咖啡是全球三大主要飲料之一，具有重要的經濟價值。咖啡花的早期監測在開花調節，灌溉，產量預測和其他作物管理任務中至關重要。因此，準確識別咖啡花是更好地管理這些任務的關鍵。然而，常用的遙感平臺由于其較低的時空分辨率并不能實現對咖啡花這一類小目標作物的精準監測。

2020年10月，Plant Phenomics刊發了浙江大學遙感與信息技術應用研究所題為Coffee Flower Identification Using Binarization Algorithm Based on Convolutional Neural Network for Digital Images的研究論文，本文介紹了一種基于地面遙感延時圖像的咖啡花識別方法。為了實現種植園區中咖啡花的精準監測，本文采用基于地面遙感的高時空分辨率延時圖像，并將二值化算法和卷積神經網絡相結合，進而提取出圖像中所包含的咖啡花信息。

Figure1: The five flowering events. (a–e) represent the images acquired on March 7th,March 25th, April 11th, April 27th, and May 25th,2017, respectively.

Figure2: Binarization processing.(a) Original image. (b) Results of the binarization.

基于不同拍攝俯角以及不同光照條件下的圖像，將所提方法（Bin+CNN）和CNN以及基于超像素的SVM分類器進行對比分析，實驗結果表明Bin+CNN具有更好的咖啡花識別性能。基于Bin+CNN方法，在柔光條件下，拍攝俯角為52.5°圖像的咖啡花識別精度最高，對應的F1和IoU分別可以達到0.80和0.67。

Figure 3: Theidentification result of the image with depression angles of 52.5° under softlighting conditions using Bin+CNN model. (a)~(c) are the original images,ground truth maps, and the identification results of the Bin+CNN, respectively.

浙江大學遙感與信息技術應用研究所尉鵬亮博士生為第一作者，浙江大學遙感與信息技術應用研究所黃敬峰教授為通訊作者。該研究得到國家自然科學基金資助(41471277)，使用的數據來自于江蘇省無線電科學研究所有限公司。

論文鏈接

https://spj.sciencemag.org/journals/plantphenomics/2020/6323965/

——推薦閱讀——

Evaluating and Mapping Grape Color Using Image-Based Phenotyping

https://spj.sciencemag.org/journals/plantphenomics/2020/8086309/

Plant Phenomics | 使用基于圖像的表型分析法評估和映射葡萄顏色

Convolutional Neural Networks for Image-Based High-Throughput Plant Phenotyping: A Review

https://spj.sciencemag.org/journals/plantphenomics/2020/4152816/

Plant Phenomics 綜述 | 卷積神經網絡用于基于圖像的高通量植物表型綜述

About Plant Phenomics

《植物表型組學》（Plant Phenomics）是由南京農業大學和美國科學促進會（AAAS）合作創辦的英文學術期刊，于2019年1月正式上線發行，是Science合作出版的第二本期刊。采用開放獲取形式，刊載植物表型組學交叉學科熱點領域具有突破性科研進展的原創性研究論文、綜述、數據集和觀點。具體范圍涵蓋高通量表型分析的最新技術，基于圖像分析和機器學習的表型分析研究，提取表型信息的新算法，作物栽培、植物育種和農業實踐中的表型組學新應用，與植物表型相結合的分子生物學、植物生理學、統計學、作物模型和其他組學研究，表型組學相關的植物生物學等。期刊已被CABI、CNKI和DOAJ數據庫收錄。

說明：本文由《植物表型組學》編輯部負責組稿。中文內容僅供參考，一切內容以英文原版為準。

編輯：周燦彧（實習）、孔敏

審核：尹歡