基于深度學習的地塊尺度蔗田缺苗信息自動獲取

DOI：10.3969/j.issn.2095-1191.2025.01.004

摘要：【目的】提高蔗田缺苗信息自動獲取的自動化程度及精準度，為實現地塊單元的蔗田缺苗位置信息自動化獲取提供借鑒?！痉椒ā客ㄟ^無人機采集研究區蔗田影像并建立數據集，利用YOLOv8模型對蔗苗進行檢測識別，識別結果經矢量化、旋轉變換及聚類處理，獲取精確的作物行數和株距信息，并通過制作田間無缺苗理想情形下的蔗苗分布圖和實際缺苗位置點矢量點分布圖，以評估蔗田的整體缺苗情況?！窘Y果】YOLOv8模型識別蔗苗的準確率為98.84%，召回率為90.76%，平均精度為97.05%。即使在雜草分布較多的環境中，雜草遮擋會混淆蔗苗的視覺特征而增加檢測難度，YOLOv8模型也能較準確地識別出蔗苗。將蔗苗識別結果進行矢量化，采用空間分析的后處理方法實現作物行自動旋轉至豎直方向，再通過聚類處理、交叉點計算、坐標轉換等手段實現作物行數量、方向、行距及起點和終點的準確獲取，有效解決了不同地塊間及同一地塊內部的作物行狀況差異問題。在研究區的2個大面積地塊中隨機劃定形態、方位和面積各異的8個樣方（A～H），基于無缺苗情形的蔗苗標準分布模板分別計算8個樣方的缺苗率，結果顯示缺苗檢測模型的誤差分別為4.35%、2.98%、4.28%、2.91%、1.88%、0.51%、1.10%和1.51%。此外，根據缺苗檢測模型結果可獲取各樣方的缺苗位置坐標?！窘Y論】基于YOLOv8模型的自動化蔗苗檢測與缺苗率計算方法可快速、高效地處理大量圖像數據，具有較高的自動化程度與精度，適用于大范圍的蔗田缺苗檢測，且能提供具體的缺苗坐標。后續研究建議通過多尺度檢測提升模型召回率，采用滑動窗口裁剪圖像進行數據標注而降低漏檢問題，并擴充數據集以提高模型的泛化能力和魯棒性，有效提升蔗田缺苗檢測結果的穩定性和準確性。

關鍵詞：甘蔗；缺苗率；目標檢測；作物行識別；YOLOv8模型

中圖分類號：S127文獻標志碼：A文章編號：2095-1191（2025）01-0041-12

Deep learning based automatic acquisition of plot-scale seedling deficiency information in sugarcane fields

LINYu1，HUANG Qi-ting1，2*，FENG Yue-hua2，HE Xin-jie2，MACan-da2，SU Qiu-qun2，LIN Yao-jun2

（1College of Agriculture，Guizhou University，Guiyang，Guizhou 550025，China；2Agriculture Science and TechnologyInformation Research Institute，Guangxi Academy of Agricultural Sciences，Nanning，Guangxi 530007，China）

Abstract：【Objective】To improve the degree of automatic acquisition and accuracy of sugarcane fields seedling defi-ciency information，which could provide reference for the realization of automated extraction of sugarcane field seedling deficiency location information in plot units.【Method】Images of sugarcane fields in the study area were collected by un-manned aerial vehicle（UAV）and a dataset was created to detect and recognize sugarcane seedlings using the YOLOv8 model.The recognition results were vectorised，rotated and clustered to accurately calculate the number of rows and spa-cing information.Finally，the vector point distribution maps of sugarcane seedlings in the ideal situation of no seedling de-ficiency in the field and the actual distribution maps of seedling deficiency locations were produced to assess the overall seedling deficiency situation in sugarcane field.【Result】The YOLOv8 model identified sugarcane seedlings with an accu-racy of 98.84%，a recall of 90.76%，and an average precision of 97.05%.Even in environments with high weed distribu-tion，where weed occlusion could confuse the visual features of sugarcane seedlings and increase the detection difficulty，the YOLOv8 model was able to identify sugarcane seedlings accurately.The results of sugarcane seedling identificationwere vectorized，and the post-processing method of spatial analysis was used to automatically rotate the crop rows to the vertical direction，and then the number，direction，row spacing，and start and endpoints of the crop rows were accurately obtained by means of clustering，intersection calculation and coordinate conversion，which effectively solved the problem of differences in crop row conditions between different plots and within the same plot.In 2 large plots in the study area，8 sample sample plots（A-H）with different morphology，orientation and area were randomly designated，and the seedling deficiency rates of the 8 sample plots were calculated based on the standard distribution template of sugarcane seedlings without seedling deficiency，and the results showed that the errors of the seedling deficiency detection model were 4.35%，2.98%，4.28%，2.91%，1.88%，0.51%，1.10%，1.51%and 1.51%respectively.In addition，based on the results of the seedling deficiency detection model，the coordinates of the location of the seedling deficiency in each sample plot could be obtained.【Suggestion】The automated sugarcane seedling detection and seedling deficiency rate calculation method based on the YOLOv8 model can process a large amount of image data quickly and efficiently，with a high degree of automation and precision，and is suitable for detecting seedling shortage in a wide range of sugarcane fields，and can provide specific seedling deficiency coordinates.The follow-up study suggests to improve the model recall rate by multi-scale detection，to reduce the problem of missed detection by using sliding window cropping image for data annotation，and to expand the dataset to improve the generalization ability and robustness of the model，so as to effectively improve the stability and accuracy of the sugarcane seedling shortage detection results.

Key words：sugarcane；seedling deficiency rate；target detection；crop row recognition；YOLOv8 model

Foundation items：Guangxi Major Science and Technology Project（Guike AA22117004）；Science and Technology Development Project of Guangxi Academy of Agricultural Sciences（Guinongke 2017ZX04，Guinongke 2021JM16）

0引言

【研究意義】甘蔗作為我國南方地區重要的糖料作物和能源作物（郭啟陽，2023；丘剛瑋，2023），苗全、苗齊和苗壯是確保其產量和產值的關鍵要素（徐軍杰，2020）。甘蔗苗期的缺苗斷壟會造成單產降低，最終影響蔗田的整體效益，而準確獲取田間幼苗豐缺信息，并及時采取補苗等農藝措施對于實現甘蔗的高產栽培具有重要意義（陳光宇，2020）。當前，甘蔗缺苗監測主要依賴于勞動密集型的人工排查，存在耗時耗力、人為誤差較大等缺陷，且難以精準獲取甘蔗缺苗位置和缺苗率，因此，亟待研究智能化的缺苗信息提取技術以提高甘蔗缺苗監測的效率和準確性。【前人研究進展】近年來，隨著計算機視覺、圖像處理及人工智能等技術的迅速發展，智能化缺苗檢測在農業生產中已得到廣泛關注和推廣應用（白怡，2022；高嘉欣，2023；唐偉萍等，2023）。王永維等（2018）利用Otsu閾值分割對灰度圖像進行二值化處理并去除噪聲后，能為穴盤苗空穴自動補苗提供精確的幼苗信息與穴孔位置。Wen等（2021）基于機器視覺對托盤中的蔬菜苗進行識別，實現了通過蔬菜苗面積特征判別空缺蔬菜苗的情況。曹丹丹等（2023）通過采集正常光照、較強光照、苗葉越界及蛭石泛青4種條件下的缺苗穴位特征，利用YOLOv4模型進行訓練，結果顯示該檢測方法有效提高了缺苗穴位在復雜條件下的檢測適應性及準確率，為溫室穴盤育苗模式下的苗株生長管理及自動化作業提供了依據。伍維模等（2023）構建了針對幼苗期棉田圖像進行分類的小型卷積神經網絡模型，并證實該模型可有效區分幼苗期種植行上的地膜、缺苗穴及棉苗，展示了深度學習技術在精準獲取棉花種植行缺苗信息方面的卓越性能。在復雜的環境中，作物的行列分布受播種技術影響，常出現偏離作物行的情況；此外，田間的雜草分布也會影響缺苗信息獲取準確性。楊洋等（2018）基于機器視覺技術提取花生苗的中心坐標位置并計算總體缺苗率，但該方法在雜草與作物的準確分離及田間作業環境適應性方面尚存在局限性。可見，在復雜環境中獲取作物分布的基本信息和規律是影響缺苗信息獲取的關鍵，而實現這一目標就必須依靠高精度的作物識別技術。張宇等（2022）基于YOLOv4模型和雙重回歸算法解決了復雜環境下檀香樹植株缺苗檢測及定位的問題；Cui等（2023）利用低空無人機及深度學習模型對水稻田的秧苗空缺位置進行高精度識別和檢測，通過優化算法實現對水稻田缺苗信息的自動化檢測，展示了無人機技術在農情監測中的應用潛力；Wang等（2023）通過引入ASPP模塊強化YOLOv5模型對水稻幼苗的細節識別能力，有效提升了自然環境下的缺苗信息獲取精度；李尚平等（2024）構建了以改進DBSCAN聚類算法和PCA擬合算法為核心的宿根蔗作物行識別方法，并證實該方法作物行中心線上的缺苗位置識別準確率、召回率分別為91.9%和97.1%，可用于大尺寸復雜田間圖像上的宿根蔗智能缺苗定位；Zhao等（2024）在目標檢測階段引入改進的YOLOv8n模型，提升了幼苗特征識別能力，并通過質心檢測方法實現93.7%的缺苗檢測準確率?！颈狙芯壳腥朦c】盡管已有不少研究利用深度學習技術構建了不同作物的缺苗信息獲取模型，甚至實現了缺苗點位的自動標記（Wu et al.，2024），但現有的方法仍存在過度依賴先驗知識，以及需提前規劃無人機采集圖像路徑等問題，即作物缺苗信息獲取的自動化程度和精準度還有待進一步提高。甘蔗生長環境復雜，種植范圍廣闊，但目前針對甘蔗缺苗信息自動獲取的研究鮮見報道?！緮M解決的關鍵問題】以甘蔗為對象，通過引入不同目標檢測模型對蔗苗數據集進行檢測，結合矢量化和旋轉變化處理，在研究區提取株距、作物行分布情況并計算缺苗率，為實現地塊單元的蔗田缺苗位置信息自動化獲取提供借鑒。

1數據來源與研究方法

1.1數據來源

研究數據包括高分辨率無人機影像及地塊邊界矢量數據。研究區位于廣西崇左市扶綏縣渠黎鎮篤邦村的甘蔗種植示范區（22°31′34″N，107°46′33″E），面積約80 ha，種植品種桂糖42號。2023年3月9日13：00—17：00，利用大疆精靈4無人機對研究區進行航飛作業，飛行高度為25 m，航向重疊度和旁向重疊度分別為70%和80%，采用CGCS2000投影坐標，航飛時段內光照條件充足，采集圖像分辨率為5472×3648，蔗苗邊緣清晰，無大范圍運動模糊，能滿足后續的蔗苗信息提取要求。無人機圖像經幾何校正及拼接后得到的正射影像如圖1所示。在高分辨率無人機影像的基礎上，利用ArcGIS繪制研究區耕地的地塊邊界，獲得地塊邊界矢量數據，矢量數據的坐標投影參數與無人機影像保持一致。

1.2研究方法

研究方法主要分為影像采集與處理、數據標注與增強、蔗苗檢測模型訓練、作物行信息獲取、結合統計學策略的缺苗檢測及缺苗檢測算法精度驗證等6個部分。

1.2.1影像采集與處理首先，利用Pix4Dmapper將無人機采集圖像進行幾何校正及圖像拼接，并通過去噪和增強工具提高圖像質量，獲取蔗田的正射影像。然后，對正射影像進行格網切片，將大尺寸的遙感影像切分為一系列512×512像素的影像圖片，用于后續數據集的制作與處理。

1.2.2數據標注與增強從影像切片集中隨機選取20%切片圖像（約300張）作為樣本數據集，余下80%作為待檢測數據集。利用Labelimg 1.8.6對樣本數據集（切片圖像）中的蔗苗進行標注，即標注目標蔗苗的像素坐標及標簽GZM；將80%的標注文件劃分為訓練集，10%劃分為驗證集，10%劃分為測試集，用于后續目標檢測模型的訓練及精度驗證。為避免目標檢測模型因樣本數量、拍攝角度和色調等差異對模型精度的影響，引入銳化處理、仿射變換、亮度調整、色調調整及水平翻轉等一系列圖像增強方法對數據集進行增強擴充。

1.2.3蔗苗檢測模型訓練及精度評價甘蔗識別是實現缺苗定位研究的前提，而實現這一前提需要利用深度學習模型進行特征分析及提取。單階段目標檢測算法具有較高的處理效率，能快速獲取處理結果。因此，綜合考慮模型的運行效率及精度需求，選取單階段算法中具有代表性且較成熟的YOLOv8模型完成蔗苗識別定位。模型訓練參照Varghese和Sambath（2024）的方法，并采用平均精度（Average precision，AP）評估檢測模型性能。計算公式如下：

式中，TP為模型成功且正確檢測出含有甘蔗的圖像數量，FP為模型錯誤將無甘蔗預測為含有甘蔗的圖像數量，FN為模型未能檢測出實際含有甘蔗的圖像數量，P為準確率，R為召回率，AP為平均精度。

1.2.4作物行信息獲取

1.2.4.1檢測結果轉換與合并針對每張切片圖像的目標檢測結果，將包含蔗苗檢測框的中心點像素坐標視為對應蔗苗的位置坐標；根據整體影像—切片圖像—蔗苗位置三者間的像素坐標，以及影像的地理變換參數和投影信息，將蔗苗的位置坐標轉換為包含地理坐標的矢量點；將所有切片圖像的矢量點合并，生成整個研究區的矢量點，然后與研究區的地塊邊界矢量數據進行空間疊加和劃分，最終獲得每個地塊的蔗苗矢量點，為后續逐地塊的信息提取和計算提供支持。

1.2.4.2作物行方向與數量同一地塊內作物行在田間的排布總體上沿著同一方向分布。當某一地塊的矢量點以該地塊邊界的外接矩形左上角為坐標軸原點進行旋轉時，矢量點在X軸方向上的分布頻度（密度）也相應發生變化。當旋轉至作物行垂直于X軸時，作物行上的矢量點在X軸上的分布頻度最大，而非作物行上的矢量點分布頻度最小，分布頻度曲線以作物行的位置和數量形成多個波峰，此時X軸上分布頻度的方差達最大值。因此，以矢量點分布頻度的方差為地塊是否旋轉至最佳角度（垂直于X軸）的判別指標，當分布頻度的方差達最大值時，通過旋轉角度及分布頻度曲線有效峰數的計算，即可獲取作物行方向和數量。為確保計算結果的準確性，采用科技人員在田間實際統計的作物行數為驗證依據，評估以分布頻度判斷作物行數量的有效性。

1.2.4.3作物行位置與行間距在作物行旋轉至垂直于X軸的基礎上，采用改進的K-Means算法對矢量點進行聚類分析，以獲取作物行的準確位置和行間距信息。具體改進之處在于將傳統K-Means算法通過隨機生成聚類質心的方式改為可預先指定初始的聚類質心：將先前獲取的作物行數量設為聚類數量，分布頻度曲線各波峰對應的X軸位置視為各作物行的初始中心線位置，并將其設為每一簇的初始質心。通過統計聚類后各簇中矢量點的橫坐標均值，獲得各作物行中心線在X軸上的準確位置，并進一步計算獲取各作物行間的行間距。

1.2.4.4作物行始點與終點將獲取的作物行中心線坐標進行逆向旋轉，恢復原始坐標，通過求算作物行中心線與地塊矢量邊界的坐標交點，即可獲得作物行的始點和終點。

1.2.5結合統計學策略缺苗檢測首先，隨機抽取田塊中80%的矢量點，計算其與最鄰近點的歐氏距離，將歐氏距離排名前10%和排名后10%的偏大或偏小極端值剔除，對剩余的80%歐氏距離進行高斯擬合，求取平均株距。然后，利用已知各作物行的位置、方向、行間距、始點、終點及株距等信息，制作無缺苗情形下的蔗苗標準分布模板。最后，將1.2.3中的蔗苗識別結果轉為矢量點后，與無缺苗情形下的蔗苗標注分布模板進行匹配，確定標準分布模板中各蔗苗矢量點分布的閾值范圍；查找真實田塊中在該范圍內的蔗苗，若該范圍內不存在蔗苗，則記錄為缺苗點（圖2）；統計當前田塊中標記的缺苗點數量，計算缺苗點數量在標準模板下的比重，即獲得缺苗率，在此基礎上進一步獲取缺苗點的坐標。缺苗率計算公式如下：

Q（%）=×100（4）

式中，Q表示甘蔗田缺苗率；B表示田塊中標記的缺苗點總數，即實際田塊中未能正常生長或缺失蔗苗點的總數；A表示無缺苗情形下蔗苗標準分布模板中應有蔗苗點的總數。

1.2.6缺苗檢測算法精度驗證在研究區選擇不同形態和大小的若干樣方為試驗對象，全面評估算法在不同地塊特征下的表現并使用相關系數（R2）及均方根誤差（RMSE）為評價指標，對缺苗檢測算法的精度進行評價和驗證。

式中，mi表示第i個樣方中目視解譯的缺苗數，i表示第i個樣方中目視解譯的平均缺苗數，ci表示基于缺苗算法獲取第i個樣方中的缺苗數量，n為樣方數。

2地塊尺度蔗田缺苗信息自動獲取情況

2.1蔗苗識別

2.1.1 YOLOv8模型檢測結果利用1.2.2中經數據增強的樣本進行訓練，YOLOv8模型共成功識別出8120個幼苗位置，準確率為98.84%，召回率為90.76%，AP為97.05%。圖3展示了2種不同雜草分布情形對蔗苗識別的影響。在幾乎不存在雜草的環境中，YOLOv8模型能輕松檢測到蔗苗的位置（圖3-A）；在雜草分布較多的環境中，雜草遮擋會混淆蔗苗的視覺特征而增加檢測難度，但YOLOv8模型仍能較準確識別出蔗苗（圖3-B），為后續缺苗算法分析提供準確的信息。

2.1.2不同目標檢測網絡模型的性能比較為進一步驗證YOLOv8模型對田間蔗苗的識別性能，采用相同的樣本數據集在相同條件下對其他2種經典的單階段目標檢測算法（CenterNet和SSD）進行訓練和測試，以AP和每秒處理幀數（Frames per se-cond，FPS）為評價指標。其中，CenterNet算法通過預測每個目標的中心點及寬和高的尺寸而實現目標識別，是單階段算法中經典的無錨框目標識別算法（Duan etal.，2019）；SSD是一種高效的目標檢測算法，可在單次網絡傳遞中同時實現目標的快速識別和精確定位（Liu et al.，2016）。結果（表1）顯示，YOLOv8模型在蔗苗測試集上表現出色，具體表現為YOLOv8模型的AP為98.84%，明顯優于Center-Net算法（AP為91.84%）和SSD算法（AP為81.96%），說明YOLOv8模型在目標檢測任務中能更準確地識別和定位蔗苗，展示出更優越的識別能力；YOLOv8模型的FPS為77.26，略低于CenterNet算法的139.38和SSD算法的81.16。此外，YOLOv8模型在檢測框準確性和置信度等方面均優于CenterNet算法和SSD算法（圖4），進一步說明YOLOv8模型在存在雜草的田間環境下依然能有效識別蔗苗。

2.2作物行方向識別效果

將蔗苗矢量點以所屬田塊矢量邊界的外接矩形左下角為原點順時針進行旋轉，旋轉過程中矢量點在X軸上的分布頻度隨旋轉角度的變化而發生相應變化。以圖5所在地塊為例，圖5-B和圖5-D分別為矢量點未經旋轉處理及旋轉至任意角度時的分布頻度情況，無明顯規律；當矢量點逆時針旋轉至41°時，矢量點在固定距離區間內的分布頻度呈現明顯周期性（圖5-C）。此外，由圖5-A可看出，矢量點的分布頻度方差在41°時達最大值，此時旋轉角度為最優角度，作物行方向與X軸處于垂直狀態，據此可進一步計算出作物行的方向。綜上所述，作物行信息提取方法能實現作物矢量點最優旋轉角度及作物行方向的自動獲取。

2.3作物行數量、行間距及端點提取效果

2.3.1作物行數量提取在矢量點旋轉至垂直于X軸時，首先通過設定適宜濾波去除行間的零散蔗苗，消除行外噪點對作物行中心線擬合的干擾，蔗苗數量在水平方向上的分布情況如圖6所示。通過計算峰值點數量可確定研究區的作物行數量為58行。經檢驗，作物行識別數量與田間實際統計的作物行數量一致。

2.3.2作物行間距提取在獲取作物行數量后，利用改進的K-Means算法對矢量點進行聚類分析，將聚類的數量設為行數，即K=58，采用隨機選擇的初始質心并多次運行聚類，以提高獲得全局最優解的可能性。通過計算每個類別質心的橫坐標，能精準確定各作物行中心線在X軸上的位置，并據此計算出各作物行間的行間距。聚類分析完成后的可視化效果如圖7所示，圖中紅色虛線代表各簇的中心，虛線垂直于X軸，圖中作物行分布整齊有序，說明改進的K-Means算法在分隔作物行方面具有良好效果。2.3.3作物行起點和終點的確定由于受田間栽培方式及環境因素的影響，同一作物行內的蔗苗并未嚴格按照直線進行排布，因此常用其中心線來代表各作物行。在獲取各作物行中心線位置坐標及行間距的基礎上，通過逆向旋轉恢復原始坐標，并計算各作物行中心線與地塊邊界矢量的交點，即可獲得作物行的起點和終點。由圖8可知，通過明確作物行的起點和終點位置，即可精準界定不同地塊中的作物行布局，從而了解作物行在形狀多樣、規模不一蔗田中的分布情況。同時，獲取精確作物行邊界信息是進行后續缺苗率指標計算工作的基礎。

2.4作物株距統計學分析結果

將矢量點旋轉至作物行垂直于X軸后，對地塊內所有蔗苗矢量點進行一定比例的隨機抽取、排序和剔除，歐氏距離數據在去除極端值后的穩定性明顯增強，矢量點與其鄰近點間的歐氏距離變化較小。統計剩余矢量點與其歐氏距離最小點間在Y軸豎直方向上的距離，結果（圖9）顯示，蔗田中所有蔗苗與其相鄰近蔗苗間的垂直距離即平均株距（S（ˉ））為0.4 m，矢量點間最小歐氏距離的取值相對接近，且變化較平緩，說明相鄰矢量點間的歐氏距離基本一致，矢量點的整體分布較均勻。

2.5缺苗率計算及驗證結果

2.5.1缺苗檢測結果及缺苗坐標可視化根據作物行的位置、方向、行間距、起點、終點及平均株距等信息，繪制無缺苗狀態下的蔗苗標準分布模板；然后與YOLOv8模型檢測的蔗苗實際分布結果進行比對，以獲取地塊的缺苗信息；根據公式（4）計算得出，2塊蔗田的整體缺苗率分別為26.37%和19.21%，與傳統的人工目視解譯相比，缺苗檢測模型在計算時間上明顯減少，處理速度上更具優勢，檢測效率得到有效提升（表2）。將缺苗點的地理坐標導入ArcGIS進行可視化，能快速識別問題區域（圖10），有助于管理者及時采取補苗措施，確保甘蔗產量。

2.5.2缺苗檢測算法誤差分析與驗證我國南方地區的耕地破碎，耕作制度復雜，不同地塊在邊界形態、方位及面積等方面存在明顯差異。由于研究區屬于規模化的甘蔗種植基地，地塊形狀規則且面積較大，為驗證蔗田缺苗檢測模型在具有不同邊界蔗田中的檢測效果，在研究區的2個大面積地塊中隨機劃定形態、方位和面積各異的8個樣方（A～H），以代表不同的地塊類型。利用蔗田缺苗檢測模型分別對8個樣方進行缺苗檢測，結果如圖11所示。

在遙感分類和識別研究中，通常以人工目視解譯結果為真值，通過對比模型檢測結果與人工目視解譯結果，獲得各類精度指標，而對算法精度進行評估。將各樣方的缺苗檢測模型識別結果與人工目視解譯核實的缺苗株數進行對比，結果（表3）顯示，樣方E、樣方F和樣方G的缺苗檢測模型識別結果較人工目視解譯結果分別多出3、1和2株，其余樣方的缺苗檢測模型識別結果與人工目視解譯結果的誤差范圍在5～18株，且均高于人工目視解譯結果。

基于無缺苗情形的蔗苗標準分布模板分別計算8個樣方（A～H）的缺苗率，與人工目視解譯結果對比，缺苗檢測模型的誤差分別為4.35%、2.98%、4.28%、2.91%、1.88%、0.51%、1.10%和1.51%。進一步建立二者的回歸方程得知，R2=0.9931，RMSE=1.2046，表明模型檢測結果與實際測量值間存在顯著相關，具有較高的估測精度（圖12）。此外，根據缺苗檢測模型結果可獲取各樣方的缺苗位置坐標，如圖11所示。

3討論

深度學習技術在農業中的應用已成為數字農業研究的熱點，其中基于無人機高分辨率影像的作物缺苗信息自動化/智能化提取是當前數字農業研究的重要方向。在農業生產中，地塊的形態常因地理條件、歷史耕作方式及土地利用規劃等影響而呈現出不同的形狀和大小，如矩形、方形、長條形或狹長形等（趙馨等，2020），尤其是我國南方熱帶亞熱帶地區的耕地破碎，耕作制度復雜，不同地塊在面積和邊界形狀上存在明顯差異（孟慶巖等，2024）。地塊形態多樣性給大范圍的缺苗信息自動化提取帶來了巨大挑戰。以往的研究主要以單個地塊或作物分布模式相同區域為研究區，通常需要針對每個田塊單獨處理影像數據，但每個田塊可能需要不同的處理參數和算法，極大增加了數據處理的復雜性。對于大范圍應用，逐塊處理的方式不僅費時費力，還可能導致整體監測效率降低。為此，本研究通過無人機影像與地塊邊界矢量相結合、以地塊為單元的逐地塊計算方式，能較好地解決大范圍應用中的地塊形態差異問題。

作物行數量、方向、長度和行間距等信息的準確獲取是實現缺苗檢測的重要環節（趙弋秋，2022）。不同地塊的作物行狀況普遍存在差異，為解決作物行方向的差異問題，已有研究在數據獲取階段提前規劃好航飛路徑，以保證作物行方向與航飛方向平行，但這種方式在大面積的數據獲取中存在局限性（付靜，2019；趙靜等，2021；楊蜀秦等，2023）。此外，現有研究多以同一地塊的作物行長度相同為假設前提，很少關注地塊內部作物行的長度差異，而導致在作物行兩端（地塊邊界附近）極易出現漏檢、錯檢現象（蘇偉等，2018；Huang et al.，2020；郭祥雨和薛新宇，2021）。本研究首先將蔗苗識別結果進行矢量化，采用空間分析的后處理方法實現了作物行自動旋轉至豎直方向，再通過聚類處理、交叉點計算、坐標轉換等手段實現作物行數量、方向、行距及起點和終點的準確獲取，有效解決了不同地塊間及同一地塊內部的作物行狀況差異問題，同時無需前期飛行路線的人為規劃，降低了對田間調查等先驗知識的依賴程度，有效提高了大范圍信息提取的效率。

作物的準確識別和定位是缺苗檢測的關鍵（Heet al.，2022），而田間雜草是最常見、最主要的干擾因素之一。已有研究采用圖像分割技術在像素層面進行作物幼苗的識別和定位，主要是利用幼苗葉片或冠層在圖像上表現為綠色，與土壤背景顏色有明顯對比的特點（胡煉等，2013；García-Santilán et al.，2018）。由于雜草和作物幼苗在顏色上相似，基于圖像分割進行識別定位的方法易出現誤判或多判的現象，限制了該方法在有雜草地塊上的應用。此外，雜草干擾還會給基于Hough變換的作物行信息提取帶來計算量大、峰值檢測困難及誤差偏大等問題（王曉杰，2017；陳子文等，2019；王姍姍等，2020）。相對于直接以幼苗缺失位置為訓練樣本及預測目標的深度學習模型而言（張宇等，2022；Cui et al.，2023），雜草的存在極易導致漏檢、誤檢情況的發生，嚴重降低模型的缺苗識別和定位精度。本研究以蔗苗圖像為訓練樣本和識別目標，采用成熟的目標檢測方法，在蔗苗識別的基礎上通過一系列后處理獲取蔗田的缺苗信息，最大程度上避免了將雜草信息帶入缺苗信息提取的計算鏈條，有效降低了雜草的干擾。

傳統的人工目視解譯需耗費大量人力和時間，且易受主觀因素和視覺疲勞的影響；與人工目視解譯相比，基于YOLOv8模型的自動化蔗苗檢測與缺苗率計算方法是通過對矢量化結果進行旋轉并結合聚類分析和統計學策略，可快速、高效地處理大量圖像數據，具有較高的自動化程度與精度，適用于大范圍的缺苗信息檢測，且能提供具體的缺苗坐標，對于精細化農田管理和決策制定具有重要意義。該方法在缺苗率及缺苗坐標自動獲取方面已取得良好效果，但在實際應用過程中仍存在需要改進的地方，如航飛時風力造成的無人機抖動導致部分區域成像模糊，以及少量高大雜草對作物幼苗的遮擋，均給蔗苗的識別帶來困擾，進而影響缺苗率和缺苗坐標的準確獲取。因此，今后還需對檢測算法不斷進行優化，提高其抗干擾性能，有效提升缺苗檢測結果的穩定性和準確性。

4結論

基于YOLOv8模型的自動化蔗苗檢測與缺苗率計算方法可快速、高效地處理大量圖像數據，具有較高的自動化程度與精度，適用于大范圍的蔗田缺苗檢測，且能提供具體的缺苗坐標。后續研究建議通過多尺度檢測提升模型召回率，采用滑動窗口裁剪圖像進行數據標注而降低漏檢問題，并擴充數據集以提高模型的泛化能力和魯棒性，有效提升蔗田缺苗檢測結果的穩定性和準確性。

參考文獻（References）：

白怡.2022.基于無人機多源影像的玉米苗情遙感監測研究［D］.北京：中國農業科學院.［Bai Y.2022.Remote sen-sing monitoring of maize seedling based on UAV multi-source image［D］.Beijing：Chinese Academy of Agricul-tural Sciences.］doi：10.27630/d.cnki.gznky.2022.000417.

曹丹丹，朱玉桃，王寅初，張鑫宇，衛詠哲，崔永杰.2023.基于深度學習的穴盤苗缺苗穴位檢測［J］.農機化研究，45（3）：210-215.［Cao D D，Zhu Y T，Wang Y C，Zhang X Y，Wei Y Z，Cui Y J.2023.Detection of missing holes in plug seedlings based on deep learning［J］.Journal of Agri-cultural Mechanization Research，45（3）：210-215.］doi：10.13427/j.cnki.njyi.2023.03.007.

陳光宇.2020.甘蔗種植技術要點與田間管理措施淺析［J］.南方農業，14（33）：1-2.［Chen G Y.2020.Key points of sugarcane planting technology and field management mea-sures［J］.South China Agriculture，14（33）：1-2.］doi：10.19415/j.cnki.1673-890x.2020.33.001.

陳子文，李偉，張文強，李云伍，李明生，李慧.2019.基于自動Hough變換累加閾值的蔬菜作物行提取方法研究［J］.農業工程學報，35（22）：314-322.［Chen Z W，Li W，Zhang W Q，Li Y W，Li M S，Li H.2019.Vegetable crop row extraction method based on accumulation threshold of Hough transformation［J］.Transactions of the Chinese Society of Agricultural Engineering，35（22）：314-322.］doi：10.11975/j.issn.1002-6819.2019.22.037.

付靜，2019.基于無人機圖像的山區煙株數量統計方法與試驗［D］.貴陽：貴州大學.［Fu J.2019.Methods and experi-ments for counting the number of tobacco plants in moun-tainous areas based on UAV images［D］.Guiyang：Gui-zhou University.］

高嘉欣.2023.基于無人機圖像的玉米漏苗自動檢測方法研究［D］.大慶：黑龍江八一農墾大學.［Gao J X.2023.Research on automatic detection method of corn seedling leakage based on drone images［D］.Daqing：Heilongjiang Bayi Agricultural University.］doi：10.27122/d.cnki.ghlnu.2023.000124.

郭啟陽.2023.糖料蔗種植過程中存在問題分析及改進措施［J］.廣西糖業，43（2）：14-18.［Guo Q Y.2023.Problems and improvement measures in the planting process ofsugar cane［J］.Guangxi Sugar Industry，43（2）：14-18.］doi：10.3969/j.issn.1007-4732.2023.02.005.

郭祥雨，薛新宇.2021.基于機器視覺的水稻制種田導航線提取方法［J］.中國農機化學報，42（5）：197-201.［Guo XY，Xue X Y.2021.Extraction of navigation lines for rice seed farming based on machine vision［J］.Journal of Chi-nese Agrculture Mechanization，42（5）：197-201.］doi：10.13733/j.jcam.issn.2095-5553.2021.05.27.

胡煉，羅錫文，曾山，張智剛，陳雄飛，林潮興.2013.基于機器視覺的株間機械除草裝置的作物識別與定位方法［J］.農業工程學報，29（10）：12-18.［Hu L，Luo X W，Zeng S，Zhang Z G，Chen X F，Lin C X.2013.Plant recognition and localization for intra-row mechanical weeding device based on machine vision［J］.Transactions of the Chinese Society of Agricultural Engineering，29（10）：12-18.］doi：10.3969/j.issn.1002-6819.2013.10.002.

李尚平，鄭創銳，文春明，李凱華.2024.基于無人機RGB圖像的宿根蔗缺苗定位方法［J/OL］.農業機械學報.https：//link.cnki.net/urlid/11.1964.s.20241017.1251.002.［Li S P，Zheng C R，Wen C M，Li K H.2024.Method for locating missing ratoon sugarcane seedlings based on RGB images from unmanned aerial vehicles［J］.Transactions of the Chi-nese Society for Agricultural Machinery.https：//link.cnki.net/urlid/11.1964.s.20241017.1251.002.］

孟慶巖，杜弘宇，王莉萍，張琳琳，吳嘉豪，康佳琦.2024.城市植被遙感分類研究進展與展望［J］.浙江大學學報（農業與生命科學版），50（2）：190-199.［Meng Q Y，Du H Y，Wang L P，Zhang L L，Wu J H，Kang J Q.2024.Research progress and prospects of remote sensing classification of urban vegetation［J］.Journal of Zhejiang University（Agri-culture and Life Sciences），50（2）：190-199.］doi：10.3785/j.issn.1008-9209.2023.10.071.

丘剛瑋.2023.甘蔗品種優選及育種策略的信息化輔助決策［J］.廣西糖業，43（4）：24-29.［Qiu G W.2023.Informa-tion assisted decision-making for sugarcane variety selec-tion and breeding strategies［J］.Guangxi Sugar Industry，43（4）：24-29.］doi：10.3969/j.issn.1007-4732.2023.04.007.

蘇偉，蔣坤萍，閆安，劉哲，張明政，王偉.2018.基于無人機遙感影像的育種玉米壟數統計監測［J］.農業工程學報，34（10）：92-98.［Su W，Jiang K P，Yan A，Liu Z，Zhang M Z，Wang W.2018.Monitoring of planted lines for breeding corn using UAV remote sensing image［J］.Transactions ofthe Chinese Society of Agricultural Engineering，34（10）：92-98.］doi：10.11975/j.issn.1002-6819.2018.10.011.

唐偉萍，黃欣，陳泳锨.2023.基于深度學習的甘蔗生長監測模型設計［J］.廣西糖業，43（3）：14-19.［Tang W P，Huang X，Chen Y X.2023.Design of sugarcane growth monito-ring model based on deep learning［J］.Guangxi Sugar Indus-try，43（3）：14-19.］doi：10.3969/j.issn.1007-4732.2023.03.005.

王姍姍，余山山，張文毅，王興松.2020.基于特征點鄰域Hough變換的水稻秧苗行檢測［J］.農業機械學報，51（10）：18-25.［Wang S S，Yu S S，Zhang W Y，Wang X S.2020.Detection of rice seedling rows based on Houghtransform of feature point neighborhood［J］.Transaction ofthe Chinese Society for Agriculture Machinery，51（10）：18-25.］doi：10.6041/j.issn.1000-1298.2020.10.003.

王曉杰.2017.基于機器視覺的農田作物行檢測方法研究［D］.焦作：河南理工大學.［Wang X J.2017.Study on crop rows detection with machine vision［D］.Jiaozuo：Henan Polytechnic University.］

王永維，肖璽澤，梁喜鳳，王俊，武傳宇，徐健康.2018.蔬菜穴盤苗自動補苗試驗臺穴孔定位與缺苗檢測系統［J］.農業工程學報，34（12）：35-41.［Wang Y W，Xiao X Z，Liang X F，Wang J，Wu C Y，Xu J K.2018.Plug hole positioning and seedling shortage detecting system on automatic seed-ling supplementing test-bed for vegetable plug seedlings［J］.Transactions of the Chinese Society of Agricultural Engineering，34（12）：35-41.］doi：10.11975/j.issn.1002-6819.2018.12.005.

伍維模，呂雙慶，趙長巍，羅新寧.2023.基于小型卷積神經網絡的南疆棉花圖像分類［J］.智慧農業導刊，3（8）：17-23.［Wu W M，LüS Q，Zhao C W，Luo X N.2023.Image clas-sification of cotton in Southern Xinjiang based on small convolutional neural network［J］.Journal of Smart Agricul-ture，3（8）：17-23.］doi：10.20028/j.zhnydk.2023.08.004.

徐軍杰.2020.甘蔗種植技術與田間管理方法［J］.鄉村科技，11（31）：103-104.［Xu J J.2020.Sugarcane planting tech-nology and field management methods［J］.Rural Science and Technology，11（31）：103-104.］doi：10.3969/j.issn.1674-7909.2020.31.052.

楊蜀秦，林豐山，徐鵬輝，王鵬飛，王帥，寧紀鋒.2023.基于無人機遙感影像的多生育期冬小麥種植行檢測方法［J］.農業機械學報，54（2）：181-188.［Yang S Q，Lin F S，Xu P H，Wang P F，Wang S，Ning J F.2023.Planting row detec-tion of multi-growth winter wheat field based on UAV remote sensing image［J］.Transaction of the Chinese So-ciety for Agriculture Machinery，54（2）：181-188.］doi：10.6041/j.issn.1000-1298.2023.02.017.

楊洋，苗偉，張鐵，楊學軍，劉路，陳黎卿.2018.基于圖像自適應分類算法的花生出苗質量評價方法［J］.農業機械學報，49（3）：28-35.［Yang Y，Miao W，Zhang T，Yang X J，Liu L，Chen L Q.2018.Quality evaluation method of pea-nut seeding based on image adaptive classification algo-rithm［J］.Transaction of the Chinese Society for Agricul-ture Machinery，49（3）：28-35.］doi：10.6041/j.issn.1000-1298.2018.03.003.

張宇，徐浩然，牛家俊，涂淑琴，趙文鋒.2022.基于YOLOv4和雙重回歸的復雜環境檀香樹缺苗定位方法［J］.農業機械學報，53（11）：299-305.［Zhang Y，Xu H R，Niu J J，Tu S Q，Zhao W F.2022.Missing seedling localization me-thod for sandalwood trees in complex environment based on YOLOv4 and double regression strategy［J］.Transac-tion of the Chinese Society for Agriculture Machinery，53（11）：299-305.］doi：10.6041/j.issn.1000-1298.2022.11.030.

趙靜，曹佃龍，蘭玉彬，潘方江，溫昱婷，楊東建，魯力群.2021.基于FCN的無人機玉米遙感圖像壟中心線提?。跩］.農業工程學報，37（9）：72-80.［Zhao J，Cao T L，Lan Y B，Pan F J，Wen Y T，Yang D J，Lu L Q.2021.Extrac-tion of maize field ridge centerline based on FCN with UAV remote sensing images［J］.Transactions of the Chi-nese Society of Agricultural Engineering，37（9）：72-80.］doi：10.11975/j.issn.1002-6819.2021.09.009.

趙馨，周忠發，王玲玉，駱劍承，孫營偉，劉巍，吳田軍.2020.喀斯特山區石漠化耕地遙感精準提取與分析——以貴州省北盤江鎮與花江鎮為例［J］.熱帶地理，40（2）：289-302.［Zhao X，Zhou Z F，Wang L Y，Luo J C，Sun Y W，Liu W，Wu T J.2020.Extraction and analysis of cultivated land experiencing rocky desertification in karst mountain areas based on remote sensing—A case study of Beipan-jiang Town and Huajiang Town in Guizhou Province［J］.Tropical Geography，40（2）：289-302.］doi：10.13284/j.cnki.rddl.003233.

趙弋秋.2022.基于無人機影像的大豆苗情快速檢測方法研究［D］.鄭州：河南農業大學.［Zhao Y Q.2022.Research on rapid detection method of soybean seedling growth information based on UAV images［D］.Zhengzhou：Henan Agricultural University.］doi：10.27117/d.cnki.ghenu.2022.000361.

Cui J R，Zheng H，Zeng Z W，Yang Y L，Ma R J，Tian YY，Tan J W，Feng X，Qi L.2023.Real-time missing seedling counting in paddy fields based on lightweight network and tracking-by-detection algorithm［J］.Computers and Elec-tronics in Agriculture，212：108045.doi：10.1016/j.compag.2023.108045.

Duan K W，Bai S，Xie L X，Qi H G，Huang Q M，Tian Q.2019.CenterNet：Keypoint triplets for object detection［C］//Insti-tute of Electrical and Electronics Engineers.International Conference on Computer Vision（ICCV）：6568-6577.doi：10.1109/ICCV.2019.00667.

García-Santilán I，Guerrer M J，Montalvo M，Pajares G.2018.Curved and straight crop row detection by accumulation of green pixels from images in maize fields［J］.Precision Agriculture，19（1）：18-41.doi：10.1007/s 11119-016-9494-1.

He R R，Luo X W，Zhang Z G，Zhang W Y，Jiang C Y，Yuan B X.2022.Identification method of rice seedlings rows based on gaussian heatmap［J］.Agriculture，12（10）：1736.doi：10.3390/agriculture 12101736.

Huang S P，Wu S H，Sun C，Ma X，Jiang Y，Qi L.2020.Deep localization model for intra-row crop detection in paddy field［J］.Computers and Electronics in Agriculture，169：105203.doi：10.1016/j.compag.2019.105203.

Liu W，Anguelov D，Erhan D，Szegedy C，Reed S，Fu C Y，Berg A C.2016.SSD：Single shot multibox detector［C］//Leibe B，Matas J，Sebe N，Welling M.Computer Vision-ECCV 2016.Berlin：Springer.doi：10.1007/978-3-319-46448-0_2.

Varghese R，Sambath M.2024.YOLOv8：A novel object detec-tion algorithm with enhanced performance and robustness［C］//Institute of Electrical and Electronics Engineers.International Conference on Advances in Data Engineering and Intelligent Computing Systems（ADICS）：1-6.doi：10.1109/ADICS58448.2024.10533619.

Wang Y，Fu Q，Ma Z，Tian X，Ji Z G，Yuan W S，King Q M，Gao R，Su Z B.2023.YOLOv5-AC：A method of uncre-wed rice transplanter working quality detection［J］.Agro-nomy，13（9）：2279.doi：10.3390/agronomy 13092279.

Wen Y S，Zhang L A，Huang X M，Yuan T，Zhang J X，Tan Y Z，Feng Z B.2021.Design of and experiment with seed-ling selection system for automatic transplanter for vege-table plug seedlings［J］.Agronomy，11（10）：2031.doi：10.3390/agronomy 11102031.

Wu S L，Ma X G，Jin Y X，Yang J D，Zhang W H，Zhang H M，Wang H L，Chen Y，Lin C X，Qi L.2024.A novel method for detecting missing seedlings based on UAV images and rice transplanter operation information［J］.Computers and Electronics in Agriculture，229：109789.doi：10.1016/j.compag.2024.109789.

Zhao B，Zhang Q F，Liu Y C，Cui Y Z，Zhou B X.2024.Detec-tion method for rice seedling planting conditions based on image processing and an improved YOLOv8n model［J］.Applied Sciences，14（6）：2575.doi：10.3390/app 14062575.

（責任編輯：蘭宗寶）