刘家欢，郑成娟，李 云，李增源，付浩然，张卫峰

(1.中国农业大学 资源与环境学院，北京 100094； 2.北京兴农丰华科技有限公司，北京 100094)

适宜的小麦群体既是高产的保障条件，也是水、肥、药等高效管理的重要参考指标。现代高产技术要求收获期多穗型小麦品种达到750万穗/hm2左右，大穗型小麦品种达到450万穗/hm2左右[1-2]。然而冬小麦长达260 d的生育时期中，经过冬、春、夏3个季节光、温、水变化的历练，群体数量经历增长、稳定、降低3个阶段，合理控制每一阶段的群体数量才能确保收获时穗数达到高产的要求。而在群体发展动态过程中，水分、养分的吸收、消耗和利用也极大地制约了小麦生产效率。以中、多穗型小麦品种为例，确保高产、高质、高效需求的群体动态为基本苗225万～300万株/hm2，冬前900万～1 200万株/hm2，返青期—拔节期1 500万～1 650万株/hm2，收获期675万～750万株/hm2[3-4]。需要采取冬前划锄、镇压，确保春季水肥时间、早春镇压、化学控旺等多种调控途径，才能确保有效的群体数量。以济麦22为例，为达到675万～750万穗/hm2的群体密度，在适宜播期内应将播量控制到187.5～225 kg/hm2，小麦出苗后到越冬前茎蘖数应达到900万～1 200万株/hm2，若茎蘖数大于900万株/hm2，则应采取适期内晚浇冬水、深耕、镇压等措施控制无效分蘖，防止群体数量过大[5]；若返青期—拔节期群体数量大于1 650万株/hm2，则应采取推迟春季水肥至拔节中后期、返青期镇压、起身期喷施矮壮素等控旺措施，防止群体数量过大和后期倒伏[6]。上述针对性农艺措施是促使群体沿着高产目标发展的有力保障[7-8]。因此，在小麦冬前、返青至拔节等关键生育时期及时了解麦田群体数量信息，并制定精细化管理措施是保证小麦高产的重要手段。目前，规模化经营是高产高效的途径，但是面临增产节本的需求，且人力成本高，需要自动化、智能化技术的辅助。

有学者使用数码相机采集出苗、起身、拔节、孕穗期的小麦冠层图像，基于纹理图像特征进行图像处理，用以判别3种不同结构的冬小麦群体,分类正确率达92.6%[9-10]。另有学者以小麦苗期图像为研究对象，采用数码相机垂直获取图像，提出了基于新骨架特征值的重叠区域麦苗计算公式，计数准确率达89.9%[7-11]。索兴梅等[8]、李少昆等[12]应用图像分割、图像增强技术提取小麦群体图像特征，建立小麦群体特征识别自学习系统，识别准确率在85%以上。JAMES等[13]采用易获得的消费级数码相机采集图像，利用3D点云成像技术估算小麦的地上部生物量、冠层高度和收获指数，表明3D成像图中至少有48个图像能用于辅助育种和其他高精度要求的科学研究。刘涛等[14]利用颜色特征和纹理特征对撒播、条播麦田进行计数试验，准确率分别为95.8%、96.9%。COINTAULT等[15-16]研究使用颜色或纹理评估结果估测单位面积小麦穗数的可行性，表明图像处理误差仅为手工计数的6%。与手持成像设备相比，无人机具有高时效、高分辨率、低成本、高效率等优点。李冰等[17]利用低空无人直升机多光谱平台，采用植被阈值法提取研究区域内冬小麦时序变化曲线，分析了空间尺度对提取植被覆盖度的影响，表明利用低空无人机遥感监测冬小麦覆盖度变化的方法可行。

小麦生产实践中，麦田群体是水、肥、药精细管理的重要参考，麦田管理中需要及时、快速、高效地获取群体结构信息，从而针对性采取水肥管理措施。大量研究表明，采用消费级的数码相机获取小麦冠层图像，从而估算麦田群体大小是可行的，且提出了许多估算方法和模型[7-16]。但这些模型和方法多从科学研究的角度出发，未从生产应用的角度设计行之有效的操作方法。

鉴于此，从生产应用的角度出发，以山东省阳信县64个小农户生产地块和41个种植企业规模化种植地块为研究对象，在不同生育时期使用智能手机和和无人机获取小麦冠层图像，探讨图像识别估算麦田群体大小的可行性，以期为不同规模的小麦种植主体提供适宜的群体快速诊断方法。

1 材料和方法

1.1 试验地点和试验设计

试验地点位于山东省阳信县，坐标为东经117.15～117.52°、北纬37.26～37.43°，地处中纬度，属暖温带。季风型大陆性气候，四季分明。历年年均气温12.3 ℃，极端最高气温40.1 ℃，极端最低气温-21.5 ℃，最冷月1月份，最热月7月份。年均日照时数为2 704 h，年均日照百分率65%，光照充足。阳信县年降水量较少，且不稳定、不均匀。历年平均降水量为568 mm，1月份最少，约为3.8 mm，7月份最多，约为192 mm。

选择不同规模的2类生产地块为研究对象，一类为小农户地块，地点位于山东省阳信县大韩村，另一类为规模化种植地块，地点位于山东省阳信县牛腾雨村，两村相距10 km，均属于典型的冬小麦-夏玉米灌溉轮作区。其中，大韩村试验地块64个，每个地块平均面积约为0.2 hm2，所有试验地块均由农户自行管理，田间管理措施变异较大。牛腾雨村为种植企业标准化管理地块，地块单元面积为30 hm2，试验地块41个，所有试验地块均由阳信润丰农业科技有限公司进行标准化管理，田间管理措施相近，品种及部分关键管理措施如表1。大韩村试验地块播期为2017年10月1—23日，牛腾雨村试验地块播期均为10月20日，为方便计算和分析，将播种期记为数字，如10月13日记为10.13。

表1 试验地块关键管理措施Tab.1 Key management measures for experimental fields

1.2 田间数据

2017年10月—2018年6月，在冬小麦苗期、冬前、返青、拔节4个生育时期，进行麦田茎蘖数人工抽样计数和相应样段小麦冠层图像采集，图像采集采用智能手机拍摄和无人机航拍2种方式进行。其中，拔节期因麦田封垄，航拍照片覆盖度值接近100%，仅使用智能手机采集图像。4个生育时期麦田茎蘖数人工抽样计数和智能手机冠层图像采集同时进行，随后使用航拍无人机一次性采集所有试验地块冠层图像。4个生育时期的茎蘖数数据采集时间如下：苗期人工抽样计数和智能手机拍摄于2017年10月28日—11月3日进行，无人机航拍于2017年11月4—5日进行；冬前人工抽样计数和智能手机拍摄于2017年12月4—8日进行，无人机航拍于2017年12月9—10日进行；返青期人工抽样计数和智能手机拍摄于2018年3月8—12日进行，无人机航拍于2018年3月13—14日进行；拔节期人工抽样计数和智能手机拍摄于2018年4月5—8日进行。4个生育时期茎蘖数人工抽样计数和智能手机图像采集采用定点的方式进行。

1.2.1 麦田茎蘖数人工抽样计数方法 人工抽样计数时在试验地块内以对角线方式，选择3处麦苗整齐、生长一致、有代表性的2行麦苗进行定点标记，每处对0.5 m长的相邻2行麦苗进行茎蘖数人工抽样计数。其中，基本苗调查在小麦苗期进行，计数时只统计主茎数，即使部分早播麦田出现分蘖，也不计入茎蘖数；其他3个时期均调查茎蘖数，即主茎和分蘖数总和，抽样样段茎蘖数计数时，只要分蘖露出叶鞘即算为有效分蘖，若分蘖出现喇叭口或心叶萎蔫、枯死或变黄现象则为退化蘖，不计入茎蘖数。

每个试验地块茎蘖数人工抽样计数和冠层图像采集完成后，交错选择2处麦苗均匀的区域，分别测量11行小麦(10行行距)之间的距离，并取平均值，即该地块平均行距。麦田群体大小与地块平均行距和平均茎蘖数关系如下：

式中，L为地块平均行距；N为麦田0.5 m单行平均茎蘖数。

1.2.2 智能手机冠层图像采集方法 智能手机冠层图像采集与试验地块茎蘖数人工抽样计数同时进行。在人工抽样计数完成后，使用智能手机应用程序“多用途绿色冠层覆盖测量工具(CANOPEO)”，对相应麦苗拍摄、读取冠层覆盖度并记录。其原理是自动识别图像绿色部分像素，并采用超绿特征值方式进行二值化处理，计算绿色像素占整个图像像素的百分比。冠层覆盖度与人工抽样计数的茎蘖数为1组数据，每个地块共调查6组数据，茎蘖数和冠层覆盖度均取平均值，每个地块最终得到1组平均茎蘖数和平均冠层覆盖度。4次冠层图像采集均使用同一部手机(华为nova CAZ-AL 10，后置摄像头为2 000 万像素，CMOS传感器，焦距 8.8 mm，拍摄高度约41.5 cm)进行。小麦冠层图像智能手机拍摄方法如图1所示，选取1行长势均匀的麦苗，并取0.5 m作为样点，在样点两端做好标记，手机垂直样段以样段的边界恰好位于相机取景框的上下两端为参照进行拍照，并用CANOPEO 处理，提取小麦冠层覆盖度，处理时软件 Adjustments 参数统一设置为1.00。

图1 智能手机冠层图像采集方法Fig.1 Smart phone canopy image acquisition method

1.2.3 无人机冠层图像采集方法 无人机冠层图像采集使用四旋翼大疆INSPIRE2无人机(轴距 605 mm，机身净质量3.29 kg,载质量4 kg)为遥感平台，配备惯性测量单元(Inertial measurement unit,IMU)实时记录飞行状态下地理位置和三轴姿态角。无人机遥感平台搭载ZENMUSE X4S 高清相机,主要参数为尺寸： 125 mm×100 mm×80 mm，质量：253 g，2 000万像素，CMOS传感器，焦距8.8 mm(定焦拍摄)。无人机数据采集在9:00—15:00 太阳光辐射强度稳定，天气晴朗无云时开展，飞行高度20 m,获取到0.005 45 m 空间分辨率真彩色数码相片。3 次无人机遥感均使用同一套飞器和相机。

获取无人机航拍图像后，在ARCGIS(地理信息系统软件)中根据GPS(全球定位系统)定位点和方位信息确定试验地块，在图像上选取样本区域(如图2所示)，采用监督分类(超绿特征值)方法处理图像，然后对图像进行二值化处理，根据像素数量计算小麦冠层覆盖度(小麦冠层覆盖度=图像绿色部分所占像素数量/图像全部像素数量)。

图2 无人机冠层图像采集方法Fig.2 UAV canopy image acquisition method

1.3 数据处理

试验数据采用Excel 2013 和SPSS 19.0 进行计算与统计分析，采用 Excel 2013 绘图，用双变量相关分析进行相关性检验。

2 结果与分析

2.1 小麦苗期基本苗数与冠层覆盖度关系

分别以智能手机和无人机获取图像的冠层覆盖度与人工抽样计数的基本苗数进行相关性分析，如图3所示。基本苗数与冠层覆盖度，不论是采用智能手机还是采用无人机获取图像，均不存在显著相关性。表明采用图像处理方式估测麦田苗期基本苗数的方法不可行。

图像处理方式估测效果不好主要有两方面的原因。一是试验地块间播期变异较大，导致麦田生育时期不一致，而茎蘖数人工抽样计数一般在三叶期进行，数据采集时须协调人员、效率与不同试验地块最佳数据采集时期之间的矛盾，本研究按照保证大多数试验地块处于三叶期的原则确定数据采集时间。数据采集时，早播试验地块已处于分蘖期，而晚播试验地块还处于苗期。苗期麦苗较小，麦田冠层覆盖度也较小，尤其是无人机航拍图像几乎检测不到绿色部分，很大程度上影响了苗期基本苗数诊断效果。二是基本苗数人工抽样计数方法的影响，调查时只统计主茎数，即使出现分蘖也不计入，影响了已分蘖试验地块冠层覆盖度与基本苗数的拟合效果。

a:智能手机采集图像； b:无人机采集图像，下同 a:Image get by smart phone； b:Image get by UAV，the same below图3 小麦苗期基本苗数与冠层覆盖度关系 Fig.3 Relationship between wheat basic seedling and canopy coverage at seedling stage

2.2 小麦冬前茎蘖数与冠层覆盖度关系

分别以智能手机和无人机获取图像的冠层覆盖度与人工抽样计数的冬前茎蘖数进行相关性分析，如图4所示。由图4a可知，在小麦冬前采用智能手机获取冠层图像时，茎蘖数与冠层覆盖度相关性强，决定系数(R2)=0.900，且存在极显著相关(P<0.001 0)，表明小麦冬前阶段将智能手机作为图像采集工具，用图像识别方式估测麦田冬前茎蘖数(群体大小)的方法可行。由图4b可知，在小麦冬前采用无人机获取冠层图像时，茎蘖数与冠层覆盖度相关性强，R2=0.760，且存在极显著相关(P<0.001)，表明小麦冬前将效率更高的无人机作为图像采集工具，用图像识别方式估测麦田冬前茎蘖数(群体大小)的方法可行。

由R2及茎蘖数与冠层覆盖度相关性可知，小麦冬前图像处理方式对小麦群体的诊断效果较好。与苗期相比，试验地块间生育时期差异减小、单株分蘖数不同，麦田覆盖度(绿色部分)较大增加，无论是智能手机或是无人机获取的图像均能很好地识别绿色部分，提高了图像识别方式的诊断效果。

图4 小麦冬前茎蘖数与冠层覆盖度关系Fig.4 Relationship between wheat stem number and canopy coverage pre-wintering stage

2.3 小麦返青期茎蘖数与冠层覆盖度关系

分别以智能手机和无人机获取图像的覆盖度与人工抽样计数的返青期茎蘖数进行相关性分析。由图5a可知，在小麦返青期采用智能手机获取冠层图像时，茎蘖数与冠层覆盖度相关性与冬前相比较弱，R2仅为0.130，但存在极显著相关性(P<0.001 0)，表明小麦返青期将智能手机作为图像采集工具，用图像识别方式估测麦田返青期茎蘖数(群体大小)的方法可行。由图5b可知，在小麦返青期采用无人机获取冠层图像时，茎蘖数与冠层覆盖度相关性与冬前相比也较弱，R2仅为 0.320，但存在极显著相关性(P<0.001 0)，表明小麦返青期将效率更高的无人机作为图像采集工具，用图像识别方式估测麦田返青期茎蘖数(群体大小)的方法可行。

小麦返青期图像处理方式对小麦群体的诊断效果相对冬前较差，主要有两方面的原因，一是返青期麦田群体数量较大，小麦分蘖数达到全生育时期最大值，麦苗之间互相遮挡的程度增加；二是2017—2018年冬、春季与历史同期相比，低温少雨，部分早播试验地块存在比较严重的冻害，麦苗整体发黄，影响了冠层覆盖度基于超绿特征值的图像分类识别效果。

图5 小麦返青期茎蘖数与冠层覆盖度关系Fig.5 Relationship between wheat stem number and canopy coverage at reviving stage

2.4 小麦拔节期茎蘖数与冠层覆盖度关系

拔节期因麦田封垄，无人机获取图像覆盖度接近100%，仅使用智能手机采集图像。用智能手机获取冠层图像的覆盖度与人工抽样计数的拔节期茎蘖数进行相关性分析，如图6所示。在小麦拔节期采用智能手机获取冠层图像时，茎蘖数与冠层覆盖度相关性较弱，R2仅为 0.240，但存在极显著相关性(P<0.001 0)，表明小麦拔节期将智能手机作为图像采集工具，用图像识别方式估测麦田拔节期茎蘖数(群体大小)的方法可行。

图6 小麦拔节期茎蘖数与使用智能手机获取图像的冠层覆盖度关系Fig.6 Relationship between wheat stem number at jointing stage and the canopy coverage of images get by smart phone

小麦拔节期图像处理方式对小麦群体的诊断效果比返青期好，主要有两方面的原因，一是拔节期小麦群体数量开始下降，无效分蘖逐步消亡，麦苗间遮挡情况有所改善；二是拔节期冻害症状消失，小麦叶片浓绿，图像分类识别效果较好。

2.5 3种小麦群体诊断方法比较

3种小麦群体诊断方法比较如表2所示,目前普遍采用方法是人工抽样计数，该方法精度最高,但效率低，单位耗时约100.0 min/hm2；智能手机图像识别最便利，且效率较高，单位耗时约5.0 min/hm2；无人机图像识别效率最高，单位耗时约为1.5 min/hm2。

表2 不同小麦群体诊断方式比较Tab.2 Comparison of different wheat population size diagnosis methods

3 结论与讨论

采用智能手机和无人机采集小麦冠层图像，是为了满足不同规模小麦种植者对工作效率的需求。采用智能手机采集小麦冠层图像，获取冠层覆盖度估测小麦群体大小，是针对小农户地块分散、细碎化的特点进行的探索。根据第 41 次《中国互联网络发展状况统计报告》，截至 2017年12月，我国农村网民占比为 27.0%，规模为 2.09 亿，较 2016 年底增加793 万人[18]。伴随着信息技术的高速发展和农村基础通信设施的不断完善，小农户使用智能手机对小麦群体进行快速诊断是可以实现的。而运用无人机进行小麦群体快速诊断是针对规模化种植户需求进行的探索，对于规模种植户而言，管理措施差异不大，但种植面积较大，智能手机显然无法满足其需求。而无人机作为卫星遥感的有益补充，具有高时效、高分辨率、低成本、高效率等优点[17]。因此，本研究探讨使用无人机采集规模化种植的麦田冠层图像，并替代茎蘖数人工抽样计数方法的效果和可行性。冬前调查的结果表明，此阶段，采用智能手机、无人机获取麦田冠层图像，并利用图像处理替代茎蘖数人工抽样计数的方法可行。

目前，小麦群体数量快速估测相关的研究较少。小麦群体大小的诊断主要靠人工抽样计数获取，劳动强度大，调查速度慢，尤其是冬前华北地区户外气温低，田间调查工作开展较为困难，而且随着规模化经营(托管、土地流转)的发展，精细管理的需求越来越强烈，但精细管理方法的欠缺限制了麦田因地、因苗、因时的科学管理和高产高效[19-20]。

本研究对冬小麦4个生育时期的群体与冠层覆盖度关系进行了研究，4个生育时期采用智能手机获取图像诊断小麦茎蘖数，与人工抽样计数相关性强弱依次为冬前(R2=0.900，P<0.001 0)>拔节期(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个生育时期采用无人机获取图像诊断小麦茎蘖数，与人工抽样计数相关性强弱依次为，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)。

本研究从实际生产需求和应用的角度着手，针对小农户和规模种植户，提出了针对性小麦群体快速诊断方法。对于小农户，提出了基于手机应用程序CANOPEO的小麦群体快速诊断方法，只需要下载该手机应用程序，按照说明拍摄田间照片并读取麦苗覆盖度，测量麦田平均行距，随后对应参考表格即可获取相应的小麦群体评价和管理措施。目前，该方法的自动化程度还不够高，后续将考虑开发专用手机应用程序，农户只需在拍照同时输入平均行距就可以得到小麦群体评价和相应管理措施。规模种植户种植面积大、区域集中，需要更方便、快捷、高效的方法进行群体诊断。本研究提出了基于无人机采集冠层图像的小麦群体快速诊断方法，单位耗时1.5 min/hm2，适用于大面积成片麦田的小麦群体快速诊断。

但本研究只考虑了冠层覆盖度这一单一因素，且供试地块均为条播麦田。但小麦冠层覆盖度还受品种、施肥水平、播种时间、播种方式等因素影响，后续还需要针对诸如以上影响因素进行深入研究，设立相应的调整参数，进一步增强其适应性和准确性。此外，后续研究还要考虑图像采集设备的性能、分辨率及拍摄时间段、光照情况等可能影响图像采集效果的因素。

本研究表明，以智能手机为工具获取小麦冠层图像，并借助手机应用程序获取冠层覆盖度，在冬前、返青期和拔节期均取得了较好的效果。说明在冬前—拔节期借助智能手机采集图像替代茎蘖数人工抽样计数并估测小麦群体大小的方法是可行的，尤其是冬前估测效果较好。对于大面积种植的麦田，以无人机为工具在冬前、返青期采集图像并计算小麦冠层覆盖度的方法效果较好，可以作为小麦群体诊断工具。