魏天翔,汪小旵*,施印炎,王延鵬,王鳳杰,張先潔,卜俊怡,楊四軍

(1.南京農(nóng)業(yè)大學(xué)工學(xué)院/江蘇省現(xiàn)代設(shè)施農(nóng)業(yè)技術(shù)與裝備工程實驗室,江蘇 南京 210031;2.江蘇省農(nóng)業(yè)科學(xué)院農(nóng)業(yè)資源與環(huán)境研究所,江蘇 南京 210014)

長江下游稻麥輪作區(qū),普遍推行著基于秸稈全量還田的全程機(jī)械化生產(chǎn)方式,但小麥秸稈還田后1個月內(nèi)會經(jīng)歷快速腐解期[1],引發(fā)微生物奪氮的同時產(chǎn)生還原性毒素,不利于下茬水稻的早期生長發(fā)育,體現(xiàn)為返青緩慢、分蘗減少、葉尖黃化甚至僵苗等負(fù)面現(xiàn)象[2],直接影響著最終的產(chǎn)量和品質(zhì)[3]。諸多研究圍繞促進(jìn)水稻早期生長發(fā)育展開,包括調(diào)整還田方式、增施氮肥和優(yōu)化水肥管理等[4];而評估這些措施的效果主要通過對比分析株高、葉長、分蘗數(shù)等水稻生長形態(tài)參數(shù),高效的參數(shù)測量方法可以給相關(guān)研究提供強(qiáng)有力幫助。

水稻的生長形態(tài)參數(shù)測量經(jīng)歷過人工測量、二維圖像分析[5]和專業(yè)數(shù)字化儀器測量[6]等階段,這些方法或效率較低,或成本較高,或具有破壞性,難以推廣使用?；诙嘁暯荝GB圖像的攝影測量方法可以以較低成本實現(xiàn)三維重建,使用普通數(shù)碼相機(jī)即可實現(xiàn),將其用于植物形態(tài)參數(shù)的測量是當(dāng)下研究熱點[7]。根據(jù)三維重建原理的不同可分為運動恢復(fù)結(jié)構(gòu)(structure from motion,SfM)[8]和空間雕刻(structure form space carving,SSC)[9]兩大算法。運動恢復(fù)結(jié)構(gòu)算法在提取并匹配多視角圖像序列間的特征點后,通過對極約束計算目標(biāo)物各點的三維空間坐標(biāo),是基于計算機(jī)視覺的重建技術(shù)中最先進(jìn)的方法之一,但用于田間水稻仍存在噪聲較大和重建時間較長等瓶頸問題?？臻g雕刻算法以目標(biāo)物多視角圖像及二值分割圖像作為輸入,將目標(biāo)區(qū)域離散化后的體素投影至多視角圖像,根據(jù)其在圖像上是否屬于植株部分而選擇保留或剔除,最終保留體素構(gòu)成目標(biāo)的三維模型,因其具有高效穩(wěn)定和易于實現(xiàn)等優(yōu)點被研究者們用于水稻、小麥、高粱等作物的三維重建[10-12]。目前的研究多在溫室內(nèi)完成,可以通過擋板簡化背景分割的難度,而田間水稻的生長環(huán)境中存在雜草、浮萍、倒影等干擾因素,使得基于顏色、紋理等特征的傳統(tǒng)圖像分割方法難以準(zhǔn)確分割出田間水稻[13];而基于深度學(xué)習(xí)的方法可以在訓(xùn)練過程中實現(xiàn)自動特征提取,在田間圖像的應(yīng)用上能表現(xiàn)出優(yōu)秀的抗干擾能力,顯著提升分割準(zhǔn)確度與效率[14-15]。

本研究旨在結(jié)合深度學(xué)習(xí)圖像分割技術(shù)和空間雕刻技術(shù)探索出一種田間水稻單株尺度三維重建方法,以期為不同秸稈還田方式下水稻生長參數(shù)測量提供相應(yīng)的技術(shù)與方法。

1 材料與方法

1.1 秸稈還田方案

試驗地點位于江蘇省農(nóng)業(yè)科學(xué)院泗洪稻麥科技綜合示范基地(118.27°E,33.36°N),屬東亞季風(fēng)區(qū)亞熱帶和暖溫帶的過渡區(qū),土壤類型為砂姜黑土,作業(yè)全程機(jī)械化。前茬作物為小麥,2020年6月3日使用久保田688Q聯(lián)合收割機(jī)高留茬收割,同時秸稈粉碎后全量還田。6月4日耕作整地,動力機(jī)械為久保田M1004R輪式拖拉機(jī),旋耕作業(yè)懸掛1GQNGK-250型旋耕機(jī)(河北春耕機(jī)械制造有限公司),翻耕作業(yè)懸掛三鏵犁(淮安淮犁機(jī)械有限公司)。6月7日蓄水泡田。供試水稻品種為江蘇省農(nóng)業(yè)科學(xué)院自主選育的‘優(yōu)香?！?2020年5月14日育苗,6月14日使用久保田SPV-8C插秧機(jī)插秧,每公頃栽插25.5萬穴,每穴4～6苗,配施基肥(復(fù)合肥405 kg·hm-2,尿素81 kg·hm-2),田間管理常規(guī)。

秸稈還田方案如圖1所示,每個田塊面積約400 m2,田塊之間使用PVC覆膜隔斷區(qū)分。基于全程機(jī)械化作業(yè)的模式,設(shè)有“泡田+旋耕(SR)”“旋耕+泡田(RS)”和“翻耕+旋耕+泡田(PRS)”3種秸稈還田方式,每種方式均設(shè)置秸稈不還田的空白對照組(CK)?！芭萏?旋耕(SR)”的具體操作為前茬小麥?zhǔn)崭詈?先蓄水泡田40 h以上后進(jìn)行旋耕?！靶?泡田(RS)”即前茬小麥?zhǔn)崭詈笙刃傩钏萏?。“翻?旋耕+泡田(PRS)”的具體操作為前茬小麥?zhǔn)崭詈笙壤绶?再旋耕,最后蓄水泡田。

圖1 田塊分布Fig.1 Distribution of the field

1.2 水稻生長形態(tài)參數(shù)測量方法

1.2.1 圖像采集為了便于圖像分割和水稻單株尺度參數(shù)計算,在插秧完成后立刻在田間設(shè)置單株的觀察組,參考生物統(tǒng)計學(xué)5點采樣法在田間選取位置,以每穴1苗的方式栽插水稻,每個田塊設(shè)置15株。此外用同樣的方式另設(shè)置部分單株水稻作參數(shù)驗證組,用于和人工測量數(shù)據(jù)對比作算法精度驗證。

圖像采集分為2類:一類用于三維重建和參數(shù)計算;另一類用于制作深度學(xué)習(xí)數(shù)據(jù)集。圖像采集設(shè)備為iPhone 8數(shù)碼手機(jī)原生相機(jī),成像分辨率為3 024×4 032。采集方式如圖2所示,首先在每一個單株觀察點選取合適位置放置標(biāo)定板,然后依次拍攝植株頂部視角和側(cè)方視角圖片,側(cè)方視角根據(jù)植株生長階段和葉片遮擋情況環(huán)繞植株拍攝4～6張照片。用于空間雕刻三維重建的照片首先要保證信息量足夠,對輸入圖像的視角沒有嚴(yán)格要求[16],拍攝時可根據(jù)實際情況微調(diào)拍攝視角與高度,以確保清晰完整地拍攝到植株和標(biāo)定板。用于深度學(xué)習(xí)的數(shù)據(jù)集囊括水稻的不同生長時期,拍攝場景包括不同的光照和天氣條件,在注重類別均衡的情況下,共采集500張照片用作深度學(xué)習(xí)訓(xùn)練數(shù)據(jù)集。

圖2 圖像采集示意圖Fig.2 Schematic diagram of image acquisition

1.2.2 基于深度學(xué)習(xí)的田間圖像分割在深度學(xué)習(xí)領(lǐng)域,自全卷積網(wǎng)絡(luò)(fully convolutional network,FCN)[17]被提出以后,為了實現(xiàn)像素級的端到端(end-to-end)圖片語義分割,已有諸多亮點技術(shù)被提出。空洞卷積(atrous convolutions)[18]技術(shù)可以實現(xiàn)擴(kuò)大感受野的同時不增加計算量。編碼器-解碼器的結(jié)構(gòu)(Encoder-Decoder)旨在融合不同維度的特征,實現(xiàn)空間信息和全局信息同時利用,同時在盡可能減少信息損失的情況下完成同尺寸輸入輸出,代表性網(wǎng)絡(luò)有SegNet[19]、U-Net[20]等經(jīng)典模型。在PSPNet[21]、DeepLab系列[22]等亮點模型中出現(xiàn)空間金字塔模塊(spatial pyramid pooling,SPP),通過引入多尺度信息,融合不同感受野的特征圖,可以更好地挖掘全局上下文信息。而DeepLabv3+[22]將空洞卷積空間金字塔模塊(atrous spatial pyramid pooling,ASPP)應(yīng)用到編碼器-解碼器架構(gòu)上,實現(xiàn)了前述亮點技術(shù)的融合,優(yōu)化了物體邊緣細(xì)節(jié)分割效果,目前在多個數(shù)據(jù)集上保持著最先進(jìn)的分割效果。

DeepLabv3+網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示,網(wǎng)絡(luò)的編碼器部分由主干網(wǎng)絡(luò)和ASPP模塊組成,可以接受任意尺寸的圖片輸入。網(wǎng)絡(luò)的解碼器部分采用了簡單但高效的方式,將編碼器輸出的特征經(jīng)過上采樣后和解碼器中同分辨率的特征進(jìn)行Concat融合,經(jīng)過3×3卷積細(xì)化特征后上采樣至原圖尺寸,經(jīng)過Softmax分類層得到像素級的分割圖。

圖3 DeepLabv3+網(wǎng)絡(luò)結(jié)構(gòu)Fig.3 Architecture of DeepLabv3+

網(wǎng)絡(luò)采用逐像素的交叉熵作為損失函數(shù),圖片上每個像素的Softmax分類器的輸出為:

(1)

式中:x、y為像素坐標(biāo);K為總類別數(shù);α(x,y)表示Softmax輸出的該位置像素對應(yīng)第k個類別的值;pk(x,y)表示該像素屬于第k類的概率。整個網(wǎng)絡(luò)的損失可表示為:

(2)

式中:wl表示類別l的損失權(quán)重;pl(x,y)為該點像素屬于類別l的真實概率。

使用labelme標(biāo)注工具對數(shù)據(jù)集進(jìn)行人工標(biāo)注得到掩膜標(biāo)簽,在本試驗中標(biāo)簽類別為水稻和背景 2類,按照4∶1的比例隨機(jī)劃分為訓(xùn)練集和驗證集。為驗證DeepLabv3+網(wǎng)絡(luò)在田間水稻分割方面的優(yōu)越性,與PSPNet、SegNet兩代典型語義分割網(wǎng)絡(luò)以及植物分割常用的傳統(tǒng)圖像分割算法ExG+Otus[11]、Grabcut[23]進(jìn)行比較。采用交并比(intersection over union,IoU)、像素精度(pixel accuracy,PA)、F值3種指標(biāo)來評估分割效果。交并比是語義分割領(lǐng)域最常用的評價指標(biāo),為真實值與預(yù)測值之間的交集和并集之比,可以判斷目標(biāo)的捕獲程度和分割的精確程度。像素精度為標(biāo)記正確的像素占總像素的比例。F值為精準(zhǔn)率(precision,P)和召回率(recall,R)的調(diào)和平均數(shù),在樣本不均衡時可以更客觀反映模型的準(zhǔn)確率。雖然上述指標(biāo)定義不同,但均可以通過表1所示的混淆矩陣(confusion matrix)計算得到。其中:TP代表真實標(biāo)簽是植株且被識別為植株的像素個數(shù);FP代表真實標(biāo)簽是背景但被識別為植株的像素個數(shù);FN代表真實標(biāo)簽是植株但被識別為背景的像素個數(shù);TN代表真實標(biāo)簽是背景且被識別為背景的像素個數(shù)。各指標(biāo)的計算公式見式(3)—(7)。

表1 分割結(jié)果混淆矩陣Table 1 Confusion matrix of segmentation

(3)

(4)

(5)

(6)

(7)

1.2.3 基于空間雕刻的三維重建空間雕刻技術(shù)是一種基于多視角圖像的物體外型恢復(fù)方法,該方法將待重建的目標(biāo)空間按照需求分辨率劃分為多個大小相同的立方體,即計算機(jī)圖形學(xué)中的體素化。根據(jù)每個立方體體素在多視角圖像上的投影坐標(biāo),來判斷其是否需要刪除或保留。其具有精度較高、易于實現(xiàn)的特點,具體流程如圖4。

圖4 三維重建流程圖Fig.4 Flow chart of three-dimensional reconstruction

1)相機(jī)標(biāo)定:相機(jī)標(biāo)定是三維重建的重要步驟,通過相機(jī)標(biāo)定確定的投影矩陣是重建時映射實際三維空間點與二維圖像像素點的必要前提,該映射關(guān)系如式(8)。

(8)

式中:Xw、Yw、Zw為三維空間中某點在世界坐標(biāo)系下的坐標(biāo)值;u、v為該點在圖像平面上的坐標(biāo)值;Zc為該點在相機(jī)坐標(biāo)系下的Z軸坐標(biāo),標(biāo)定后可計算得到;fx與fy、cx與cy分別為相機(jī)焦距的像素單位表達(dá)和相機(jī)主點在圖像平面上的坐標(biāo),這4個參數(shù)由相機(jī)本身的制造工藝決定,共同組成相機(jī)的內(nèi)參數(shù)矩陣;R和t分別為旋轉(zhuǎn)矩陣和平移矩陣,也稱為外參數(shù)矩陣,用于描述相機(jī)在世界坐標(biāo)系下的位姿。由內(nèi)外參數(shù)矩陣相乘得到投影矩陣P。為了保證精度,使用外置標(biāo)定物的方法,采用12×9規(guī)格的棋盤格標(biāo)定板,每個小方格邊長5 mm,采用經(jīng)典標(biāo)定法[24]計算每個視角對應(yīng)的參數(shù)。

2)計算包圍盒與體素化:包圍盒作用在于確定需要進(jìn)行體素重建的空間區(qū)域,為了提升算法的計算效率,首先采用每個體素4 mm3的空間分辨率進(jìn)行體素雕刻,以此計算出目標(biāo)空間包圍盒的大致范圍,再以每個體素1 mm3的空間分辨率執(zhí)行算法。

3)空間雕刻與模型著色:當(dāng)包圍盒體素化完成后,取每個體素的中心位置作為其世界坐標(biāo)系下的三維坐標(biāo),例如原點處的體素坐標(biāo)為(0,0,0)。然后遍歷每個視角,計算該視角下每個體素的投影坐標(biāo),若在該視角下投影坐標(biāo)屬于植株部分,則保留體素,反之刪除。該過程形似實體的木塊或陶土的雕刻,因此得名空間雕刻算法。體素雕刻完成后,將保留體素根據(jù)投影矩陣計算其在原RGB圖上的投影坐標(biāo),以多視角圖像的RGB均值作為該體素的顏色值,以此獲得效果更逼真、信息量更豐富的植株三維模型。

1.2.4 基于三維模型的株型參數(shù)提取提取株高、葉長、分蘗數(shù)等物理形態(tài)參數(shù)是三維模型的優(yōu)勢,將這些參數(shù)與人工測量值進(jìn)行對比可以較客觀地評估三維模型精度,同時驗證其在田間水稻上應(yīng)用的可行性。本試驗中的參數(shù)測量示意圖見圖5。

圖5 植株參數(shù)測量示意圖Fig.5 Schematic diagram of plant shape parameters extractionA.植株三維模型3D model of the plant;B.點云分割示意圖Schematic diagram of point cloud segmentation;C.骨架提取示意圖Schematic diagram of skeleton extraction;D.葉片軸線擬合示意圖Schematic diagram of leaf axis fitting;E.葉長計算示意圖Schematic diagram of leaf length calculation.

1)株高:通常作物的株高可以通過計算三維模型Z軸坐標(biāo)極差來獲得,但水稻的生長環(huán)境決定了會有部分植株沒于水面下方而無法被相機(jī)采集到,因此需要在拍攝照片之前測量標(biāo)定板平面相對于土壤層的高度(h0),在模型生成后,Z軸坐標(biāo)的最大值(Zmax)為植株在標(biāo)定板平面上方的高度數(shù)據(jù),將h0和Zmax相加得到植株的完整株高參數(shù)。

2)分蘗數(shù):根據(jù)水稻分蘗發(fā)生在近地面處的特性,對植株底部2 cm的體素進(jìn)行刪除后將模型轉(zhuǎn)化為點云,然后使用基于歐式距離的點云聚類算法實現(xiàn)植株分蘗的分割,圖5-B中不同顏色部分即為聚類得到的不同簇,簇的數(shù)量即為分蘗數(shù)。

3)葉片數(shù)和葉長:參考Fang等[11]的方法并加以改進(jìn),利用骨架提取的方法實現(xiàn)葉片數(shù)和葉長的計算。立方體體素在空間中根據(jù)公共點、公共邊、公共面的不同,存在著26鄰接、18鄰接和6鄰接3種關(guān)系,采用拓?fù)浼?xì)化法可以得到拓?fù)浣Y(jié)構(gòu)不變的單連通骨架[25]。具體實現(xiàn)如下,將屬于植株模型的點定義為前景點,反之定義為背景點,依次遍歷植株模型中的每個點,同時滿足如下4個條件則刪除該點:①該點6鄰域中至少有1個背景點;②該點的26鄰域中必須有2個或以上前景點;③該點26鄰域的前景點集合中,任意2個點可以通過集合中其他前景點形成26連通路徑;④該點6鄰域中的背景點,可以通過其 18鄰域中的背景點形成6連通路徑。迭代上述步驟至保留體素點數(shù)量不變。

骨架提取完成后,根據(jù)其26鄰域單連通的特性,可以實現(xiàn)分支點和葉尖點的識別,滿足26鄰域內(nèi)超過2個前景點的即為分支點,滿足26鄰域內(nèi)僅有1個前景點的為端點,葉尖部分和植株底部都會出現(xiàn)端點,故還需要對每個分支點沿Z軸坐標(biāo)向下搜索,將得到的端點刪去后才得到最終該點葉尖點數(shù)量。此外,盡管拓?fù)浼?xì)化法在理論上可以得到單連通骨架,但因模型邊緣存在少量噪聲,導(dǎo)致提取出的骨架偶爾出現(xiàn)偽分支和毛刺[16],進(jìn)而引起特征點的錯誤識別,可人工篩選剔除錯誤點,最終效果如圖5-C所示。

葉尖點的數(shù)量即為當(dāng)前植株的葉片數(shù)。葉尖點和其直接連接的分支點的骨架為葉片骨架,對其進(jìn)行降采樣后可得到中心軸點,如圖5-D和5-E所示,利用B樣條(B-spline curve)曲線擬合葉片中心軸線后可通過曲線積分計算各葉片的長度。

2 結(jié)果與分析

2.1 背景分割結(jié)果

深度學(xué)習(xí)算法均基于Tensorflow(v1.14.0)+Keras(v2.3.1)框架實現(xiàn),硬件配置為處理器Intel Core i9-9900k,內(nèi)存32 GB,顯卡NVIDIA RTX 2070s,操作系統(tǒng)Ubuntu 20.04。訓(xùn)練超參數(shù)設(shè)置如下:優(yōu)化器選擇自適應(yīng)算法Adam(adaptive moment estimation);初始學(xué)習(xí)率為0.001,當(dāng)驗證集誤差連續(xù)2個epoch不下降時,觸發(fā)系數(shù)為0.5的指數(shù)衰減;epoch設(shè)置為100,同時設(shè)置驗證集誤差連續(xù)6個epoch不下降時觸發(fā)早停(early stop);Batchsize設(shè)置為4。

5種方法的分割性能對比見表2,可以看出基于DeepLabv3+的分割算法性能最優(yōu),對本試驗任務(wù)的測試圖像平均分割性能為IoU值0.801,PA值0.986,F值0.822,均為所有方法中最高。

表2 不同網(wǎng)絡(luò)性能比較Table 2 Performance comparison of different networks

圖6顯示了6種田間圖像場景在不同方法下的分割效果,圖6-A—C中的植株在拍攝前進(jìn)行過人工的雜物清理,目的是簡化背景以檢驗各算法在水稻分蘗期不同階段的分割效果;圖6-D—F為實際水稻生長過程中常見的場景,在水稻插秧后至除草前,田間會常見如圖6-D所示的雜草,而除草期間需要保水至一定高度,又會出現(xiàn)圖6-E所示的浮萍和圖6-F倒影等干擾圖像分割的因素。圖中的人工分割結(jié)果由labelme標(biāo)注后輸出,用作各方法分割性能指標(biāo)的計算?？梢钥闯?本文選取的DeepLabv3+方法在水稻的不同生長時期都可以達(dá)到較好的分割效果,且應(yīng)對田間各種干擾因素也能表現(xiàn)出較好的穩(wěn)定性。SegNet作為經(jīng)典的語義分割網(wǎng)絡(luò)能實現(xiàn)一定程度的水稻植株分割,但在邊緣和細(xì)小連接處等細(xì)節(jié)部分處理較為粗糙,例如部分莖稈和葉片連接處出現(xiàn)斷裂,整體效果遜色于擁有為細(xì)節(jié)和小物體分割而設(shè)計的ASPP結(jié)構(gòu)的DeepLapv3+網(wǎng)絡(luò)[26]。PSPNet得益于其金字塔池化模塊的設(shè)計,對物體邊緣的處理效果要優(yōu)于SegNet,但其網(wǎng)絡(luò)結(jié)構(gòu)中處理特征圖采用的是池化操作,而不是DeepLabv3+中采用的空洞卷積,雖融合了上下文信息但造成了一定程度的降采樣[22],應(yīng)用于水稻這類以細(xì)長葉片和莖稈為主的目標(biāo)時,會導(dǎo)致背景容易過擬合,即過多地將屬于前景的水稻錯誤識別為背景。

相較于深度學(xué)習(xí)的方法,傳統(tǒng)的植物圖像分割方法最大的缺點在于難以應(yīng)對環(huán)境的干擾;相比于深度學(xué)習(xí)的自動特征提取,傳統(tǒng)算法往往需要人為的設(shè)計特征,而田間環(huán)境復(fù)雜多變,難以設(shè)計出通用的方法[27]。如溫室植物圖像分割常用的ExG+Otus算法,其核心在于圖像灰度化時使用超綠分量突出植物的綠色特征,導(dǎo)致執(zhí)行分割任務(wù)時不僅會保留背景中的雜草、浮萍等綠色干擾物,還會將植物體上的非綠色部分當(dāng)作背景舍棄。而基于圖論的Grabcut算法雖然在黃瓜、煙葉等闊葉植物葉片的分割上有良好的效果,但應(yīng)用于水稻這樣的窄葉多分蘗植物就會暴露出其對復(fù)雜邊緣處理效果差的缺點,且其需要交互式人工摳出待分割物體的大致輪廓,在水稻圖像的分割上仍需要不小的工作量[28]。綜上,采用DeepLapv3+網(wǎng)絡(luò)可以很好實現(xiàn)復(fù)雜環(huán)境下田間水稻圖像的分割任務(wù),節(jié)約大量的人工成本,顯著提升整體算法的自動化程度。

2.2 三維模型重建結(jié)果

圖7展示了不同側(cè)方視角數(shù)量下水稻的3個生長時期的重建結(jié)果。當(dāng)視角數(shù)量小于4的時候,模型較為粗糙,重影噪聲較多,同時存在相鄰葉片黏連等現(xiàn)象。這是由于植株葉片間存在遮擋,少量的視角難以滿足重建要求的信息量,造成部分背景體素未被刪去;視角數(shù)量過多時則會造成模型失真,具體表現(xiàn)為在植株較細(xì)的葉片或莖稈處出現(xiàn)斷裂,這是因為相機(jī)的標(biāo)定難以做到完全零誤差,視角數(shù)量過多會造成誤差的累積,誤刪除屬于植株的體素。故視角數(shù)量的確定要根據(jù)植株結(jié)構(gòu)的復(fù)雜程度而定,從試驗效果看,在水稻生長的苗期和分蘗中期,選用4個側(cè)方視角的方案,在分蘗中期過后,選用6個側(cè)方視角的方案效果最佳。

圖7 不同視角數(shù)量的水稻植株三維重建結(jié)果(n為側(cè)方視角數(shù)量)Fig.7 Reconstructed results of rice plant using different number of views(n is the number of side views)

2.3 模型精度驗證

圖8為4個水稻株型參數(shù)與人工測量的對比結(jié)果。在株高和葉長散點圖中,各數(shù)據(jù)的散點分布主要集中在參考直線附近,表明人工測量值與模型輸出值具有較強(qiáng)的相關(guān)性。此外,可以發(fā)現(xiàn)大部分樣本的株高模型提取值低于人工測量值,造成該現(xiàn)象的可能原因是側(cè)方視角的標(biāo)定誤差累積,使空間雕刻過程中誤刪了部分植株頂端的細(xì)小部分,導(dǎo)致株高輸出值的誤差,但從整體上看本方法重建的植株模型具有較高精度。

圖8 模型精度驗證Fig.8 Accuracy validation of models

分蘗數(shù)的計算結(jié)果RMSE為0.82,與人工測量值進(jìn)行線性擬合得到R2為0.89。進(jìn)一步統(tǒng)計可得,誤差為0的占總樣本的58%,誤差在±1以內(nèi)的占總樣本的88%,表明本方法在田間水稻分蘗數(shù)的自動獲取上具有較高精度。葉片數(shù)的計算結(jié)果RMSE為1.39,與人工測量值進(jìn)行線性擬合得到R2為0.95。其中,誤差為0的占總樣本44%,誤差在±1以內(nèi)的占總樣本的74%,但存在少量(4%)誤差在±4以上的樣本,這可能是由于水稻生長中后期,存在部分凋零和浸泡于水中的葉片,導(dǎo)致模型難以精確分割和計數(shù),但從整體上看仍具有較高精度。此外,在水稻田中人工測量參數(shù)時,難免因視角和環(huán)境干擾等因素產(chǎn)生主觀誤差,而本方法測量的數(shù)據(jù)更具客觀真實性。

2.4 不同秸稈還田方式下水稻早期生長形態(tài)數(shù)據(jù)分析

使用上述方法對6塊試驗田中的單株觀察組進(jìn)行了為期4周的生長表型參數(shù)采集與測量,結(jié)果見圖9。第1周3種秸稈還田方式下的株高、葉片數(shù)等參數(shù)增量均低于空白對照,部分田塊甚至出現(xiàn)負(fù)增長,意味著水稻的緩苗和返青過程延長,原因在于泡水秸稈腐解的前10～20 d會出現(xiàn)微生物奪氮,同時會生成有機(jī)酸、硫化氫等還原性毒素,不利于水稻苗期的生長發(fā)育。此外,也可以看出配施基肥后,沒有出現(xiàn)僵苗等嚴(yán)重后果。而在第2至4周的分蘗期中,3種秸稈還田方式下的水稻分蘗數(shù)均多于空白對照組,這有利于產(chǎn)量增加,可能原因是這一時段還田秸稈腐解逐步釋放氮、磷、鉀等營養(yǎng)物質(zhì),對土壤的肥力給予一定程度的補充,促進(jìn)了水稻分蘗的早生快發(fā)。

圖9 不同秸稈還田方式下水稻早期株型數(shù)據(jù)對比Fig.9 Comparison of early plant shape data of rice under different straw returning methodsSR:泡田+旋耕Soaking+rotary tillage;RS:旋耕+泡田Rotary tillage+soaking;PRS:翻耕+旋耕+泡田Ploughing+rotary tillage+soaking.CK:空白對照Black control.

特別值得注意的是,從生長參數(shù)的增量對比來看,水稻受秸稈還田的負(fù)面影響從小到大的處理依次為PRS、RS、SR。相比于RS和SR方式,PRS方式下的田塊前期受到的抑制效果較小,具體體現(xiàn)在從第2周開始,秸稈還田組的株高、分蘗數(shù)、葉片數(shù)增量均要高于空白對照組,而其他方式要在第3周才出現(xiàn)該效果,其原因在于翻耕相對于旋耕有更深的耕深,可以將秸稈翻入更深的土層,在利于秸稈分解養(yǎng)分釋放的同時,還可以有效增大土壤孔隙度,減小根系拓展阻力,促進(jìn)水稻生長發(fā)育。而RS方式是在田塊蓄水前干旋,相對于SR的水旋可以讓秸稈得到更進(jìn)一步的破碎,使秸稈腐解更快,從而使前2周的抑制效果要稍小。此外,葉長變化未看出明顯規(guī)律,這可能和品種的基因性狀有關(guān),需要進(jìn)一步挖掘分析,也體現(xiàn)出高通量表型技術(shù)給農(nóng)藝性狀信息挖掘帶來的挑戰(zhàn)性。

3 結(jié)論

本研究結(jié)合深度學(xué)習(xí)圖像分割技術(shù)探索了一種田間水稻單株尺度三維重建方法,利用三維模型提取水稻早期生長形態(tài)參數(shù),并應(yīng)用于秸稈還田的效果評估,主要結(jié)論如下:

1)使用DeepLabv3+網(wǎng)絡(luò),通過深度學(xué)習(xí)的方法可以實現(xiàn)田間水稻圖像的分割,其性能優(yōu)于傳統(tǒng)圖像分割方法(ExG+Otus、Grabcut)和前代分割網(wǎng)絡(luò)(SegNet、PSPNet),性能表現(xiàn)為IoU值0.801,PA值0.986,F值0.822。DeepLabv3+網(wǎng)絡(luò)在水稻分蘗期的不同階段均能實現(xiàn)較好的分割效果,且能克服田間的雜草、浮萍、倒影等干擾因素。

2)使用空間雕刻算法可以實現(xiàn)田間水稻的三維模型重建,根據(jù)植株三維模型計算得到株高、葉長、分蘗數(shù)和葉片數(shù)4個形態(tài)參數(shù),與人工測量參數(shù)對比,決定系數(shù)(R2)分別為0.99、0.95、0.89、0.95,均方根誤差(RMSE)分別為1.03、1.19、0.82、1.39,該方法結(jié)果可靠且操作簡單,易于推廣,可用于大田環(huán)境下的秸稈還田效果對比分析。

3)利用本文探索的方法對不同秸稈還田方式下的水稻進(jìn)行了為期4周的參數(shù)測量,分析發(fā)現(xiàn),不同處理方式對秸稈還田后的水稻生長有不同的影響,從生長參數(shù)的增量對比來看,PRS方式下田塊前期受到的抑制效果較小。