传统的植物育种评估方法耗时、劳动强度大、成本高。准确快速的表型性状数据采集和分析有助于提高基因组选择效率，加快品种开发。

本文提出了一种利用无人机、多光谱成像和深度学习进行数据采集和图像处理的技术。这项研究使用卷积神经网络评价柑桔作物的表型特征，这是一种低成本和自动化的高通量表型技术，利用人工智能(AI)和机器学习(ML)以实现：

☑ 识别、计数、地理定位树木及树间隙

☑ 根据树冠的大小对树木进行分类

☑ 制定单株树木健康指数

☑ 评估柑橘品种和砧木

图1 红色矩形为研究区域，面积为14英亩（约5.6656公顷），2015年种植了50种不同的砧木品种，实验时平均株高1.7米，行间距为7.4米，株间距为2.4米。该区域包含4931棵柑橘树和112个缺口（柑橘树缺失）。

图2 单株柑橘树识别过程流程图。标注为黄色的步骤使用了地面数据估值。

图3 经过Pix4D Mapper软件处理数据并使用Python脚本进行波段融合生成的RGB图(a)与RNB图(b)

图4 用识别柑橘树的训练集图像示例（不同颜色代表不同的训练集）

图5 用于柑橘树识别分析的数组运算流程图

图6 RNB图上预测（检测）柑橘树缺失的区域

图7 NDVI图及柑橘树识别（以矩形标注）

图8 按特征进行图像分割，区分土壤与冠层

图9 基于NDVI图形分割方法的树冠面积预估

图10 待分析的两种柑橘砧木品种。蓝色区域包含SORP+SH-991，红色区域包含X639.

研究结果表明，无人机多光谱技术结合人工智能（AI）与机器学习（ML），能够对研究区域的4931棵柑橘树进行识别和计数，其准确率和召回率分别为99.9%和99.7%。树冠大小估计总体精度为85.5%，识别、计数和地理定位树间隙（柑橘树缺失）的精度和召回率分别为100%和94.6%。

图11 柑橘树识别图

表1 经过一次卷积神经网络（CNN）识别及二次精确识别后的柑橘树识别结果

表2 柑橘树缺失识别结果

图12 细化检测后假阳性样本被精确识别

(a)改进处理前（第一次CNN处理），(b)改进处理后。颜色代表不同尺寸的冠层。

图13 细化检测后假阴性样本在被正确识别

(a)改进处理前（第一次CNN处理），(b)改进处理后。颜色代表不同尺寸的冠层。

图14 冠层面积计算

(a)矩形技术，(b)基于NDVI的图像分割技术（颜色代表不同尺寸的冠层）

表3 人工测量与算法计算的柑橘树冠层面积对比

图15 取值范围为0.5（绿色）到1（红色）单株柑橘树的NDVI图

图16 整个柑橘园中单株柑橘树的NDVI分布

图17 整个柑橘园中单株柑橘树的近红外(NIR)/红色（Red)分布

图18 整个柑橘园中单株柑橘树的面积分布（使用基于NDVI的图形分割技术）

这种基于无人机的技术为评价柑橘品种和砧木的表型性状提供了一种一致，更直接、经济、快速的方法。

Ampatzidis Y, Partel V. UAV-based high throughput phenotyping in citrus utilizing multispectral imaging and artificial intelligence. Remote Sensing, 2019, 11(4): 410.