Maize (Zea mays L.), one of the most important agricultural crops in the world, which can be devastated by lodging, which can strike maize during its growing season. Maize lodging affects not only the yield but also the quality of its kernels. The identification of lodging is helpful to evaluate losses due to natural disasters, to screen lodging-resistant crop varieties, and to optimize field-management strategies. The accurate detection of crop lodging is inseparable from the accurate determination of the degree of lodging, which helps improve field management in the crop-production process. An approach was developed that fuses supervised and object-oriented classifications on spectrum, texture, and canopy structure data to determine the degree of lodging with high precision. The results showed that, combined with the original image, the change of the digital surface model, and texture features, the overall accuracy of the object-oriented classification method using random forest classifier was the best, which was 86.96% (kappa coefficient was 0.79). The best pixel-level supervised classification of the degree of maize lodging was 78.26% (kappa coefficient was 0.6). Based on the spatial distribution of degree of lodging as a function of crop variety, sowing date, densities, and different nitrogen treatments, this work determines how feature factors affect the degree of lodging. These results allow us to rapidly determine the degree of lodging of field maize, determine the optimal sowing date, optimal density and optimal fertilization method in field production.

中文翻译：

---

基于UAV-RGB图像多特征因子和多种分类方法的玉米倒伏程度检测与分析

玉米（Zea maysL.），是世界上最重要的农作物之一，可因倒伏而遭受破坏，并可能在玉米的生长季节袭击玉米。玉米倒伏不仅影响产量，而且影响其籽粒的质量。倒伏的识别有助于评估自然灾害造成的损失，筛选抗倒伏的农作物品种并优化田间管理策略。准确检测农作物倒伏与准确确定倒伏程度密不可分，这有助于改善作物生产过程中的田间管理。开发了一种方法，将光谱，纹理和冠层结构数据上的有监督和面向对象的分类融合在一起，以高精度确定倒伏程度。结果表明，结合原始图像，在数字表面模型的变化和纹理特征方面，使用随机森林分类器的面向对象分类方法的整体精度最高，为86.96％（kappa系数为0.79）。玉米倒伏程度的最佳像素级监督分类为78.26％（kappa系数为0.6）。基于倒伏程度的空间分布与农作物品种，播种日期，密度和不同氮素处理的函数关系，这项工作确定了特征因素如何影响倒伏程度。这些结果使我们能够快速确定田间玉米的倒伏程度，确定田间生产中的最佳播种期，最佳密度和最佳施肥方法。使用随机森林分类器的面向对象分类方法的整体准确性最高，为86.96％（kappa系数为0.79）。玉米倒伏程度的最佳像素级监督分类为78.26％（kappa系数为0.6）。基于倒伏程度的空间分布与农作物品种，播种日期，密度和不同氮素处理的函数关系，这项工作确定了特征因素如何影响倒伏程度。这些结果使我们能够快速确定田间玉米的倒伏程度，确定田间生产中的最佳播种期，最佳密度和最佳施肥方法。使用随机森林分类器的面向对象分类方法的整体准确性最高，为86.96％（kappa系数为0.79）。玉米倒伏程度的最佳像素级监督分类为78.26％（kappa系数为0.6）。基于倒伏程度的空间分布与农作物品种，播种日期，密度和不同氮素处理的函数关系，这项工作确定了特征因素如何影响倒伏程度。这些结果使我们能够快速确定田间玉米的倒伏程度，确定田间生产中的最佳播种期，最佳密度和最佳施肥方法。26％（卡帕系数为0.6）。基于倒伏程度的空间分布与农作物品种，播种日期，密度和不同氮素处理的函数关系，这项工作确定了特征因素如何影响倒伏程度。这些结果使我们能够快速确定田间玉米的倒伏程度，确定田间生产中的最佳播种期，最佳密度和最佳施肥方法。26％（卡帕系数为0.6）。基于倒伏程度的空间分布与农作物品种，播种日期，密度和不同氮素处理的函数关系，这项工作确定了特征因素如何影响倒伏程度。这些结果使我们能够快速确定田间玉米的倒伏程度，确定田间生产中的最佳播种期，最佳密度和最佳施肥方法。