摘要：針對當前作物病害圖像分割方法通用性差、精度不高導致病害識別和分級診斷效率低下的問題，提出了一種改進U-Net++網絡的水稻病害圖像分割模型。首先將使用數(shù)碼相機獲取的水稻紋枯病、稻瘟病和胡麻葉斑病圖像進行標注、數(shù)據(jù)增強等預處理，構建成水稻病害數(shù)據(jù)集。其次，選取U-Net++語義分割模型，將編碼器中各卷積塊的雙層普通卷積核替換成膨脹系數(shù)為1、2、3的3層空洞卷積，擴大網絡在特征提取時的感受野，增強模型對全局信息的獲取能力，提高模型的分割性能。最后，利用水稻病害數(shù)據(jù)集對模型進行訓練和測試。結果表明，改進后的 U-Net++ 模型對測試集分割的平均交并比為87.48%，平均精確率為92.85%，平均召回率為93.42%，平均F1分數(shù)為93.12%，與原U-Net++模型相比分別提高了2.94、1.02、2.04、1.52百分點。該模型對處理病斑分布雜亂且數(shù)量較多的復雜圖像也能保持很好的分割效果，有效實現(xiàn)了對水稻病害的像素級分割，為作物病害的精準分割提供了一種新的手段，同時也為病害的自動無損識別和分級診斷提供了有力的技術支持。

關鍵詞：水稻病害；U-Net++模型；空洞卷積；語義分割

中圖分類號：TP391.41；S435.111 文獻標志碼：A

文章編號：1002-1302（2024）12-0201-08

水稻的優(yōu)質高產穩(wěn)產為保障我國糧食安全提供了堅實的支撐，紋枯病、稻瘟病、胡麻葉斑病等是水稻生長發(fā)育過程中的常見病害，危害植株地上部的各個部位，嚴重影響水稻的產量及品質［1］。目前，我國大部分的農戶憑借生產經驗人工觀察水稻病害的類別和發(fā)病程度，但該方法不僅繁瑣耗時，對形態(tài)相似的病害還容易產生誤判，導致病害防治效率低下。隨著計算機視覺技術的發(fā)展，通過圖像分割的方法精準定位并分割出病斑，可實現(xiàn)水稻病害的自動無損識別和分級診斷，相比于多光譜、高光譜等病害監(jiān)測技術，在農業(yè)生產中更易推廣。

國內外學者在作物病害圖像分割方面展開大量研究，提出了各種分割算法。龔瑞昆等對K-means聚類算法進行改進，在Lab顏色空間采用波峰搜尋法得到初始聚類中心點和類別數(shù)K，將數(shù)據(jù)點到聚類中心的距離度量由歐氏距離改為馬氏距離，改進后的K-means算法對玉米病斑區(qū)域的平均誤分割率和平均分割時間較改進前都有所減少［2］。許高建等基于不同的顏色空間分別采用OTSU和K-means算法分割赤霉病麥穗圖像，結果發(fā)現(xiàn)，對Lab顏色空間中a分量采用OTSU分割麥穗病害部位的誤分率最低［3］。Syaiful等通過粒子群優(yōu)化算法有效解決了K-means算法容易陷入局部最優(yōu)的問題，對番茄早疫病具有很好的分割性能［4］。除了使用單一的分割算法，將不同的算法進行結合也是當前的研究熱點。Bakar等針對水稻葉片稻瘟病區(qū)域顏色分布不均勻的問題，在HSV顏色空間的H通道采用多級閾值分割算法和邊緣檢測方法分割出完整病斑，并在此基礎上劃分病情的嚴重程度［5］。Jun等將結合局部閾值和種子區(qū)域生長的自適應分割算法用于玉米葉片病斑分割，分割效果優(yōu)于單一算法［6］。

上述研究均為傳統(tǒng)的圖像分割方法，這些方法雖然易于理解、計算簡單，但仍有不少的局限性［7］，如通用性較差。傳統(tǒng)的分割方法只對于特征明顯且相似的病害具有較好的分割效果，而實際生產中，不同病害的差異較大，同一病害在發(fā)展階段往往還會出現(xiàn)顏色、形態(tài)等特征的變化，針對這些情況需要根據(jù)特征重新調整參數(shù)。此外，田間復雜背景、光照變化很容易導致分割性能降低［8］。

2015年，全卷積網絡FCN的提出使深度學習技術開始運用于圖像分割方面［9］。同年，Ronneberger等基于FCN提出了一種具有編碼器-解碼器結構的語義分割網絡，即U-Net，該網絡通過編解碼器間特殊的跳躍連接結構將圖像的語義信息和下采樣過程中損失的空間位置信息進行融合，對小目標也有很好的分割效果［10］。近年來，不少學者將 U-Net 用于作物病害的分割并取得了顯著成效。郭鑫鑫等將用于提取全局信息的Transformer結構置于 U-Net 網絡的底部，實現(xiàn)了對水稻紋枯病斑的快速準確分割與提取［11］。陳鵬等在U-Net的編碼器中加入了1層雙注意力機制模塊，用于關鍵信息的提取，在解碼器中加入了一個批量歸一化層，用于防止過擬合，改進的網絡對小麥赤霉病病斑分割的精度更高，分割用時更短［12］。隨著研究的深入，U-Net模型的變體U-Net++以靈活的網絡結構和更優(yōu)秀的性能被用于復雜圖像的分割［13］。Wang等利用U-Net++將葡萄病葉完整地從復雜背景中分割出來，有效解決了傳統(tǒng)圖像分割方法易受復雜背景干擾的問題［14］。目前U-Net++模型主要應用于醫(yī)學影像分割方面［15-17］，在農業(yè)領域的研究較少，因此，本研究提出一種改進的U-Net++模型，探究其對水稻紋枯病、稻瘟病和胡麻葉斑病的病斑分割效果，期望為水稻病害的自動無損識別和分級診斷提供有效依據(jù)。

1 材料與方法

1.1 試驗材料

于2022年7—8月在揚州大學人工氣候室內采集水稻紋枯病圖像，圖像獲取設備為SONY@6300數(shù)碼相機，分辨率為3 376像素×6 000像素，拍攝時保證相機與植株保持相等距離。水稻稻瘟病和胡麻葉斑病圖像為mendeley和uci網站的開源圖像數(shù)據(jù)樣本（https：//data.mendeley.com；https：//archive.ics.uci.edu/ml/datasets/Rice+Leaf+Diseases），圖像分辨率不一。最終選擇紋枯病、稻瘟病和胡麻葉斑病各200張作為原始數(shù)據(jù)集，部分水稻病害圖像如圖1所示。

1.2 深度學習數(shù)據(jù)集構建

將圖像進行標注形成不同的標簽數(shù)據(jù)是利用深度學習進行圖像分割的重要一步。本研究在Labelme軟件中將每張圖像上的病斑區(qū)域用不規(guī)則多邊形框出，同時定義每個病斑的標簽名稱，紋枯病標簽名稱為“wenku”，稻瘟病為“daowen”，胡麻葉斑病為“huma”，標注過程如圖2所示。標注完成后保存為json文件，并轉換為VOC數(shù)據(jù)集格式。

每種病害各隨機選取50張圖作為測試集。剩下的450張圖分別使用旋轉不同角度、增加亮度和高斯模糊的方法進行圖像增強（圖3），最終得到 4 050 張病害圖像，再按照9 ∶1的比例劃分為訓練集和驗證集，其中每種病害在各個數(shù)據(jù)集中均勻分布。

1.3 U-Net++網絡結構及改進

Zhou等延用了U-Net的編碼器-解碼器和跳躍連接結構，設計了4個層級的解碼器并共用編碼器，提出了具有嵌套式的密集跳躍連接結構的 U-Net++ 網絡模型［13］，其網絡結構如圖4所示。U-Net++ 不僅在各個層級對應的編解碼器間通過直接連接對特征圖進行融合，還將不同層級解碼器生成的特征圖通過嵌套連接進行融合，有助于圖像深淺層特征信息的相互傳遞，有效改善了U-Net網絡因編解碼特征信息差異大，通過直接連接而導致部分特征融合效果差的問題。此外，U-Net++的深度監(jiān)督結構使網絡在訓練過程中可以輸出各個子網絡的分割結果，獲得多個監(jiān)督信號并逐級反向傳播梯度，避免梯度消失，最終的輸出包含了各個層級的語義信息和上下文關系，提高網絡對不同尺度下水稻病斑的分割準確性。

U-Net++的編碼器通過卷積操作提取圖像特征，而固定的卷積核尺寸讓網絡只能捕獲一定范圍內的上下文信息，為了將重要的全局信息傳遞給解碼器，增強模型在小樣本水稻病害數(shù)據(jù)集上的特征學習能力，本研究對U-Net++的網絡結構進行改進，將編碼器中各卷積塊的雙層普通卷積核替換為膨脹系數(shù)為1、2、3的3層空洞卷積，結果如圖5所示。

空洞卷積的膨脹系數(shù)使卷積核在圖像像素矩陣中進行滑動計算時，滑動窗口的元素以一定的間隔排列，這種特征提取的方式在不改變卷積核的大小和參數(shù)量的情況下，增加了卷積操作的感受野。對于一個大小為K×K、膨脹系數(shù)為r的空洞卷積，其感受野為R×R［R=K+（K-1）×（r-1）］，其中膨脹系數(shù)為1的空洞卷積即普通卷積，感受野為卷積核本身大小。本研究中卷積核為3×3，膨脹系數(shù)為1、2、3的空洞卷積感受野分別為3×3、5×5、7×7，結果如圖6所示。

不同膨脹系數(shù)的空洞卷積組合進一步擴大感受野，使網絡在提取水稻病斑邊緣、顏色等局部信息的同時，更高效地獲取病斑形狀、位置等全局信息。圖7-a為3層普通卷積，總感受野為7×7，圖7-b為本試驗的3層空洞卷積，總感受野為13×13。相比于普通卷積，堆疊的空洞卷積可以覆蓋到更大范圍的圖像像素，并減少對像素信息的冗余利用，提高網絡對圖像特征學習的效率。

1.4 模型評價指標

為了準確評估改進的U-Net++模型對3種水稻病害的分割性能，本研究基于混淆矩陣計算出精確率（precision，P）、召回率（recall，R）、F1分數(shù)（F1_score）和交并比（intersection over union，簡稱IoU）作為評價指標。

精確率表示被正確預測為病斑的像素占預測像素的比例，其計算過程如式（1）所示

召回率表示被正確預測為病斑的像素占實際標簽像素的比例，其計算過程如式（2）所示

F1分數(shù)表示精確率和召回率的調和平均值，衡量了模型的整體性能，其計算過程如式（3）所示

交并比表示模型預測結果與實際標簽的交集與并集之比，是語義分割中的標準度量，其計算過程如式（4）所示

IoU=TP/（TP+FP+FN）×100%。（4）

式中：TP表示病斑區(qū)域被正確預測的像素數(shù)量；FP表示將背景預測為病斑的像素數(shù)量；FN表示將病斑預測為背景的像素數(shù)量。

1.5 試驗環(huán)境

本試驗所使用的計算機平臺具備單個處理器和顯卡，處理器型號為Intel Core i7-10870H @2.20 GHz，顯卡型號為NVIDIA GeForce RTX 3070Ti，操作系統(tǒng)為Windows 10，在基于Python 3.7的Pytorch框架下搭建深度學習網絡模型，具體信息如表1所示。

1.6 模型訓練

改進的U-Net++模型在對水稻紋枯病、稻瘟病和胡麻葉斑病進行分割訓練時，輸入圖像的分辨率統(tǒng)一縮小為256像素×256像素，類別為4個（包含背景），輪次（epoch）為180次，由于計算機顯存的限制，批大?。╞atch size）設置為2，選取結構簡單的VGG模型作為特征提取網絡［18］，初始學習率為0.000 1，使用Cosine Annealing學習率衰減策略和Adam優(yōu)化器，在訓練過程中周期性地降低學習率，動態(tài)優(yōu)化模型的權重參數(shù)，使網絡在不同的學習率下得到最優(yōu)解［19-20］。

水稻病害在發(fā)展階段，病斑邊緣往往介于健康與受感染之間，不同病害的病斑大小和數(shù)量也不一致，為了減少病斑的邊緣模糊性和類別不平衡性對模型分割性能的影響，本研究的損失函數(shù)結合了交叉熵損失函數(shù)和Dice損失函數(shù)，使模型既關注對每個像素的分割結果，又關注對每種類別的分割結果。

2 結果與分析

2.1 模型測試結果

模型訓練完成后，對測試集進行預測并計算出各個評價指標，表2為本試驗中改進的U-Net++模型對測試集的分割結果。

在3種病害中，改進的U-Net++模型對紋枯病的分割性能最優(yōu)，其交并比為90.49%，比稻瘟病和胡麻葉斑病分別高7.42、13.26百分點；精確率為95.66%，比稻瘟病和胡麻葉斑病分別高7.14、8.00百分點；召回率為94.36%，比稻瘟病和胡麻葉斑病分別高1.26、7.71百分點；F1分數(shù)為95.01%，比稻瘟病和胡麻葉斑病分別高4.26、7.86百分點。

在整體性能上，改進的U-Net++模型對測試集分割的平均交并比為87.48%，平均精確率為92.85%，平均召回率為93.42%，平均F1分數(shù)為93.12%，說明模型有較好的分割效果。

2.2 模型對比分析

為了確保本試驗模型的有效性得到充分驗證，在數(shù)據(jù)集、試驗環(huán)境和參數(shù)設置相同的條件下，對比Deeplabv3+、U-Net和U-Net++模型的測試結果，如表3所示。

由表3可以看出，改進的U-Net++模型與原 U-Net++模型相比，平均交并比、平均精確率、平均召回率和平均F1分數(shù)分別提高2.94%、1.02%、2.04、1.52百分點，說明將原U-Net++模型編碼器中各卷積塊的雙層普通卷積核替換為膨脹系數(shù)為1、2、3的3層空洞卷積，能夠提高網絡對不同水稻病害的特征學習能力，從而更完整地分割出病斑。此外，改進的U-Net++模型的整體分割性能明顯優(yōu)于U-Net和Deeplabv3+模型，因此，本試驗模型適用于水稻病害的精準分割。

圖8展示了不同模型對測試集中部分圖像的分割效果。對于病斑數(shù)量單一的圖像，各個模型的分割性能相似，都可以較為準確地分割出病斑。對于病斑數(shù)量較多的圖像，本試驗模型表現(xiàn)出了最佳的分割性能，U-Net++和U-Net模型都出現(xiàn)了紋枯病病斑的漏分割和將部分稻瘟病病斑誤分割為胡麻葉斑病的現(xiàn)象，U-Net模型還將部分水稻葉片誤分割為紋枯病，而Deeplabv3+模型在水稻病斑邊緣分割上表現(xiàn)得較為粗糙。

3 討論

3.1 關于模型的選擇與改進

本研究利用改進的U-Net++模型對水稻紋枯病、稻瘟病和胡麻葉斑病進行病斑分割。在模型的編碼器中，引入了具有不同膨脹系數(shù)的空洞卷積組合，擴大了網絡在進行特征提取時的感受野，增強模型對全局信息的獲取能力，而非僅專注于局部細節(jié)。這種改進使模型在處理病斑分布雜亂且數(shù)量較多的復雜圖像時，也能保持很好的分割效果。U-Net++模型的密集跳躍連接結構和上采樣操作保證了圖像深淺層特征信息的相互傳遞，因此，相比于同樣具有空洞卷積的Deeplabv3+模型，本試驗模型保留了更多的細節(jié)信息，可以精準分割出邊緣模糊的病斑。戴子兵在U-Net模型中嵌入改進的ASPP模塊，對水稻紋枯病、稻瘟病和胡麻葉斑病分割的平均像素準確率為76.67%［21］。郭鑫鑫等利用Transformer網絡結構改進U-Net模型，對水稻紋枯病斑分割的平均交并比為87.01%［11］。與上述研究相比，本試驗在水稻病害分割上有更大的優(yōu)勢。

3.2 關于圖像的采集

由于水稻紋枯病圖像在實驗室環(huán)境下拍攝，光線和背景的干擾較小，病斑特征清晰可見，而稻瘟病和胡麻葉斑病圖像來源于開源數(shù)據(jù)集，大部分是大田環(huán)境下拍攝，圖像質量參差不一，導致特征提取的難度大于紋枯病，因此改進的U-Net++模型對紋枯病的分割性能最好。王珊使用高斯混合模型準確分割出感染菌核病的油菜莖稈部分，有效避免了葉片、泥土等背景對病斑分割的影響［22］。杜鵬飛等針對大田環(huán)境下作物葉片病斑難分割的問題，設計了兩階段的分割模型，首先用一階段模型提取出病葉，再在此基礎上用二階段模型分割出病斑，分割準確率比使用單一模型更高［23-25］。因此，為了均衡改進的U-Net++模型對每種病害的分割性能，后續(xù)要對數(shù)據(jù)集進行優(yōu)化，使每種病害統(tǒng)一在大田環(huán)境下拍攝，或通過預處理去除復雜背景的干擾。

3.3 關于發(fā)病時期的選擇

本研究所收集的水稻病害圖像主要處于病情發(fā)展的穩(wěn)定期，每張圖像僅包含單一病害， 然而，在實際農業(yè)生產中，病害往往處于不同的發(fā)展階段，并表現(xiàn)出不同的顏色、形態(tài)等特征，甚至在同一水稻植株上可能會出現(xiàn)多種病害。蔣小敏等根據(jù)不同發(fā)病程度的小麥條銹病病葉的顏色變化，給圖像的G分量賦予不同的權重，通過R+G組合圖有效區(qū)分出病斑和健康區(qū)域［26］。康麗等提取稻瘟病發(fā)病早期的葉片高光譜數(shù)據(jù)，建立CARS-PCA-SVM模型，實現(xiàn)稻瘟病早期的分級檢測，各級準確率均在94%以上［27］。因此，后續(xù)要對病情發(fā)展初期、穩(wěn)定期、末期和多病害并發(fā)的情況分別進行模型訓練和測試，從而提升模型在實際應用中的準確性和可靠性。

3.4 關于模型的分割性能

本試驗模型在分割稻瘟病和胡麻葉斑病圖像時，出現(xiàn)的漏分割和誤分割現(xiàn)象多于紋枯病，此外，該模型的圖像分割速度為66.7 ms/幀，比U-Net++、U-Net和Deeplabv3+分別快6.7、13.4、40 ms/張，說明模型的分割性能和運行速度還有待提升。陳鵬等在U-Net的基礎上，構建了融合雙注意力機制模塊和批量歸一化層的UNetA模型，對小麥赤霉病病斑的分割精度和速度均有明顯提升［12］。朱成宇在U-Net模型中引入通道注意力機制和輕量化網絡ShuffleNet v2，使模型在滿足分割精度的同時大幅度降低參數(shù)量和計算量［28］。因此，未來將嘗試在模型中加入注意力機制用以提高模型對目標區(qū)域的特征學習能力，同時把VGG替換為更輕量化的網絡結構來減少模型的分割時間。

4 結論

本研究將空洞卷積用于U-Net++模型的編碼器部分，實現(xiàn)了對水稻紋枯病、稻瘟病和胡麻葉斑病的像素級分割任務，從而構建了一種基于 U-Net++ 的水稻病害分割模型。在對測試集的分割中，該模型的平均交并比為87.48%，平均精確率為92.85%，平均召回率為93.42%，平均F1分數(shù)為93.12%，分割性能優(yōu)于U-Net++、U-Net和Deeplabv3+模型。這些結果表明，改進的 U-Net++ 模型可用于水稻病害的精準分割中，為病害的自動無損識別和分級診斷提供了強有力的支持。

參考文獻：

［1］劉 杰，曾 娟，楊清坡，等. 2023年農作物重大病蟲害發(fā)生趨勢預報［J］. 中國植保導刊，2023，43（1）：32-35.

［2］龔瑞昆，劉 佳. 改進K-means算法的玉米葉部病害圖像分割研究［J］. 現(xiàn)代電子技術，2021，44（22）：131-134.

［3］許高建，沈 杰，徐浩宇. 基于Lab顏色空間下的小麥赤霉病圖像分割［J］. 中國農業(yè)大學學報，2021，26（10）：149-156.

［4］Syaiful A，Zuraidah F. Early blight disease segmentation on tomato plant using K-means algorithm with swarm intelligence-based algorithm［J］. International Journal of Mathematics and Computer Science，2021，16（4）：1217-1228.

［5］Bakar M N A，Abdullah A H，Rahim N A，et al." Rice leaf blast disease detection using multi-level colour image thresholding［J］. Journal of Telecommunication，Electronic and Computer Engineering，2018，10（1-15）：1-6.

［6］Jun P，Bai Z Y，Lai J C，et al." Automatic segmentation of crop leaf spot disease images by integrating local threshold and seeded region growing［C］//2011 International Conference on Image Analysis and Signal Processing. Hubei，2011：590-594.

［7］黃 鵬，鄭 淇，梁 超. 圖像分割方法綜述［J］. 武漢大學學報（理學版），2020，66（6）：519-531.

［8］李 輝，羅 敏，岳佳欣. 基于計算機視覺技術的水稻病害圖像識別研究進展［J］. 湖北農業(yè)科學，2022，61（4）：9-15.

［9］Shelhamer E，Long J，Darrell T. Fully convolutional networks for semantic segmentation［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence，2017，39（4）：640-651.

［10］Ronneberger O，F(xiàn)ischer P，Brox T. U-net：convolutional networks for biomedical image segmentation［C］//International Conference on Medical Image Computing and Computer-Assisted Intervention.Cham：Springer，2015：234-241.

［11］郭鑫鑫，劉 洋. 基于改進U-net網絡的水稻紋枯病圖像分割［J］. 鄉(xiāng)村科技，2021，12（31）：111-114.

［12］陳 鵬，馬子涵，章 軍，等. 融合注意力機制的小麥赤霉病語義分割網絡［J］. 中國農機化學報，2023，44（4）：145-152.

［13］Zhou Z W，Siddiquee M M R，Tajbakhsh N，et al." UNet++：a nested U-net architecture for medical image segmentation［J］. Computational Intelligence and Neuroscience，2018，28（2）：1-14.

［14］Wang G W，Wang J W，Wang J X，et al." Grape leaf disease classification combined with U-net++ network and threshold segmentation［J］. Computational Intelligence and Neuroscience，2022，2022：1042737.

［15］Hoorali F，Khosravi H，Moradi B. Automatic Bacillus anthracis bacteria detection and segmentation in microscopic images using UNet+［J］. Journal of Microbiological Methods，2020，177：106056.

［16］侯奕辰，彭 輝，謝俊章，等. 改進Unet++在腦腫瘤圖像分割的研究［J］. 計算機工程與設計，2022，43（6）：1725-1731.

［17］Lan K，Cheng J Z，Jiang J Y，et al." Modified UNet++ with atrous spatial pyramid pooling for blood cell image segmentation［J］. Mathematical Biosciences and Engineering，2023，20（1）：1420-1433.

［18］Simonyan K，Zisserman A. Very deep convolutional networks for large-scale image recognition［J］. CoRR，2014，1409.1556.

［19］Fu Q，Luo Y L，Liu J X，et al." Improving learning algorithm performance for spiking neural networks［C］//2017 IEEE 17th International Conference on Communication Technology. Chengdu，2017：1916-1919.

［20］蔣文斌，彭 晶，葉閣焰. 深度學習自適應學習率算法研究［J］. 華中科技大學學報（自然科學版），2019，47（5）：79-83.

［21］戴子兵. 基于語義分割的水稻病害檢測技術［D］. 成都：西華大學，2020：43-48.

［22］王 珊. 基于機器視覺的油菜菌核病檢測研究［D］. 合肥：安徽農業(yè)大學，2021：19-29.

［23］杜鵬飛. 基于語義分割的黃瓜葉部病害嚴重程度估計研究［D］. 保定：河北農業(yè)大學，2021：23-34.

［24］閆靖昆，黃毓賢，秦偉森，等. 棉田復雜背景下棉花黃萎病病斑分割算法研究［J］. 南京師大學報（自然科學版），2021，44（4）：127-134.

［25］趙廣猛，王衛(wèi)兵. 基于U-Net模型和FCM算法的番茄穴盤苗重疊幼葉分割方法［J］. 江蘇農業(yè)科學，2022，50（2）：206-212.

［26］蔣小敏，馮海寬，常 紅，等. 基于數(shù)碼圖像的小麥條銹病病害程度分級方法［J］. 江蘇農業(yè)科學，2021，49（23）：109-115.

［27］康 麗，袁建清，高 睿，等. 高光譜成像的水稻稻瘟病早期分級檢測［J］. 光譜學與光譜分析，2021，41（3）：898-902.

［28］朱成宇. 基于輕量級卷積神經網絡的水稻病害識別［D］. 南寧：廣西大學，2022：30-51.

收稿日期：2023-07-22

基金項目：江蘇省重點研發(fā)計劃（現(xiàn)代農業(yè)）項目（編號：BE2022335，BE2022338）；江蘇高校優(yōu)勢學科建設工程資助項目（PAPD）。

作者簡介：洪 俐（1999—），女，江蘇南京人，碩士研究生，主要從事作物表型監(jiān)測研究。E-mail：1678515168@qq.com。

通信作者：孫成明，博士，教授，博士生導師，主要從事作物表型監(jiān)測與智慧農作技術研究。E-mail：cmsun@yzu.edu.cn。