)村部農(nóng)業(yè)物聯(lián)網(wǎng)重點實驗室，楊凌 712100；3. 陜西省農(nóng)業(yè)信息感知與智能服務重點實驗室，楊凌 712100）

0 引 言

集中批量化育苗是現(xiàn)代設施農(nóng)業(yè)發(fā)展的必然趨勢。幼苗高度是幼苗培育過程中的重要性狀之一，對于幼苗生長狀況監(jiān)測和優(yōu)良性狀幼苗的篩選具有重要參考作用。當前幼苗植株高度數(shù)據(jù)主要依靠人工測量獲取，工作量大、效率低且易對幼苗造成損傷。如何準確、快速地獲取幼苗高度信息，對于提高工業(yè)化幼苗培育的現(xiàn)代化水平具有重要研究意義。

目前植株高度的自動測量方法大致可分為：1）通過有參標定的空間計算獲取植株高度信息；2）通過激光雷達獲取植株三維點云信息從而獲取植株高度信息；3）通過深度相機獲取深度信息從而獲取植株高度信息?；谟袇硕ǖ目臻g計算方法通常需要標定真實數(shù)據(jù)，然后通過空間計算構(gòu)建植株三維信息，從而獲取植株高度。何晶通過標定相機的空間位置，將拍攝的棉花植株二維圖像轉(zhuǎn)化成世界坐標系中的三維信息，從而獲取植株高度信息，測量誤差在1 cm左右。張慧春等采用彩色標定板進行空間坐標系的標定，通過運動恢復結(jié)構(gòu)法對多幅圖像序列構(gòu)建植株三維信息，主莖測量高度平均相對誤差（Average Relative Error，）為9.83%。佘銀海等通過標定雙目立體視覺平臺來獲取植株左右視圖從而獲取植株空間三維信息及植株高度，總體相對誤差為1.5%。但有參標定方法一般只適用于特定環(huán)境，空間自由性不高。

基于激光雷達的植株高度測量不受外界光照環(huán)境影響，可以快速、準確地獲取植株高度信息。Corte等將激光雷達搭建在無人機上獲取樹木的三維點云信息，并通過濾波將其分為地面點與非地面點，從而計算出樹木的實際高度。Jimenez等將激光雷達用于快速無損地估計小麥冠層高度和地上生物量。程曼等利用地面激光雷達獲取花生的三維點云數(shù)據(jù)，以此計算出花生冠層高度。但是激光雷達一般用于較大植株的點云數(shù)據(jù)獲取，對于幼苗這類小目標物體的數(shù)據(jù)采集效果較差，容易出現(xiàn)幼苗點云缺失現(xiàn)象，不適用于幼苗高度獲取工作。

在基于深度信息獲取植株高度研究方面，場景深度可以分為絕對深度和相對深度。絕對深度是指場景中任意點距圖像采集器豎直平面的真實距離，相對深度描述的是場景中各目標間的相對位置關系。楊斯等通過RGB-D相機獲取俯視視角下黃瓜苗盤的彩色圖像和深度圖像，通過濾波和聚類算法獲取單株幼苗點云數(shù)據(jù)從而獲得植株高度，測量結(jié)果的為7.69%。王紀章等利用Kinect V2深度相機獲取穴盤的深度圖像，分別獲得地面深度值和單株幼苗深度值，從而得出幼苗實際高度，測量高度與實際株高的擬合優(yōu)度為0.875?；谏疃刃畔⒌闹仓旮叨扔嬎惴椒ㄍㄟ^使用硬件設備獲取植株深度信息，且該深度為絕對深度。該方法具有信息獲取時間短、重建速度快等優(yōu)勢。但該方法獲取的深度圖像易受環(huán)境影響，光照不穩(wěn)定會導致深度圖像存在噪聲且其輸出圖像分辨率較低。當目標距離深度相機過近時會導致目標深度丟失，并且在對小目標物體進行深度采集時，容易出現(xiàn)目標邊緣和內(nèi)部的深度丟失，不利于幼苗的高度獲取工作。

隨著深度學習技術的不斷發(fā)展，基于深度學習的單目圖像深度估計方法日益完善。Eigen等將卷積神經(jīng)網(wǎng)絡用于單目圖像的深度估計，通過融合不同尺度的深度信息獲得較為精確的深度圖像。Liu等將深度卷積網(wǎng)絡和條件隨機場相結(jié)合，通過建立超像素塊之間的條件隨機場完成深度圖像的優(yōu)化。Laina等首次將ResNet應用于單目圖像的深度估計，通過更深的卷積網(wǎng)絡和上采樣模塊獲得更好的深度估計結(jié)果。相較于有參標定算法、激光雷達和深度相機3種幼苗高度獲取方式，基于單目圖像的深度估計方法對拍攝環(huán)境和拍攝設備要求較低，更易于工廠批量化架設，更適合工廠集中化育苗的測量需求。本研究擬提出一種基于單目深度估計的幼苗高度無損檢測方法，通過普通RGB相機獲取幼苗圖像，采用深度學習算法從單幅圖像中恢復場景深度并分割出幼苗深度區(qū)域，將該區(qū)域的平均深度值轉(zhuǎn)化為實際距離，再結(jié)合幼苗圖像的像素高度從而計算出幼苗高度，以期為批量化幼苗高度測量提供借鑒。

1 幼苗高度數(shù)據(jù)獲取及試驗方法

1.1 幼苗高度數(shù)據(jù)獲取與深度估計數(shù)據(jù)集制備

1.1.1 幼苗植株數(shù)據(jù)獲取

1）幼苗培育

幼苗培育、數(shù)據(jù)采集和試驗均在西北農(nóng)林科技大學農(nóng)業(yè)農(nóng)村部農(nóng)業(yè)物聯(lián)網(wǎng)重點實驗室（34°16'56.24"N，108°4'27.95''E）進行。本研究選取的3種幼苗涵蓋了大部分幼苗的形態(tài)特點，以驗證該方法對不同類型幼苗植株的適用性。幼苗植株選取楊凌大學生種苗培育基地統(tǒng)一培育至幼苗期的番茄、辣椒和甘藍幼苗進行數(shù)據(jù)采集。番茄幼苗72株，品種為普羅旺斯，培育時長50 d左右，植株高度范圍為10.6～28.3 cm，幼苗形態(tài)為粗莖、大葉、直立生長；辣椒幼苗20株，品種為加長6號，培育時長50 d左右，植株高度范圍為13.7～20.0 cm，幼苗形態(tài)為細莖、小葉、直立生長；甘藍幼苗20株，品種為甄綠，培育時長35 d左右，植株高度范圍為11.9～17.5 cm，幼苗形態(tài)為短莖，大葉，開展生長。為方便數(shù)據(jù)采集，將每株幼苗單獨移植在紙杯中并進行編號。育苗基質(zhì)采用山東芯喜樂生物科技有限公司的有機活性基質(zhì)I。數(shù)據(jù)采集期間采用達斯卡特公司的人工氣候箱RGL-P500進行培育，白天溫度設置為23 ℃，光照設置為4級，夜間溫度設置為15 ℃，濕度統(tǒng)一設置為60%。

2）幼苗高度數(shù)據(jù)采集平臺搭建

單目圖像的深度估計主要是從物體與物體之間的相對位置關系中提取特征，但由于近大遠小的光學傳播特點，網(wǎng)絡易將近距離的小目標識別為遠位置的大目標，因此，本研究在數(shù)據(jù)采集時使用黑色有絨布料作為拍攝背景，以減少背景物品和光源散射帶來的影響，為不同光照強度下的幼苗高度測量提供穩(wěn)定環(huán)境。

幼苗高度數(shù)據(jù)采集平臺如圖1所示，其中幼苗數(shù)據(jù)拍攝環(huán)境如圖1a所示，本研究采用手機相機作為拍攝設備安裝在三角架上，該拍攝設備可用圖像分辨率不低于640×480像素的RGB相機進行替換。拍攝界面如圖1b所示，相機鏡頭與拍攝幼苗目標平齊，相機鏡頭的水平調(diào)節(jié)采用手機自帶的水平儀進行調(diào)整，鏡頭水平時屏幕中心的橫線為實線。幼苗高度測量平臺由底座，測高夾板和刻度尺組成。將幼苗放置平臺底座上，移動夾板至植株頂端，讀取刻度值即可獲取幼苗真實高度數(shù)據(jù)。

圖1 幼苗高度數(shù)據(jù)采集平臺Fig.1 Seedling height data acquisition platform

3）幼苗高度數(shù)據(jù)采集

本研究幼苗高度數(shù)據(jù)采集于封閉且有穩(wěn)定光源的室內(nèi)環(huán)境。相機和幼苗的距離在45～150 cm之間調(diào)整，每隔15 cm設置1個拍攝點，共8個拍攝點。相機感光度設置50、100、125、160、200、250、320和400共8個級別，用于控制圖像亮度。

幼苗圖像信息統(tǒng)計結(jié)果如表1所示，本數(shù)據(jù)采集過程共拍攝圖像大小為4 000×3 000像素的番茄幼苗圖像1 728幅，辣椒幼苗圖像160幅，甘藍幼苗圖像160幅，并手動測量植株頂端到容器底端的水平投影距離，3次取平均作為幼苗真實高度。其中番茄幼苗圖像用于幼苗高度測量方法的可行性驗證。辣椒和甘藍幼苗圖像用于普適性驗證。為探究不同光照強度對本研究方法的影響，本試驗在相同光源不同感光度下拍攝番茄幼苗圖像160幅用于試驗驗證。為探究多目標幼苗植株高度檢測效果，在拍攝距離60 cm、感光度160的條件下采集5種不同的多目標幼苗植株共200幅。

表1 幼苗圖像信息統(tǒng)計Table 1 Seedling image used in this research

1.1.2 單目深度估計數(shù)據(jù)集制備

NYU Depth Dataset V2深度數(shù)據(jù)集是使用Kinect深度相機獲得的室內(nèi)深度數(shù)據(jù)集，深度范圍10 m，在大部分深度估計任務中均可使用。該數(shù)據(jù)集包含464個場景，其中訓練場景249個，測試場景215個，共1 449幅圖像，圖像尺寸為640×480像素，且均有對應的深度圖像作為訓練過程中的真實數(shù)據(jù)。為使模型具有更好的表達能力，本研究對該數(shù)據(jù)集進行了數(shù)據(jù)增強。已有研究表明，當數(shù)據(jù)集達到萬級別時，訓練集、驗證集和測試集的比例約為98∶1∶1時效果最佳，因此，本研究數(shù)據(jù)增強結(jié)果如表2所示。通過鏡像、平移、尺度變換后將訓練集擴展到50 688幅，測試集和驗證集分別擴展到654幅。

表2 單目深度估計數(shù)據(jù)集信息統(tǒng)計Table 2 Monocular depth estimation data set used in this research

1.2 基于單目深度估計的多目標幼苗高度無損測量

基于單目深度估計的多目標幼苗高度無損測量模型構(gòu)建流程如圖2所示。本研究采用YOLOv5s網(wǎng)絡完成多目標的檢測和提取。深度估計模塊采用基于深度學習的單目深度估計網(wǎng)絡整體結(jié)構(gòu)為U型結(jié)構(gòu)，ResNeXt 101網(wǎng)絡作為編碼器主要部分，實現(xiàn)深度特征提取功能。解碼器整體為一個上采樣過程，通過雙線性內(nèi)插法完成深度信息和空間分辨率的復原。本研究采用超綠灰度化和大津法完成植株區(qū)域的分割并獲取植株深度信息。通過對相對深度中某一點進行標定，完成相對深度到絕對深度的轉(zhuǎn)化，以此獲得植株到相機的真實距離，根據(jù)該距離可以計算當前距離下的視場角度。在獲取真實距離和視場角度后，根據(jù)圖像中植株像素高度即可完成幼苗高度測量。

圖2 基于單目深度估計的幼苗高度測量流程圖Fig.2 Flow chart of seedling height detection based on monocular depth estimation

1.2.1 單目深度估計網(wǎng)絡構(gòu)建

在基于單目圖像的深度估計任務中，如何更好地提取出圖像中深度的細節(jié)信息至關重要。單目深度估計網(wǎng)絡模型結(jié)構(gòu)如圖3a所示，本研究以U型網(wǎng)絡為主體結(jié)構(gòu)，ResNeXt 101網(wǎng)絡作為特征提取網(wǎng)絡，在解碼器的上采樣部分采用跳躍連接以增加深度圖像中的細節(jié)信息，進而更好地完成單目圖像深度估計任務。其中跳躍連接模塊、上采樣模塊和輸出模塊具體結(jié)構(gòu)如圖3b所示。

圖3 基于ResNeXt的單目深度估計網(wǎng)絡模型結(jié)構(gòu)圖Fig.3 Structure diagram of monocular depth estimation network model of ResNeXt

ResNeXt layer1～4是編碼器的主要部分，用于從單目圖像中獲取場景深度信息。在跳躍連接部分加入了跳躍連接模塊用于更好地提取深度特征和對齊網(wǎng)絡通道。解碼器部分為一個上采樣過程，旨在預測圖像的深度細節(jié)信息和恢復圖像的空間分辨率。上采樣部分參考殘差網(wǎng)絡結(jié)構(gòu)將深度信息進一步融合，并通過雙線性內(nèi)插法進行上采樣，以增加特征圖的細節(jié)信息。

1.2.2 幼苗高度測量模型構(gòu)建

幼苗高度測量模型構(gòu)建流程如圖4所示，主要由不同距離下相對深度和視場角標定；植株區(qū)域深度信息提?。恢仓晗袼馗叨忍崛『椭仓暾鎸嵏叨扔嬎?部分組成。

圖4 幼苗高度測量模型構(gòu)建流程Fig.4 Construction process of seedling height detection model

1）不同距離下相對深度和視場角的標定

在單目深度估計任務中，通過深度學習獲取的深度信息為相對深度，可以通過對圖像中任意點的真實距離進行標定來完成相對深度到絕對深度的轉(zhuǎn)化。根據(jù)Kinect深度相機的成像原理，相對深度和目標到相機的真實距離（cm）的計算關系如式（1）所示。

式中=7.5 cm，為Kinect中紅外發(fā)射器和紅外攝像機之間的距離，F= 367.749是紅外攝像機在水平方向的焦距長度。為深度圖像中的最大相對深度值，由于本研究將深度圖像進行線性拉伸導致實際的大于深度圖像中的最大深度值，因此需要對進行重新標定。

本研究從1 728幅番茄幼苗的深度圖像中隨機選取8個不同拍攝距離下的深度圖像各1幅，通過植株區(qū)域的平均深度值和拍攝距離以式（1）進行不同距離下的標定，標定結(jié)果如表3所示。該標定結(jié)果可用于后續(xù)所有研究內(nèi)容中的拍攝距離計算。

在光學成像領域中視場角會隨著相機焦距的變化而改變。在實際數(shù)據(jù)采集過程中，由于植株和相機距離的不斷變化，拍攝焦距的自動調(diào)整導致圖像成像的視場角發(fā)生改變，這點在本研究后續(xù)的實際高度計算中得到了驗證。因此需要對不同距離下的視場角進行標定。本研究拍攝8幅不同距離下的幼苗高度測量平臺的RGB圖像用于角度標定。視場角(°)和拍攝距離（cm）的幾何關系如式（2）所示。

式中H=H/，其中取35 cm，h（pixel）為圖像中35 cm的像素高度，標定結(jié)果如表3所示。該標定結(jié)果可用于后續(xù)所有研究內(nèi)容中的幼苗高度計算。

表3 不同距離下相對深度和視場角標定結(jié)果Table 3 Calibration results of relative depth and field angle at different distances

2）植株區(qū)域的深度信息提取

①深度線性拉伸。本研究采用黑色有絨布料作為拍攝背景，以減少復雜背景和光源散射對深度估計的影響。由于背景單一且和植株目標距離較近，導致深度圖像中的背景和植株目標的深度值相近。因此本研究通過線性灰度拉伸將深度圖像中的深度范圍映射到0～255，以增大深度圖像的表達能力。

②植株區(qū)域分割和深度提取。本研究根據(jù)植株的顏色特征，對縮小后的植株圖像進行超綠灰度化，完成植株區(qū)域的灰度增強，如圖4所示。超綠灰度化計算如式（3）所示。

式中、、分別對應RGB圖像中的紅、綠、藍通道。

通過對超綠灰度化結(jié)果進行閾值分割獲取僅含植株區(qū)域的分割圖像。將深度線性拉伸結(jié)果和超綠灰度化分割結(jié)果相乘獲得植株的深度區(qū)域。最后讀取植株深度區(qū)域的深度信息計算得出植株區(qū)域的平均相對深度值。該平均相對深度值可用于后續(xù)植株與相機真實距離的計算。

3）植株像素高度提取

通過超綠灰度化分割對植株區(qū)域進行通道增強獲得更容易分割的通道增強圖像。再通過大津法閾值分割獲取整體植株區(qū)域，從而獲得植株的像素高度。該像素高度用于植株真實高度（cm）的計算。

4）植株真實高度計算

植株高度計算原理如圖5所示，本研究中的植株高度（cm）定義為紙杯底端到植株葉部生長最高點的垂直距離（cm）減去紙杯高度（cm），其中紙杯高度為9 cm。植株高度計算公式如式（4）所示。

圖5 植株高度計算示意圖Fig.5 Schematic diagram of plant height calculation

含容器的植株高度計算如式（5）所示

式中為當前距離（cm）下垂直分辨率，表示在該距離下每個像素表示的實際距離，m/pixel。（pixel）為植株的像素高度。

1.2.3 評價指標與對比模型

深度估計結(jié)果與幼苗高度測量計算密切相關，因此本研究采用Eigen等使用的、RMSE、平均對數(shù)誤差（Logarithm Deviation，LG）和準確率（）對深度估計結(jié)果進行評價分析，以驗證本研究結(jié)果的適用性。其中、RMSE、LG描述的是預測深度和真實深度之間的偏差程度，值越小越好。描述的是預測深度和真實深度在指定閾值thr范圍內(nèi)的像素點占全部像素點的百分比，值越大越好。具體計算公式如式（6）～（9）所示。

式中和分別為真實和預測的相對深度，為測試圖像數(shù)，thr為準確率閾值，有1.25，1.25和1.25共3個值。

為驗證本模型性能，引用和本研究模型結(jié)構(gòu)相似的3種深度估計模型（Eigen等提出的多尺度卷積神經(jīng)網(wǎng)絡深度估計模型、Liu等提出的基于條件隨機場深度估計模型和U型網(wǎng)絡結(jié)構(gòu)下評價結(jié)果最好的Laina等提出的基于ResNet網(wǎng)絡模型）進行對比。

為實現(xiàn)多目標植株高度測量需求，本研究采用精確率，召回率和平均準確率均值(Mean Average Precision，mAP)對多目標檢測結(jié)果進行評價分析。

為驗證植株高度測量結(jié)果的準確性，本研究采用平均植株高度比例、MAE、RMSE進行評價分析。其中描述的是計算植株高度和實際植株高度的相似度，MAE和RMSE描述的是計算和實際植株高度的偏差程度。

2 結(jié)果與分析

2.1 基于YOLOv5s多目標檢測訓練結(jié)果

本研究將表1所示的1 728幅番茄幼苗圖像按6∶2∶2分為訓練集、驗證集和測試集，對YOLOv5s網(wǎng)絡進行訓練。并對多目標植株圖像進行測試，模型精確率為98.20%，召回率為0.98，mAP（0.95）為84.6%。表明采用YOLOv5s網(wǎng)絡可以很好地完成多目標檢測提取任務。

2.2 單目深度估計網(wǎng)絡模型訓練結(jié)果

本研究采用表2所示的NYU Depth Dataset V2進行訓練，批大?。˙atch size）設置為4，訓練次數(shù)（Epoch）設置為20，初始學習率設置為0.001，訓練時間約為32 h。

本研究采用上述4個評價指標和3種不同的深度估計模型進行對比分析，測試結(jié)果如表4所示。

表4 不同模型評價結(jié)果對比Table 4 Comparison of evaluation results of different models

從誤差評價指標和準確率評價指標可以看出，本研究模型可以較好地完成單目圖像深度估計任務。本設計模型在各項指標上基本優(yōu)于Eigen等提出的多尺度卷積神經(jīng)網(wǎng)絡深度估計模型和Liu等提出的基于條件隨機場深度估計模型。相較于Laina等模型的評測結(jié)果，本模型在RMSE指標上減小了71.2%，有著明顯的提升。對比其他指標雖然沒有達到最佳，但基本持平，相差最大的指標僅差0.05。表明本模型可以較好地完成植株深度信息的估計任務。

2.3 植株高度測量模型測試結(jié)果

本研究使用的植株高度評價指標為平均植株高度比例、MAE、RMSE。其中計算植株高度和實際植株高度H越接近，越接近1，MAE和RMSE越小。

采用表1所示的8種距離共1 728幅番茄幼苗圖像進行植株高度測量模型測試，測試結(jié)果如表5所示。

表5 不同距離下植株高度測量結(jié)果Table 5 Detection results of plant height at different distances

由表5可知，在45～105 cm內(nèi)，平均深度計算距離的MAE為0.62 cm，即通過單目圖像深度估計計算出的拍攝距離平均誤差為厘米級別，因此該距離計算方法可以保持較好的準確度。針對番茄幼苗，當拍攝距離在105 cm內(nèi)時，平均為1.005，MAE的平均值為0.569 cm，RMSE的平均值為0.829 cm，表明本研究模型在105 cm內(nèi)具有較好的植株高度測量能力。當拍攝距離在60和75 cm位置時，植株高度測量效果最好，MAE和RMSE分別為0.472、0.439和0.635、0.702 cm。隨著實際拍攝距離的增大，即拍攝距離大于105 cm時，平均深度計算距離發(fā)生了較大程度的畸變，導致后續(xù)的高度計算誤差增大。這是因為隨著拍攝距離的增加，植株區(qū)域占圖像總比例減少，導致植株區(qū)域在深度估計中的特征提取權重降低，植株的深度信息出現(xiàn)丟失。此時的計算距離更接近于相機到黑色背景布的距離，而不是植株的實際拍攝距離。

因此本研究提出的植株高度測量方法在105 cm拍攝距離內(nèi)具有較高的準確度，每株幼苗的平均計算時間為2.01 s，可以完成幼苗植株高度的精確、快速檢測任務。

為探究不同植株的高度測量效果，本研究采用如表1所示的8種拍攝距離下160幅辣椒圖像和160幅甘藍圖像進行植株高度測量方法的普適性驗證。由表5可知，辣椒幼苗高度測量結(jié)果MAE和RMSE在105 cm內(nèi)的平均值分別0.616和0.672 cm，甘藍幼苗高度測量結(jié)果MAE和RMSE在105 cm內(nèi)的平均值分別0.326和0.389 cm。測試結(jié)果表明在105 cm內(nèi)本研究方法對形態(tài)差異較大的幼苗植株具有普適性。

不同拍攝距離下辣椒幼苗、甘藍幼苗和番茄幼苗的均在1附近，105 cm前該比例處于平穩(wěn)狀態(tài)。隨著距離增加，比例振蕩幅度增大，且呈現(xiàn)上升趨勢。這是因為拍攝距離增加，導致植株區(qū)域在圖像中的占比減小，使得目標區(qū)域的深度特征更接近于背景深度，出現(xiàn)深度丟失現(xiàn)象，如圖6所示。

圖6 深度丟失現(xiàn)象Fig.6 Depth loss phenomenon

2.4 不同光照強度對檢測結(jié)果的影響

為盡可能保證試驗環(huán)境變量僅有光照強度，本研究選取了生長高度相似的20株番茄幼苗作為試驗目標，拍攝距離采用表5中測試效果較好的拍攝點0.6 m進行數(shù)據(jù)采集。由于光照強度控制難以實現(xiàn)，因此本試驗數(shù)據(jù)采用8個不同感光度進行數(shù)據(jù)采集，采集結(jié)果如圖7所示。

對不同感光度下160幅番茄幼苗圖像的測試結(jié)果表明，光照強度對植株區(qū)域分割結(jié)果和圖像相對深度估計有較大影響。如圖7所示，隨著感光度的增大，植株區(qū)域的分割效果越好，更易于植株深度信息的提取。不同感光度下植株高度測量結(jié)果如表6所示，光照強度對植株高度測量結(jié)果影響較大，當感光度大于160時，絕對深度和MAE均會產(chǎn)生較大誤差；當感光度在160以內(nèi)時，平均絕對深度接近真實深度；當感光度為100時MAE最小為0.720 cm，感光度在160以內(nèi)的平均MAE為0.81 cm。可見該方法在不同光照強度下仍有較好的準確度。

圖7 不同感光度下的番茄幼苗圖像Fig.7 Images of tomato seedlings under different sensitivity

表6 不同感光度下植株高度測量結(jié)果Table 6 Results of plant height under different sensitivity

2.5 多目標幼苗植株高度檢測結(jié)果

本研究對含有2、3、4、5和6株幼苗的單幅圖像進行多目標植株高度檢測，檢測結(jié)果如表7所示。由表7可知，隨著單幅圖像中目標個數(shù)的增加，、MAE和RMSE均有所增大。這是由于在初始角度和距離的標定過程中，標定物是位于圖像中心位置，因此當圖像中植株數(shù)量增加時，靠近圖像邊緣區(qū)域的植株深度相較于圖像中心的植株深度會產(chǎn)生較大誤差。當單幅圖像中植株個數(shù)處于5以內(nèi)時，、MAE和RMSE的平均值分別為1.001、0.652 cm和0.829 cm，因此本研究方法對多目標幼苗植株高度檢測仍具有較好的效果。

表7 多目標幼苗植株高度檢測結(jié)果Table 7 Results of plant height under multi target seedlings

3 結(jié) 論

為滿足工廠批量化育苗需求，本研究提出了一種基于單目圖像深度估計的幼苗高度無損檢測方法。主要結(jié)論如下：

1）該方法可以較準確地從單幅幼苗圖像中檢測植株的高度信息。本研究通過對番茄，辣椒和甘藍三種表型差異較大的幼苗植株進行高度測量，在105 cm內(nèi)番茄、辣椒和甘藍的MAE分別為0.569、0.616、0.326 cm；RMSE分別為0.829、0.672、0.389 cm；說明該方法具有可行性和普適性。

2）該方法采用普通RGB相機進行數(shù)據(jù)采集，通過上傳圖像數(shù)據(jù)完成植株高度檢測，擺脫了深度相機設備的空間局限。且該方法在單幅圖像中植株個數(shù)在5以內(nèi)時，、MAE和RMSE的平均值分別為1.001、0.652 cm和0.829 cm。當感光度為160以內(nèi)時，植株高度的MAE為0.81 cm。因此對于多目標和不同光照環(huán)境，均可以完成植株的高度測量，提高了該方法的實用性。

3）該方法可以通過單幅圖像實現(xiàn)幼苗高度的批量化檢測，但是當單幅圖像中植株數(shù)量較多時效果不佳。且當幼苗遮擋嚴重時，植株的重疊會導致無法準確估計目標植株的深度值。因此本研究對密集植株的高度檢測尚需進一步完善。