徐海東 馬 偉 譚 彧 劉星星* 鄭永軍 田志偉

(1.中國農(nóng)業(yè)大學 工學院，北京 100083；2.中國農(nóng)業(yè)科學院 都市農(nóng)業(yè)研究所，成都 610213)

我國是茶葉生產(chǎn)大國，2021年茶葉產(chǎn)量318萬t，茶葉產(chǎn)量居世界第一[1]。茶葉估產(chǎn)能夠在采收時間和采摘量之間尋求收益最大化時提供可靠的數(shù)據(jù)支持，直接關(guān)系到農(nóng)戶的經(jīng)濟收入。現(xiàn)有的茶葉估產(chǎn)主要依靠茶農(nóng)的種植經(jīng)驗或直接采摘后稱重估計產(chǎn)量，這種方法獲取產(chǎn)量信息較為滯后，不能在茶葉生長時期提供相關(guān)的產(chǎn)量數(shù)據(jù)支持，不利于茶葉生長的前期管理。

目前，針對小麥、大豆、油菜等大規(guī)模種植的經(jīng)濟作物估產(chǎn)技術(shù)已經(jīng)較為成熟。常用的估產(chǎn)方法有田間抽樣調(diào)查法、農(nóng)業(yè)氣象模型估產(chǎn)法、基于光譜指數(shù)的作物估產(chǎn)法、基于圖像的作物估產(chǎn)法[2]。田間抽樣調(diào)查主要步驟為：在大田中按面積等距或者按組平均抽樣法選取若干代表性小田塊，水稻成熟后，收獲小田塊中水稻，并對其進行人工脫粒和后續(xù)的一系列考種步驟，提取產(chǎn)量相關(guān)四因素，進一步利用公式折算出該片田塊的水稻產(chǎn)量數(shù)據(jù)[3]?，F(xiàn)有利用農(nóng)業(yè)氣象模型估算產(chǎn)量的方法，大都是研究對作物產(chǎn)量貢獻性較大的氣象因子，分析氣象因子之間相關(guān)性，進而利用回歸建模預估最終作物的產(chǎn)量情況[4]，陳冬梅等[5]使用自適應增強的BP模型，結(jié)合59個縣市的地面氣象數(shù)據(jù)，對浙江省的茶葉產(chǎn)量進行了預測。遙感估產(chǎn)主要利用多光譜相機來獲取作物不同光譜波段下的反射指數(shù)信息，結(jié)合作物農(nóng)藝學性狀，綜合構(gòu)建產(chǎn)量預估模型[6]。王鵬新等[7]使用遙感技術(shù)，選取玉米植被溫度系數(shù)和葉面積指數(shù)為特征變量，使用極限梯度提升算法和隨機森林算法對玉米單產(chǎn)進行估測，估計了河北中部平原玉米單產(chǎn)。使用氣象模型和光譜指數(shù)的估產(chǎn)方法主要應用于大規(guī)模作物估產(chǎn)，對于個體農(nóng)戶的小規(guī)模作物的估產(chǎn)手段還較為缺乏。

隨著計算機技術(shù)的發(fā)展，已經(jīng)有了很多成熟的深度學習算法用以檢測目標的數(shù)量，主要可分為2類：一類是以YOLO[8-11]和SSD[12-14]為代表的一階段快速檢測算法，其優(yōu)點是速度快，但檢測精度相對較低；另外一類是以區(qū)域卷積神經(jīng)網(wǎng)絡R-CNN[15-17]為代表的二階段檢測算法，優(yōu)點是準確度高，缺點是速度相比于一階檢測算法較慢。

綜上，現(xiàn)有的田間估產(chǎn)主要方法是遙感估產(chǎn)，依賴于遙感數(shù)據(jù)與樣本產(chǎn)量間的映射模型，常用于大規(guī)模農(nóng)作物估產(chǎn)。對于小規(guī)模茶園估產(chǎn)，相關(guān)研究報道較少。本研究擬使用YOLOv5目標檢測算法識別茶葉嫩芽并計算嫩芽數(shù)目，再使用田間抽樣法，通過目標檢測算法獲取抽樣點的嫩芽數(shù)目，并利用最小二乘法建立產(chǎn)量預估模型，最后按照估產(chǎn)模型估算出茶園嫩芽的產(chǎn)量，以期在茶葉生長時期為農(nóng)戶提供茶葉嫩芽產(chǎn)量相關(guān)的數(shù)據(jù)支撐，便于茶葉生產(chǎn)的前期管理。

1 材料與方法

1.1 數(shù)據(jù)集采集

試驗地點位于四川省都江堰市的青城道茶觀光園，試驗茶葉品種為青城道茶，數(shù)據(jù)采集時間為分別為2021年4月、7月和9月。

圖像采集設備為Intel RealSense D435i攝像頭，分辨率為1 920像素×1 080像素。采集春茶、夏茶、秋茶圖像共計1 000張，作為試驗所用數(shù)據(jù)集。模型訓練測環(huán)境為Intel Corei7-10750H CPU@2.60 GHz，NVIDIA GeForce RTX2060，16 G內(nèi)存，軟件環(huán)境為Python3.6，Pytorch深度學習框架，操作系統(tǒng)為Windows10。

1.2 圖像預處理

使用在線工具makesense.ai對茶葉圖像數(shù)據(jù)進行標注。標注對象為嫩芽的一葉一芽，標注完成后對標注文件進行了歸一化處理，使得在訓練的時候能夠更快地讀取數(shù)據(jù)。

共標注圖像1 000張，其中800張用于目標檢測算法的訓練，200張用于算法的測試。由于訓練算法模型需要大量的圖像數(shù)據(jù)，因此對數(shù)據(jù)集進行數(shù)據(jù)增強操作。數(shù)據(jù)增強的方式包括添加噪聲、旋轉(zhuǎn)、鏡像等步驟(圖1)，可提高目標檢測算法的泛化能力。本試驗中，選擇添加高斯噪聲到原始圖像中，這是由于在實際環(huán)境中，噪聲通常不是由單一來源引起的，而是來自許多不同來源的噪聲的復合體。假設實噪聲是具有不同概率分布的非常多隨機變量的加法和，并且每個隨機變量都是獨立的，則隨著噪聲源數(shù)量的增加，它們的歸一化和將收斂為高斯分布，因此在算法模型中添加高斯噪聲可以更好地適應實際場景的應用，提高算法模型的魯棒性。使用數(shù)據(jù)增強的方式將原有800張訓練集擴充至8 000張。

圖1 茶葉圖像數(shù)據(jù)增強Fig.1 Tea image data enhancement

1.3 YOLOv5算法模型

YOLO是一種基于回歸的目標檢測算法。經(jīng)過不斷的發(fā)展，算法迭代到目前最新的YOLOv5系列。與R-CNN系列的目標檢測算法相比，YOLO算法在保證精度的前提下顯著的提高了模型的運行速度。YOLOv5目標檢測算法是基于YOLOv3的改進算法，采用多尺度預測方法，可以同時檢測不同大小的圖像特征的目標。因此，YOLOv5目標檢測算法在算法精度和運行時間方面相較之前版本都有了較大提升，適合用于茶園場景中的茶葉嫩芽檢測。YOLOv5目標檢測算法的網(wǎng)絡結(jié)構(gòu)主要分為Input、Backbone、Neck、Prediction這4個部分(圖2)。

圖2 YOLOv5網(wǎng)絡模型Fig.2 YOLOv5 network model

YOLOv5目標檢測算法的基本原理是：將輸入圖像分成7×7的網(wǎng)格，每個網(wǎng)格負責預測以該網(wǎng)格單元為中心的目標邊界框及其相應的置信度值；生成預測框后，按非極大抑制篩選最后結(jié)果(圖3)。

1.4 估產(chǎn)模型建立

本研究提出的茶葉嫩芽估產(chǎn)方法分為2部分：1)采集茶葉嫩芽圖像數(shù)據(jù)訓練目標檢測算法，用以快速地檢測出茶葉嫩芽的數(shù)目；2)擬合茶葉嫩芽數(shù)目與產(chǎn)量間的關(guān)系，獲得茶葉嫩芽產(chǎn)量。

在標準化種植的茶園中(圖4)，茶壟的寬度約為100 cm，兩條茶壟的間距約為60 cm，茶壟之間分布較為均勻，茶壟的頂部可近似一個平面，茶葉嫩芽豎直生長在茶壟的表面。因此可通過抽樣調(diào)查法，在茶園中抽取若干抽樣點，通過目標檢測算法計算抽樣點的茶葉數(shù)目，并結(jié)合抽樣面積計算茶葉嫩芽生長密度，進而利用數(shù)學模型估算茶園嫩芽產(chǎn)量，本研究用嫩芽的質(zhì)量表示產(chǎn)量。

根據(jù)抽樣點茶葉嫩芽數(shù)量建立估產(chǎn)模型步驟如下。

1)計算出抽樣區(qū)域面積S，根據(jù)識別的茶葉嫩芽數(shù)Ne，估算幼苗種植密度Re：

(1)

圖3 YOLOv5檢測原理Fig.3 YOLOv5 detection principle

圖4 標準化種植茶園整體圖Fig.4 Overall view of the standardize tea plantation

2)根據(jù)茶場總面積ST估算茶葉嫩芽總數(shù)P：

P=ReST

(2)

3)根據(jù)嫩芽數(shù)量與產(chǎn)量之間的關(guān)系確定茶園總產(chǎn)量M：

M=k·P+b

(3)

式中：k為線性關(guān)系的比例系數(shù)；b為偏差。

4)聯(lián)合式(1)、(2)和(3)可得出茶葉產(chǎn)量M的計算方法：

(4)

2 結(jié)果與分析

2.1 茶葉嫩芽數(shù)目與產(chǎn)量的關(guān)系

在茶園中采收約500 g茶葉嫩芽，茶葉嫩芽的外形特征見圖5。嫩芽高度約為18 mm，寬度約8 mm，大小分布較為均勻，因此可初步做出假設，茶葉嫩芽的數(shù)目與質(zhì)量之間有較好的線性關(guān)系。

圖5 茶葉嫩芽外形特征Fig.5 Tea shoot shape characteristics

設計試驗從人工采收的嫩芽中稱取10，20，…，80 g共8份茶葉嫩芽，每個質(zhì)量獨立稱取3次(稱完一次質(zhì)量后需將嫩芽放回，重新從采收到的嫩芽中稱取該質(zhì)量的嫩芽)，記錄每個質(zhì)量下的茶葉嫩芽數(shù)目，計算3次嫩芽數(shù)目的平均值，最后利用最小二乘法擬合出茶葉嫩芽數(shù)目與質(zhì)量間的關(guān)系(圖6)。

圖6 茶葉嫩芽數(shù)目與質(zhì)量的線性關(guān)系Fig.6 Linear relationship between number of tea shoots and quality

最小二乘法確定茶葉嫩芽與質(zhì)量之間的線性關(guān)系為：

M=0.100 3P-0.142 3

(5)

線性擬合關(guān)系中，決定系數(shù)R2=0.999 8，表明茶葉嫩芽的數(shù)目和質(zhì)量之間有高度線性關(guān)系，因此使用茶葉數(shù)目估計茶葉產(chǎn)量是可行的。

2.2 YOLOv5訓練結(jié)果及不同算法對比分析

2.2.1評價指標

為評價圖像識別算法的性能，本研究選取精度(P)和平均準確率(Mean average precision，MAP)作為算法的主要評價指標。計算公式分別如下：

(6)

(7)

式中：TP(True positive)表示正樣本預測正確的數(shù)量；FN(False negative)為負樣本預測錯誤的數(shù)量；FP(False positive)為正樣本預測錯誤的數(shù)量；TN(True negative)為負樣本預測正確的數(shù)量；p(r)為不同查準率r下對應的查全率；Api為第i類的檢測準確率，N為類別數(shù)量。

2.2.2YOLOv5訓練結(jié)果分析

茶葉嫩芽檢測模型共訓練3 000次，結(jié)果見圖7?？梢姡柧氝_到約300次時模型精度提升最快，在500次左右時模型精度趨于穩(wěn)定，最終模型的精度為99.02%。在訓練到500次左右模型平均準確率提升較快，在2 500次左右趨于穩(wěn)定，最終平均準確率為90.14%，基本滿足茶葉嫩芽檢測需求。

圖7 茶葉嫩芽檢測模型訓練結(jié)果Fig.7 Tea shoot detection model training results

2.2.3不同檢測算法對比分析

表1示出YOLOv5、SSD和Faster R-CNN算法對相同數(shù)據(jù)集的訓練結(jié)果。在平均檢測時間上，YOLOv5對單張圖片的處理時間為9 ms，略優(yōu)于SSD，明顯優(yōu)于Faster R-CNN。這是由于使用了一階檢測算法的YOLOv5和SSD在對圖像進行處理的時候無需先生成特征框，使得其識別速度快，要優(yōu)于使用二階檢測算法的Faster R-CNN。

表1 YOLOv5、SSD和Faster R-CNN算法對相同數(shù)據(jù)集的訓練結(jié)果Table 1 Training results of YOLOv5,SSD and Faster R-CNN algorithms on the same dataset

在圖像識別的準確率上，使用二階檢測算法的Faster R-CNN的平均準確率達到94.34%高于YOLOv5和SSD，但差距不太明顯。在網(wǎng)絡模型的大小上，YOLOv5的優(yōu)點體現(xiàn)的較為明顯，僅需13.7 MB，這使得YOLOv5適合在移動設備上使用。

綜合考慮平均準確率、檢測時間和網(wǎng)絡模型大小后選擇使用YOLOv5作為茶葉嫩芽的目標檢測算法。

2.3 田間估產(chǎn)試驗與分析

2.3.1評價指標

本研究使用相對誤差δ作為估產(chǎn)方法精度的評價指標，具體公式為：

(8)

式中：x表示估計產(chǎn)量；μ表示實際產(chǎn)量。

2.3.2估產(chǎn)試驗

估產(chǎn)試驗用到的茶葉圖像采集裝置見圖8，該裝置由攝像頭、圖像采集架和電腦組成，采集架的底部長和寬都為50 cm，抽樣區(qū)域面積為0.25 m2。攝像頭將采集到的圖像送入目標檢測算法中處理，先利用算法識別出抽樣區(qū)域內(nèi)的茶葉嫩芽數(shù)量，再結(jié)合抽樣面積和茶園茶葉種植面積估算出茶園嫩芽總體數(shù)量，最后將嫩芽數(shù)量帶入式(5)估算出茶園茶葉產(chǎn)量。估產(chǎn)試驗在3條茶壟中隨機抽取了9個抽樣點，每條茶壟寬約1 m，長約50 m，試驗茶壟總面積為150 m2，茶園茶葉種植面積約為20 000 m2。

1.攝像頭；2.圖像采集架；3.圖像采集區(qū)域；4.電腦1.Camera；2.Image acquisition bracket;3.Image acquisition area;4.Computer圖8 茶葉圖像采集裝置Fig.8 Tea image acquisition device

田間試驗中抽樣點的茶葉嫩芽識別結(jié)果見表2。可見，嫩芽個數(shù)分布較為均勻，9個抽樣點嫩芽平均個數(shù)為12.11個，結(jié)合抽樣區(qū)域面積可計算嫩芽平均生長密度為48.44個/m2，可以此密度估算茶園茶葉嫩芽產(chǎn)量。抽樣點嫩芽的識別效果見圖9，可以看出本研究算法可以準確的識別出抽樣區(qū)域的茶葉嫩芽。

表2 抽樣點茶葉嫩芽識別結(jié)果Table 2 Identification results of tea buds at sampling points

由抽樣點茶葉嫩芽數(shù)量和嫩芽密度(表2)結(jié)合茶園面積可估算出茶園茶葉嫩芽產(chǎn)量，結(jié)果見表3。對于茶葉種植面積為150 m2的試驗茶地，估計產(chǎn)量為0.73 kg，實際采收產(chǎn)量為0.58 kg，相對誤差為25.86%。對于茶葉種植面積為20 000 m2的茶園，估計產(chǎn)量為97.17 kg，實際采收產(chǎn)量約為75 kg，相對誤差為29.56%。綜上，利用圖像數(shù)據(jù)識別的方法估計茶園嫩芽產(chǎn)量基本可行。

1.識別到的茶葉嫩芽；2.圖像采集架1.Identified tea buds;2.Image acquisition bracket圖9 抽樣點茶葉嫩芽識別效果Fig.9 Identification effect of tea buds at sampling points

表3 茶園茶葉嫩芽估產(chǎn)結(jié)果Table 3 Yield estimation results of tea buds in tea farm

3 結(jié) 論

本研究提出了一種基于YOLOv5的茶葉嫩芽估產(chǎn)方法，并在田間展開相關(guān)試驗工作驗證此方法的可靠性。主要結(jié)論如下：

1)YOLOv5算法可以用于茶葉嫩芽檢測。本研究算法對于茶葉嫩芽識別精度為99.02%，平均準確率為90.14%。

2)本研究算法可快速的估計出茶葉嫩芽產(chǎn)量。嫩芽估計產(chǎn)量與實際采收產(chǎn)量相對誤差為29.56%，證明本研究算法具有一定的可行性。如增加抽樣點樣本數(shù)量、提高茶場有效種植面積統(tǒng)計精度，可以進一步提茶葉嫩芽估產(chǎn)的準確性。

對于小規(guī)模的茶葉產(chǎn)量估計，本研究在傳統(tǒng)的田間抽樣調(diào)查法的基礎上做出改進，用圖像識別的方式替代了人工識別嫩芽，以抽樣點的茶葉生長情況為依據(jù)估算出茶園嫩芽的產(chǎn)量，為小規(guī)模茶園農(nóng)戶提供茶葉嫩芽產(chǎn)量相關(guān)的數(shù)據(jù)支持，便于茶葉生產(chǎn)的前期管理。下一步可將本估產(chǎn)方法移植到手機中，農(nóng)戶可通過手機攝像頭拍攝茶葉照片，快速的估計出茶園嫩芽產(chǎn)量。