Knowing before harvesting how many plants have emerged and how they are growing is key in optimizing labour and efficient use of resources. Unmanned aerial vehicles (UAV) are a useful tool for fast and cost efficient data acquisition. However, imagery need to be converted into operational spatial products that can be further used by crop producers to have insight in the spatial distribution of the number of plants in the field. In this research, an automated method for counting plants from very high-resolution UAV imagery is addressed. The proposed method uses machine vision—Excess Green Index and Otsu’s method—and transfer learning using convolutional neural networks to identify and count plants. The integrated methods have been implemented to count 10 weeks old spinach plants in an experimental field with a surface area of 3.2 ha. Validation data of plant counts were available for 1/8 of the surface area. The results showed that the proposed methodology can count plants with an accuracy of 95% for a spatial resolution of 8 mm/pixel in an area up to 172 m 2 . Moreover, when the spatial resolution decreases with 50%, the maximum additional counting error achieved is 0.7%. Finally, a total amount of 170 000 plants in an area of 3.5 ha with an error of 42.5% was computed. The study shows that it is feasible to count individual plants using UAV-based off-the-shelf products and that via machine vision/learning algorithms it is possible to translate image data in non-expert practical information.

中文翻译：

---

从非常高分辨率的航拍图像中自动计数作物

在收获之前了解已经出现了多少植物以及它们如何生长是优化劳动力和有效利用资源的关键。无人机 (UAV) 是一种有用的工具，可用于快速且具有成本效益的数据采集。然而，图像需要转换为可操作的空间产品，作物生产者可以进一步使用这些产品来了解田间植物数量的空间分布。在这项研究中，解决了一种从超高分辨率无人机图像中计算植物的自动化方法。所提出的方法使用机器视觉——Excess Green Index 和 Otsu 方法——以及使用卷积神经网络的迁移学习来识别和计数植物。综合方法已用于对表面积为 3.2 公顷的试验田中 10 周龄的菠菜植株进行计数。1/8 的表面积可获得植物计数的验证数据。结果表明，所提出的方法可以在高达 172 m 2 的区域内以 8 mm/像素的空间分辨率对植物进行计数，准确率为 95%。此外，当空间分辨率降低 50% 时，实现的最大附加计数误差为 0.7%。最后，以 42.5% 的误差计算了 3.5 公顷面积内的 170 000 株植物总数。该研究表明，使用基于无人机的现成产品对单个植物进行计数是可行的，并且通过机器视觉/学习算法可以将图像数据转换为非专家的实用信息。结果表明，所提出的方法可以在高达 172 m 2 的区域内以 8 mm/像素的空间分辨率对植物进行计数，准确率为 95%。此外，当空间分辨率降低 50% 时，实现的最大附加计数误差为 0.7%。最后，以 42.5% 的误差计算了 3.5 公顷面积内的 170 000 株植物总数。该研究表明，使用基于无人机的现成产品对单个植物进行计数是可行的，并且通过机器视觉/学习算法可以将图像数据转换为非专家的实用信息。结果表明，所提出的方法可以在高达 172 m 2 的区域内以 8 mm/像素的空间分辨率对植物进行计数，准确率为 95%。此外，当空间分辨率降低 50% 时，实现的最大附加计数误差为 0.7%。最后，以 42.5% 的误差计算了 3.5 公顷面积内的 170 000 株植物总数。该研究表明，使用基于无人机的现成产品对单个植物进行计数是可行的，并且通过机器视觉/学习算法可以将图像数据转换为非专家的实用信息。