ISPRS 2023|使用具有先进交叉绕斜路线的 UAV RGB 相机，通过重建的精确 3D 冠层结构对器官规模性状进行高通量计算

最新推荐文章于 2026-08-20 15:32:25 发布

原创最新推荐文章于 2026-08-20 15:32:25 发布 · 1.5k 阅读

本内容遵循CC 4.0 BY-SA版权协议

题目：High-throughput calculation of organ-scale traits with reconstructed accurate 3D canopy structures using a UAV RGB camera with an advanced cross-circling oblique route

原文：High-throughput calculation of organ-scale traits with reconstructed accurate 3D canopy structures using a UAV RGB camera with an advanced cross-circling oblique route - ScienceDirect

1 背景

大规模田间器官尺度性状（如叶长、叶宽）测量难。使用激光雷达精度高但成本太高难以普及。传统无人机路线（如FDO）视角有限，重建的作物3D模型模糊，无法获取精细性状。本文提出一种交叉盘旋倾斜（CCO）路线，对玉米、棉花和甜菜的作物3D冠层进行了重建，首次实现大规模田间作物 3D 结构精准重建。

2 材料与方法

2.1 实验设计

三个实验站点位于中国三个省份，种植的作物类型不同（见图 1a 和 1b）。甜菜材料种植于中国内蒙古自治区凉城县内蒙古自治区生物技术研究院凉城实验农场（东经 112°15′，北纬 40°50′）。田间试验于 2021 年 5 月 18 日播种，共种植 100 个甜菜品种，采用相同的田间管理方式（见图 1c）。玉米材料种植于中国河南省新乡市中国农业科学院农田灌溉研究所（东经 113°51′，北纬 35°18′），田间试验于 2022 年 6 月 15 日播种，共种植 10 个玉米品种，每个品种设 3 次重复（见图 1c）。棉花材料种植于中国河北省廊坊市中国农业科学院国际农业高新技术产业园（东经 116°36′，北纬 39°36′），田间试验于 2022 年 5 月 1 日播种，共种植 30 个棉花品种，每个品种设 2 次重复（见图 1c）。

图 1.三个省份之间的三个外地位置概况：（a）中国境内三个省份的位置;（b）三种作物的三个研究地点的相对位置;（c）凉辰市甜菜样地、廊坊市棉花样地、新乡市玉米地块正射马赛克图像。

在采集无人机数据前，先进行植株人工测量。对于甜菜，从每个小区中随机选取一片叶片，用白色标签做标记，并人工测量其长度和宽度。对于棉花和玉米，从每个小区的上部、中部和下部各选取一片叶片，用白色标签做标记，并人工测量其长度和宽度。此外，对于棉花和玉米，从每个小区中随机选取 3 株植株，计算其平均高度，作为该小区的实测高度。本研究中三个实验站点的详细信息及田间实测数据如表 1 所示。

作物品种	播种日期	品种数量	小区数量	小区大小	人工测量指标	数据用途
玉米	2022.5.1	60 个	60 个	3 米 ×0.6 米	株高、叶长及叶宽	CCO 生成的 3D 模型精度评估
棉花	2.22.6.15	10 个	30 个	2 米 ×4 米	株高、叶长及叶宽	CCO 生成的 3D 模型精度评估
甜菜	2021.5.18	100 个	100 个	1.2 米 ×2.3 米	叶长及叶宽	CCO 与 FDO 路线的图像利用率及模型精度对比

表 1.本研究中三个实验地点的描述

2.2 交叉环绕倾斜（CCO）路线

交叉盘旋倾斜路线（cross-circling oblique CCO）由多个单圆路线组成（图2），其重叠情况分为intra-circle overlap（圈内重叠，指单圆路线内图像之间的重叠）和 inter-circle overlap（圈间重叠，指相邻单圆路线重建区域之间的重叠）。以具有代表性的设置为例（图2），当展示一个由四个单圆组成的 CCO 路线时，其圈间重叠为 50% ，此时相邻圆形路线的 inscribed squares（内接正方形）相互接触，能达到较好的覆盖效果。在实际应用中，为保证重建效果，CCO 路线的圈内和圈间最小重叠率均为 50%，低于该值可能导致重建失败。

图 2.CCO路线俯视图。黑色圆圈代表无人机实际飞行轨迹，红色区域为内接正方形区域，即CCO 路线实际覆盖的目标作物区。绿色区域为最优重建区域，是多个飞行圆重叠后，图像质量最高、3D 重建效果最好的区域（重叠越多，特征点匹配越准）。

图 3.CCO路线侧视图。黑色椭圆为无人机实际飞行轨迹。红色长条为相邻飞行圈的图像重叠区。红色虚线为镜头中心光线。

2.2 参数确定方式

CCO 路线的高度（H）、相机倾斜角（θ）、圈内重叠率和圈间重叠率也需根据任务需求确定。

（1）高度（H）是相对于数字表面模型（DSM）的相对高度，由任务所需的地面采样距离（GSD）决定，计算公式为：

$H=(f*GSD)/(a*\sin \theta )$

其中 $f$ 为焦距， $a$ 为像素大小， $\theta$ 是镜头倾斜角

（2）盘旋半径（R）计算公式为：

$R=H/\tan \theta$

（3）圈内重叠（IAO）是无人机沿单个圆圈飞行时，相邻两张图像的重叠比例。计算公式为：

$IAO=(FOV-360/IA)/FOV$

其中 $FOV$ 为镜头的视场角， $IA$ 是单圆内获取的图像数量

（4）相邻圆中心间距（D）计算公式为：

$D=\frac{\frac{H}{\tan \theta }-H*\tan (90-\theta -\partial )}{ITO}$

ITO为圈间重叠（设置为50%）； $\partial =\tan^{-1}\left ( y/2*f \right )$ ，y是传感器在 y 方向的物理尺寸

根据上述公式，结合不同作物的株型特点，设置了 CCO 路线的具体参数（表 1）。对于玉米，由于其叶片窄且弯曲，遮挡严重，设置了较高的圈内重叠（90%）；对于棉花，其冠层密度较高，设置了适中的圈内重叠（85%）；对于甜菜，其冠层相对平坦，设置了较低的圈内重叠（82%）。

作物品种	半径（R，米）	高度（H，米）	圈内重叠（IAO，%）	圈间重叠（ITO，%）	单圆图像数量（IA）
玉米	4.0	4.0	90	50	10
棉花	3.5	4.0	85	50	9
甜菜	3.0	4.0	82	50	8

表 1.CCO 路线的具体参数

2.3 无人机数据采集

本研究采用大疆精灵4 RTK无人机（1391 g，搭载5472×3648像素RGB相机，支持分米级定位）采集图像，低风速天气作业；针对玉米和棉花，以CCO路线采集三个时期数据用于精度验证，针对甜菜，于播种后102天用CCO与FDO路线采集数据用于图像利用率评估。CCO路线参数设计如下：相机视角45°，冠层上方4 m飞行以实现1.5 mm/像素GSD；圈内重叠率依冠层复杂度设定（甜菜82%、棉花85%、玉米90%），圈间重叠率50%；通过Waypoint Master软件导入KML和DSM文件生成路线，自动飞行速度5 m/s，图像拍摄间隔0.12–0.2秒。FDO路线同样通过该软件生成，采用相同KML和DSM，含天底及四向倾斜摄影，沿向和交叉重叠率分别为80%、70%，其他设置同CCO路线。详细参数如表 2 所示。

作物类型	无人机数据采集时间	无人机飞行路线	重叠率	飞行高度（冠层上方）
棉花	2022 年 6 月 17 日（47 DAS）；2022 年 7 月 11 日（71 ADS）；2022 年 7 月 30 日（90 DAS）	CCO	圈内重叠：85%；圈间重叠：50%	4 米
玉米	2022 年 7 月 24 日（39 DAS）；2022 年 8 月 15 日（61 DAS）；2022 年 9 月 1 日（ 78 DAS）	CCO	圈内重叠：90%；圈间重叠：50%	4 米
甜菜	2021 年 8 月 28 日（102 DAS）	CCO	圈内重叠：82%；圈间重叠：50%	4 米
		FDO	沿向重叠：80%；交叉重叠：70%	4米（倾斜摄影），5 米（天底摄影）

表 2.所有作物的两条路线的参数;DAS 表示播种后的日期。

图 4.（a）甜菜和（b）玉米的 CCO 路线;白色航点的相机从各个方向面向地块，距离地面 4 m，为 45°。（c）甜菜的FDO途径;白色航点从前、后、左、右方向为45°，距地面4m。棕色航点面向地面 90°，距地面 5 m。

2.4 数据分析

CCO 路线与 FDO 路线生成的 3D 冠层模型精度对比评估、两种路线图像利用率对比以及基于 CCO 路线生成的 3D 冠层模型的作物高度动态表征的工作流程如图 5 所示。从无人机图像序列重建冠层 3D 模型，对生成的点云数据进行预处理（包括去除土壤点、点云去噪和小区分割），得到单小区点云。通过人工分割提取不同冠层高度的标记叶片点云，估算株高、叶长和叶宽等器官尺度性状，并与人工测量结果对比，以评估 3D 冠层模型的精度。基于 CCO 路线生成的 3D 冠层模型估算作物高度的动态变化。2.5 节中利用不同冠层高度的标记叶片点云和估算的叶角对比 CCO 路线与 FDO 路线的图像利用率。

图 5.用于CCO衍生和FDO衍生的3D冠层模型的精度比较和评估的数据分析工作流程;CCO 和 FDO 路线之间的图像利用比较以及 CCO 衍生的 3D 冠层模型对作物高度的动态表征。灰色矩形表示所使用的算法。

2.4.1 基于无人机图像序列的 3D 冠层结构重建

使用 Agisoft Metashape Professional Edition（俄罗斯圣彼得堡 Agisoft LLC；1.7.3 版本）处理无人机图像序列。该商用软件采用标准的 SfM-MVS 工作流程，在像素坐标系（CS）中识别独特的图像关键点并分配关键点描述符。尽管由于图像采集时间较长，光照条件有所变化，但 Metashape 能够在视角和光照变化情况下生成稳定的描述符。利用这些关键点和描述符估算相机参数和位置，软件从具有准确经纬度和高程信息的多视角图像集中生成实际尺寸的稀疏点云。最后，采用 MVS 方法进行稠密点云重建，将点密度提高一个数量级以上。为获取高密度、高精度的点云，图像对齐和稠密云构建选项均选择 “高”，这是针对植被的明确推荐设置。随后，将两种路线的稠密点云导出为 UTM 49N 坐标系。

2.4.2 冠层点云预处理

采用基于坡度的滤波方法去除土壤点，然后通过统计滤波消除噪声点。该算法使用 Python 3.5和 Open3D 库实现。根据实验设计布局中的位置，将各个小区均匀划分。该过程分为两步：首先，人工确定整个区域（30 个小区）的四个角坐标；然后，基于这四个角坐标以及区域内的行列数（30 个小区，5 行 6 列），使用 R 4.0 版本（R Core Team，2021）中的 sf和 raster包建立与小区编号对应的空间多边形（30 个多边形）。接着，基于 Python，使用 Whitebox Tools 库，通过空间多边形将稠密点云依次分割为点云小区（30 个小区）。

2.4.3 器官尺度性状估算与精度评估

估算甜菜的叶长和叶宽，并与人工测量结果对比，以评估 CCO 路线和 FDO 路线生成的 3D 模型精度。此外，从 CCO 路线生成的 3D 模型中估算玉米和棉花不同层次的叶长和叶宽，以验证 CCO 路线在不同作物上的精度。通过人工分割获取不同冠层高度的标记叶片点云，并对叶片点云进行网格化处理。叶长定义为从叶基到叶尖的表面距离，叶宽定义为垂直于叶长方向的最大表面距离。为验证 CCO 路线重建的 3D 冠层模型精度并避免算法引入误差，上述步骤在 Geomagic Studio 2013 软件（美国南卡罗来纳州 3D Systems 公司）中手动完成。采用决定系数（ $R^{2}$ ；公式 7）、均方根误差（RMSE；公式 8）和相对均方根误差（rRMSE；公式 9）将估算性状与人工测量结果进行对比。

其中，n 为验证样本数量， $y_{i}$ 为人工测量值， $\hat{y}_{i}$ 为估算值， $\overline{y_{i}}$ 为人工测量值的平均值。

叶角定义为从叶基指向叶中脉（距叶基 1/2 叶长处）的向量与垂直方向的夹角。人工选取叶基和叶尖点，并将叶基点平移至原点。接着，将叶中脉绕叶基点旋转至 x 轴正方向，旋转角度由叶基到叶尖点在水平面（xoy 平面）的植物点云方向确定。旋转叶片点云后，计算叶基和叶尖在 x 轴上的中点。叶角为从叶基点指向叶中脉中点投影点的向量与垂直方向的夹角。这些步骤使用 Python 的 Open3D 库实现。

2.4.4 基于 CCO 路线生成的 3D 冠层模型的作物高度动态表征

从 CCO 路线生成的 3D 冠层模型中估算玉米在 39 和 61 DAS 以及棉花在 71 DAS 的株高，并与人工测量结果对比。然后从 CCO 路线生成的 3D 冠层模型中估算 10 个品种的玉米和棉花在三个生长阶段的株高。株高定义为茎基部点与第 99 百分位高度之间的距离。

2.5 CCO 路线与 FDO 路线的图像利用率对比

2.5.1 图像利用率计算的拟议工作流程

图像利用率（IU）是包含感兴趣区域的图像占图像总数的比例。本研究提出了一种工作流程，用于评估 CCO 路线相对于 FDO 路线的图像利用率（图 6）。

图 6.计算单个地块的CCO路线的图像利用率示意图。（a、b）工作流程背景;（a）选择标记的叶点云作为感兴趣区域，而不是整个地块;（b）标记的叶片点云的三种图像。（c-f）所提出的计算图像利用率的工作流程：（c）回溯功能，用于确定图像是否与标记的叶子相关;（d）区分有效和无效图像;（f）地块内标记叶子的三种图像的工作流程结果;（e）三个量化指标，用于评估不同路线上的图像利用率。

在 SfM-MVS 算法中，3D 点云由多个视角拍摄的 2D 图像重建而成，但只有部分图像包含感兴趣区域的相关信息。选取标记叶片上的白色区域（图 6a）作为感兴趣区域。该拟议工作流程有效区分了不同类型的 2D 图像：与白色区域无关的无关图像（图 6b，视角 1）、包含白色区域信息的有效图像（图 6b，视角 2）以及白色区域被遮挡的无效图像（图 6b，视角 3）。

经过该工作流程处理（回溯函数图 6c与有效 / 无效图像区分图6d）后，得到一个小区内白色区域的三种类型图像（图 6f）。定义三个指标（图 6e）量化单小区内两种路线的图像利用率，即总利用率（TU）、有效利用率（EU）和遮挡率（OR）。TU 表示不考虑遮挡的图像利用率，EU 表示考虑遮挡的图像利用率，OR 表示遮挡率。其定义如下：

其中，n 和 N 分别为小区总数（两种路线均为 100 个）和采集的图像总数（FDO 路线 1786 张，CCO 路线 1431 张）。 $N_{\text{Total}}$ 为一个小区内标记叶片的有效图像和无效图像之和。 $N_{\text{Valid}}$ 为一个小区内标记叶片的有效图像数量。 $N_{\text{Invalid}}$ 为一个小区内标记叶片的无效图像数量。N/n 原则上表示每条路线分配给一个小区的图像数量。

2.5.2 图像利用率计算的实现

算法 1 概述了本研究提出的图像利用率计算方法。感兴趣区域定义为标记叶片白色区域的 3D 点云，统计两种路线的无效图像和有效图像数量。提出三个指标量化两种路线的图像利用率。该算法包括四个步骤：
a) 人工获取白色区域四个顶点的 3D 坐标；
b) 使用回溯函数（图 6c，详见 2.5.3 节）计算与白色区域对应的检索图像集（包括有效图像和无效图像）。回溯函数生成四个点对应的四个图像集，这些集合的交集即为白色区域的回溯图像集；
c) 区分有效图像和无效图像，计算图像上四个回溯点区域的最小外接矩形。将外接矩形旋转至水平位置，计算白色像素占矩形总像素的比例。若白色像素比例大于或等于阈值 D，则该图像视为有效图像；否则为无效图像。为提高客观性，D 值从 0.5 以 0.1 为间隔增加到 0.9，因为 D 值小于 0.5 的有效图像包含的信息较少；
d) 计算 TU（公式 4）、EU（公式 5）和遮挡率（OR）。

2.5.3. 图像利用率算法中的回溯函数

回溯函数的目的是将重建的 3D 点 P 回溯到包含该点信息的多个 2D 图像。本研究中导出的 3D 点 P 采用 UTM 49N 坐标系。流程如下：

（1）坐标系转换：首先将点 P 从 UTM 49N 坐标系（研究中用的平面坐标系）转换为地心坐标系（地球中心为原点的全球坐标系），然后根据比例因子、旋转矩阵和平移矩阵进一步转换为内部坐标系（软件或项目自定义的局部坐标系）。

（2）获取相机参数：3D 重建后，可从 Agisoft Metashape 中获取每张图像的姿态（相机内参和外参）和畸变系数。

（3）转换到相机坐标系：使用相机外参矩阵将点 P 转换到每张图像的相机坐标系（公式 4）。

（4）畸变校正与像素坐标计算：对 z 坐标归一化后，基于切向和径向畸变系数校正 P 的坐标（公式 8）。最后，使用相机内参获取 P 的像素坐标。

（5）筛选回溯图像：若 P 的像素坐标范围在原始图像范围内，则该图像视为 P 的回溯图像。遍历所有图像后，满足回溯条件的图像总数即为 $N_{\text{Total}}$ 。

其中，Xw、Yw、Zw 为内部坐标系下的坐标；R 和 t 分别为 3×3 旋转矩阵和 3×1 平移矩阵；Xc、Yc、Zc 为相机坐标系下的坐标。

其中， $X$ 和 $Y$ 为归一化相机坐标，距相机成像平面的距离为 1； $X'$ 和 $Y'$ 为畸变校正后的坐标； $r^{2}=X^{2}+Y^{2}$ ； $k_{1}$ 、 $k_{2}$ 和 $k_{3}$ 为径向畸变系数； $p_{1}$ 、 $p_{2}$ 为切向畸变系数。

其中，u、v 为像素坐标；焦距 f 为相机焦点到成像平面的距离；dx、dy 分别为 x 方向和 y 方向上单个像素的实际尺寸；cx、cy 为光学中心（像中心）的位置。

3 结果

3.1 CCO 路线与 FDO 路线的效率对比

图像数量、采集时间和处理时间是对比飞行路线效率的三个重要参数。表 3 呈现了冠层上方 4 米高度下 CCO 路线与 FDO 路线的效率对比。对于面积为 470 平方米的甜菜田，CCO 路线所需图像数量仅为 FDO 路线的 62%，数据采集时间仅为 FDO 路线的 65%。处理时间取决于计算机性能，本研究中使用英特尔至强 E5 CPU 和英伟达 Quadro RTX 5000 GPU 进行重建，CCO 数据的处理时间仅为 FDO 数据的 60%，这体现了 CCO 路线更高的效率。对于面积分别为 520 平方米和 320 平方米的玉米田和棉花田，CCO 路线可在 1.5 小时内完成全区域图像采集，并能在 5 小时内重建出精度达 1.5 毫米的三维冠层模型。

飞行路线	作物类型	图像数量	采集时间	处理时间
FDO	甜菜	1786	≈2.6 小时	≈10 小时
CCO	甜菜	1125	≈1.7 小时	≈6 小时
CCO	玉米	998	≈1.5 小时	≈5 小时
CCO	棉花	810	≈1.2 小时	≈4 小时

表 3.CCO和FDO路线在冠层上方4 m处的效率比较

本研究进行了效率模拟，以对比不同飞行高度下 CCO 路线与 FDO 路线在更大面积冠层（4542 平方米、10647 平方米和 20733 平方米）上的效率。路线模拟通过 Waypoint Master 软件实现，CCO 路线的圈内重叠率设为 85%、圈间重叠率设为 50%，FDO 路线的沿向重叠率设为 80%、交叉重叠率设为 70%。表 4 为面积约 4542 平方米冠层的效率模拟结果。

飞行高度（米）	CCO 图像数量	FDO 图像数量	比例
5	3600	10005	36%
6	2340	7029	33%
8	1500	4000	38%
10	750	2461	30%
15	390	1298	30%
20	300	640	47%
30	120	320	38%
40	90	172	52%
平均值	-	-	38%

表 4.不同冠层上方飞行高度下 CCO 与 FDO 路线的效率模拟（路线模拟通过 Waypoint Master 软件进行，重建面积约 4542 平方米；相机视角均为 45°（天底摄影为 90°）；CCO 路线圈内重叠率 85%、圈间重叠率 50%；FDO 路线沿向重叠率 80%、交叉重叠率 70%；“比例” 指 CCO 与 FDO 所需图像数量的比值）

结果显示，在不同高度下，CCO 路线所需图像数量远少于 FDO 路线，平均仅为 FDO 路线的 38%。此外，CCO 路线在面积为 10647 平方米和 20733 平方米的冠层上表现更优，所需图像数量平均分别仅为 FDO 路线的 35%和 37%。

3.2 CCO 路线的三维冠层重建结果

利用获取的 CCO 图像序列，通过 SfM 算法成功重建了三种作物多个小区的稠密点云。玉米、棉花和甜菜的处理图像数量分别为 998 张、1021 张和 1150 张。图 7 展示了 39 DAS（播种后 39 天）玉米、47 DAS 棉花和 102 DAS 甜菜多个小区的三维冠层示例。通过 RGB 或高度渲染的点云俯视图和侧视图（图7a、7c、7e）呈现了作物属性的异质性信息。39 DAS 的玉米和 47 DAS 的棉花均获得了高质量点云，多个小区实现了完整重建（图 7b、7d）。相比之下，102 DAS 的甜菜冠层重建质量相对较差，原因是叶片间存在相互遮挡。

图 7.（a）玉米在39 DAS，（c）棉花在47 DAS和（e）甜菜在102 DAS的多个地块的CCO衍生的密集点云。（b）玉米、（d）棉花和（f）甜菜的点云的俯视图和侧视图。

点云揭示了玉米和棉花在三个连续生长阶段的实际生长状态（图 8）。甜菜仅采集了单阶段数据，因此无法获取其生长信息。39 DAS、61 DAS 和 78 DAS 的玉米三维冠层均实现了高质量重建，茎、叶乃至雄穗都得到了完整重建（图 8d、8e、8f）。47 DAS 至 90 DAS 期间，棉花冠层覆盖率逐渐增加，90 DAS 时实现完全覆盖。47 DAS 的棉花冠层重建效果最佳，单株得以完整重建（图 8a）；但 71 DAS 时仅冠层中上部叶片实现高质量重建（图 8b），90 DAS 时仅上部叶片实现高质量重建（图 8c）。

图 8.玉米和棉花冠层点云三个阶段的演示。

3.3 器官尺度结构性状的精度对比与评估

从 CCO 和 FDO 方法获取的三维冠层模型中估算了甜菜的叶长和叶宽，并与人工测量值进行对比（图 9）。结果显示，CCO 重建的三维冠层模型在叶长和叶宽估算上表现优于 FDO 模型（叶长和叶宽的决定系数$R^2$分别为 0.80 和 0.76；叶长的均方根误差 RMSE 分别为 1.99 厘米和 2.26 厘米，叶宽的 RMSE 分别为 1.17 厘米和 1.28 厘米；叶长的归一化均方根误差 nRMSE 分别为 7.6% 和 8.8%，叶宽的 nRMSE 分别为 8.1% 和 8.9%）。

图 9.来自 CCO 衍生（a， c）和 FDO 衍生（b， d）冠层结构模型的甜菜叶性状与手动测量的比较。叶性状包括叶长（a， b）和宽度（c， d）。

此外，FDO 重建的三维冠层模型中存在更多不完整叶片。在叶长估算中，CCO 模型中有 13 片叶片重建不完整，而 FDO 模型中有 20 片；在叶宽估算中，CCO 模型中仅 1 片叶片重建不完整，而 FDO 模型中有 6 片。

通过标记叶片评估了 CCO 重建的作物三维点云精度。根据重建质量，标记叶片分为完整叶片和不完整叶片两类。玉米和棉花的标记叶片完整重建率分别为 60% 和 76.3%，不完整叶片主要来自下层。玉米（叶长 $R^2=0.93$ )、叶宽 $R^2=0.88$ )；见图 10a、10c）和棉花（叶长 $R^2=0.81$ )、叶宽 $R^2=0.93$ )；见图 10b、10d）的实测与估算叶长、叶宽均具有高度一致性。不完整叶片的点偏离 1:1 线，在叶片尺度结构信息估算中表现较差。

图 10. 通过人工测量和 CCO 衍生的玉米（a， c）和棉花（b， d）的冠层结构模型比较叶片性状。从上、中、下三层（上、中、下三层）提取叶片性状，包括（a， b）叶长和叶宽（c， d）。

3.4 CCO 路线与 FDO 路线的图像利用率

采用 2.5 节提出的图像利用率算法对比了 CCO 路线与 FDO 路线的图像利用率。该算法以 D 值为阈值区分有效图像和无效图像。如图 11 所示，无论 D 值如何变化，两条路线的图像利用率趋势基本一致。本研究提出三个指标评估图像利用率：总利用率（TU）、有效利用率（EU）和遮挡率（OR）。TU 反映不考虑冠层遮挡时的图像利用率，EU 和 OR 则考虑冠层遮挡的影响。由于 D 值小于 0.5 的有效图像包含的信息量较少，本研究将 D 值从 0.5 以 0.1 为间隔递增至 0.9。结果显示，随着 D 值增大，EU 降低、OR 升高，而 TU 基本保持不变。平均而言，CCO 路线的 TU 比 FDO 路线TU高 20%，EU 高 124%，OR 低 11.7%。综上，这些结果表明 CCO 路线具有更高的有效图像利用率和更低的遮挡率。

图 11.CCO 和 FDO 路线在不同 D 值下各种样地的总利用率（TU）、有效利用率（EU）和闭塞率（OR）的平均值比较。D 值是图像利用算法中的阈值，用于区分有效图像和无效图像。CCO 路由的平均 TU 比 FDO 路由高 20%。CCO 路线的平均 EU 比 FDO 路线高 124%。CCO 路线的平均 OR 比 FDO 路线低 11.7%。

为更好地理解不同冠层结构对两条路线图像利用率的影响，将标记叶片按小区一半高度为阈值分为两个高度组，并按 60° 为阈值（天顶角）分为两个叶角组，再根据冠层高度和叶角组合形成四个类别：低 - 平组、低 - 陡组、高 - 平组和高 - 陡组。例如，低 - 平组指标记叶片高度低于小区一半高度且天顶角＞60°。图 12 展示了不同类别下三个指标的统计结果，为便于清晰对比，D 值设为 0.6（不同 D 值的对比结果见图 S1、S2、S3）。在 TU 方面，两条路线差异不大；低 - 平组表现最佳，高 - 陡组表现最差，这表明不考虑遮挡时，下层和平展叶片的图像利用率更高（因相机视野呈发散状）。在所有类别中，CCO 路线的 EU 平均比 FDO 路线高 148.6%，OR 平均低 13.84%。图 12的另一重要发现是，高 - 平组的 EU 表现最佳，而低 - 陡组的 EU 表现最差，这与 OR 的趋势完全相反。这些结果表明，考虑冠层遮挡时，叶片位置越高、形态越平展，相机捕捉的信息量越多。

图12.不同类型标注叶下两种路线的TU、EU和OR比较。（a）、（d）和（g）显示了不同叶高下的比较。低表示叶子小于或等于地块高度的一半，高表示叶子高于地块高度的一半;（b）、（e）和（h）表示不同叶子天顶角下的比较。平坦表示叶顶角为 >60◦，陡峭表示叶顶角小于或等于 60◦;（c）、（f）和（i）表示不同叶高和天顶角下的比较。l ow-flat 群表示叶子低于或等于图的半高，其叶子天顶角为 >60◦。

为直观展示 CCO 路线与 FDO 路线的差异，图 13 展示了两条路线对某一标记叶片的回溯图像（包括有效图像和无效图像）。FDO 路线的回溯图像数量多于 CCO 路线（1786 张 vs 1431 张），导致两条路线的 TU 差异较小；但 CCO 路线的有效图像与回溯图像的比值显著高于 FDO 路线，因此其 EU 远高于 FDO 路线。两条路线有效图像的方位角（以 0° 为正南方向）分布如图 S4 所示。CCO 路线的有效图像在三个方位角区间存在缺失：119.9°–141.6°、179.3°–198.0° 和 198.0°–234.9°；FDO 路线的有效图像在六个方位角区间存在缺失：36.1°–52.9°、64.0°–100.9°、132.4°–153.6°、171.6°–198.9°、211.0°–226.5° 和 355.0°–10.2°。与 FDO 路线相比，CCO 路线从更广泛的视角获取了标记叶片的有效图像，因此其 OR 更低。

图 13.使用所提出的图像利用率算法，在（a）CCO路由和（b）FDO路由中标记叶片的有效和无效图像示例。

3.5 基于 CCO 重建三维冠层模型的作物动态生长表征

利用 CCO 重建的三维冠层模型估算株高的精度较高， $R^2=0.93$ ，RMSE=12.48 厘米，nRMSE=8.8%（图 14）。

图 14.除人工测量外，根据CCO衍生的玉米（39和61 DAS）和棉花（71 DAS）冠层结构模型估计的株高比较

随后从 CCO 重建的三维冠层模型中量化了作物在三个不同生长阶段的动态高度。39 DAS 至 61 DAS 期间，玉米的平均生长高度增加 52%（图 15a）；47 DAS 至 71 DAS 期间，棉花的平均生长高度增加 123%（图 15b）；而在棉花后两个生长阶段，株高几乎无变化。

图 15.不同玉米（a）和棉花（b）品种在三个生长阶段的株高变化。横坐标代表玉米或棉花品种。

4 结论

本研究提出了一种高通量方法，利用轻型无人机、交叉环绕倾斜（CCO）路线及运动恢复结构-多视图立体匹配（SfM-MVS）算法，实现了田间作物三维冠层结构模型的精准重建。该方法具有移动性强、成本可控、精度高及效率高等特点。对于宽行种植的作物冠层，能够在整个生长阶段实现完整重建，并精准估算器官尺度性状（如不同层次的叶片长度和宽度）。然而，对于密植作物（如棉花）的生育后期冠层，仅能完整重建冠层上部。通过所提出的图像利用率算法评估可知，CCO路线的图像利用率优于传统五向倾斜（FDO）路线。CCO路线能够从多个视角获取冠层图像，减少冠层遮挡，更有利于复杂冠层结构作物的三维重建。此外，CCO路线采用非线性移动方式，使得单圈图像内的成像中心更稳定，相比FDO路线，其图像利用率更高，图像采集时间更短。尽管本研究中CCO路线的飞行高度相对较低（冠层上方4米），但使用更高质量的相机时，在更高飞行高度下也能达到相同的模型精度，从而显著缩短图像采集时间。该方法在多种应用中具有广阔前景，如早期活力的高通量估算、模型的精准三维结构输入以及基因型效应探究等，有望助力加快植物育种和精准农业的发展。

标签