一.研究的背景、目的和意义

1.研究背景及意义

        烟草作为我国重要的经济作物之一，其种植面积和产量的准确统计对于烟草产业的发展和管理至关重要。传统的人工烟株计数方法存在效率低、误差大、难以覆盖大面积烟田等问题，已无法满足现代烟草种植管理的需求。而无人机遥感技术具有成本低、灵活性高、分辨率高、时效性强等优点，能够快速获取大面积烟田的影像数据，为烟株提取和计数提供了一种高效、准确的新途径。

通过基于无人机遥感的烟株提取和计数研究，可以实现以下重要意义：

（1）提高烟草种植管理效率

                准确获取烟株数量和分布信息，有助于烟农合理安排种植计划、施肥灌溉、病虫害防治等农事活动，提高烟草种植的精细化管理水平，进而提高烟草产量和质量。

（2）助力烟草产业政策制定

        为政府部门和烟草企业提供准确的烟田信息，包括种植面积、烟株数量等，有利于制定科学合理的烟草产业政策、规划种植布局、调控市场供应，促进烟草产业的可持续发展。

（3）推动农业信息化发展

        本研究是农业信息化在烟草种植领域的具体应用，可为其他农作物的遥感监测和信息化管理提供借鉴和参考，推动我国农业信息化进程。

2.研究目的

（1）产量预估

        烟株数量是预估烟叶产量的关键因素之一。基于无人机遥感的烟株提取和计数处理，可以快速、大面积地获取烟株数量信息，结合历史数据和相关模型，对烟田的产量进行更准确的预估，为烟草企业的生产计划、收购安排以及市场供应预测等提供有力依据。

（2）生长状况监测

        及时了解烟株的数量变化，能够反映出烟田的出苗率、成活率以及生长过程中的动态变化情况，有助于烟农和农业技术人员早期发现可能存在的问题，如缺苗、病虫害导致的植株减少等，从而采取针对性的补救措施，确保烟株的健康生长。

（3）精准农业管理

        通过准确提取和计数烟株，为烟田的种植规划、资源分配（如灌溉、施肥、农药喷洒等）提供精确的数据支持，实现精准化农业操作，提高农业生产效率，降低生产成本，同时保障烟叶的产量和质量。

二、国内外文献综述

        无人机遥感技术以其高分辨率、高时效性、低成本和灵活机动等优势，为农业领域提供了一种全新的、高效的监测手段，能够获取农田作物的详细信息，从而实现精准农业决策。近年来，国内外学者在这一领域开展了大量的研究工作，取得了丰富的研究成果。孟秀军等以湖南省宁乡县黄材镇烟田为例，展示了无人机遥感在烟田监测中的应用潜力，为后续烟株相关研究提供了实际应用场景参考[1]。耿利川等基于YOLOv7-Sim算法对无人机遥感影像中的烟株数量进行检测，通过引入SimAM注意力机制、小目标检测层和EIOU定位损失函数等改进措施，有效解决了烟株小尺寸聚集目标的漏检问题，提高了检测精度[2]。肖恒树等则采用改进的YOLOv8算法实现大田烟株数量检测，进一步优化了烟株检测的准确性和效率，为烟田精准管理提供了重要的数据支持[3]。

        国内学者在其他作物遥感监测领域也有许多类似研究。例如，万孝军、叶冬梅研究了基于无人机遥感技术的水稻产量预估技术，借助植被指数反映水稻的生长活力和营养状况，作为产量预估的重要指标之一[4]。颜超开展了基于无人机遥感影像的大豆出苗数量检测研究，有助于大豆种植初期的苗情监测和田间管理决策[5]。韩文霆等基于无人机遥感技术提取玉米种植信息，通过计算植被指数（如NDVI、DVI等）来监测玉米的生长状况，包括生物量、叶面积指数等参数，为玉米的精准管理提供了科学依据[6]。谢瑞等采用融合多因子的无人机高光谱遥感对冬小麦产量进行估算，综合考虑了高光谱数据、气象、土壤等多源数据，提高了产量估算的准确性[7]。张利平、郑春雨利用无人机遥感影像快速提取芒果树株数，为果园管理提供了基础数据[8]。

        完成这一系列的研究少不了技术上的支持。石斌斌、闵曹文提出的基于多尺度的无人机影像特征点提取方法，为后续的几何特征提取提供了技术支持[9]。而俞浩艺比较了基于高分辨率无人机遥感影像的不同土地利用分类方法[10]。

        国外在基于无人机遥感的烟株提取和计数方面的研究相对较少，但在作物遥感监测领域有较多类似的研究基础。例如，一些研究利用无人机遥感和机器学习技术对其他农作物如棉花、水稻等进行生长监测、产量估算等，其方法和技术对烟株提取和计数研究具有一定的借鉴意义。如Aierken N等对基于无人机遥感和机器学习的棉花作物生长监测进行了综述，为烟株生长监测和信息提取提供了参考思路[11]。Tripathi R等研究了利用安装在无人机上的传感器预测水稻产量，其传感器数据处理和分析方法可启发烟株产量相关研究[12]。Yang S等运用机器学习方法基于无人机遥感数据进行小麦产量预测，通过对大量样本数据的学习，建立了产量与遥感特征之间的关系模型[13]。He L、Liao K、Li Y等科研人员展示了一项创新性的研究，该研究重点在于利用无人机（UAV）采集的高分辨率遥感影像进行烟草种植信息的精确提取[14]。Prakriti S等通过无人机遥感和机器学习技术对燕麦地上生物量进行估计，为作物生长评估和产量预测提供了新的方法和视角[15]。随着遥感技术和机器学习的不断发展，越来越多的研究致力于将两者深度融合用于农业领域。

        然而，现有的研究仍存在一些不足之处，例如在复杂环境下烟株的准确提取和计数、模型的通用性和适应性等方面还需要进一步提高，未来的研究可以在这些方面继续深入探索，以推动基于无人机遥感的烟株提取和计数技术的不断发展和完善。

三、研究的主要内容和采用的研究方法

1、课题主要内容

（1）图像预处理

收集到的图像数据将首先经过预处理，包括去噪、校正和增强，以提高图像质量并为后续分析做准备。接着，将采用图像分割技术来识别和定位烟株。

（2）烟株提取

        对处理好的烟田图像，分割出烟草植株的候选区域。通过对无人机遥感影像的光谱、纹理、几何等特征进行深入分析，确定能够有效提取烟株的特征参数。例如，研究烟株在不同生长阶段的光谱反射率变化规律，以及与其他地物在纹理和几何形状上的差异，为后续的烟株提取和计数提供理论依据2

（3）烟株计数研究

        在准确提取烟株的基础上，研究如何根据目标检测框的位置和数量信息，实现烟株的准确计数。或使用支持向量机作为分类器，将烟草植株候选区域分成烟草植株和非烟草植株两类。对烟株的特征数据进行建模和分析，预测烟株的数量，通过对比不同方法的计数结果，选择最优的计数方案。

2.拟采用的研究方法

（1）目标检测算法

基于深度学习中的目标检测算法，如 YOLOv8 等，对其进行改进和优化，使其更适用于无人机遥感影像中烟株的检测。调整网络结构、参数设置，增加训练数据的多样性和数量，提高算法对烟株的识别精度。同时，对比不同版本的目标检测算法在烟株提取中的性能表现，选择最适合的算法框架。

（2）Count Crops工具烟株提取

对影像进行预处理，包括去噪、归一化等操作，以提高后续处理的准确性。用ENVI软件中的Count Crops工具通过设定合适的参数，对影像中的烟株进行识别和提取。

图1.方法研究流程

四、主要参考文献

[1]孟秀军,谷连军,王森.无人机遥感在烟田监测中的应用——以湖南省宁乡县黄材镇烟田监测为例[J].北京测绘,2018,32(10):1169-1173.

[2]耿利川,王忠丰,秦永志,等.基于YOLOv7-Sim和无人机遥感影像的烟株数量检测[J].中国烟草科学,2023,44(04):94-102.

[3]肖恒树,李军营,梁虹,等.基于改进YOLOv8和无人机遥感影像的大田烟株数量检测[J].电子测量技术,2024,47(09):163-171.

[4]万孝军,叶冬梅.基于无人机遥感技术的水稻产量预估技术研究[J].科技风,2020,(05):3.

[5]颜超.基于无人机遥感影像的大豆出苗数量检测研究[D].扬州大学,2024.

[6]韩文霆,李广,苑梦婵,等.基于无人机遥感技术的玉米种植信息提取方法研究[J].农业机械学报,2017,48(01):139-147.

[7]谢瑞,杨福芹,冯海宽,等.融合多因子的无人机高光谱遥感冬小麦产量估算[J].河南工程学院学报(自然科学版),2023,35(02):43-48.

[8]张利平,郑春雨.基于无人机遥感影像的芒果树株数快速提取[J].测绘工程,2024,33(04):60-67.

[9]石斌斌,闵曹文.一种基于多尺度的无人机影像特征点提取方法[J].河南科技,2021,40(34):8-10.

[10]俞浩艺.基于高分辨率无人机遥感影像特征的不同土地利用分类方法对比研究[J].江西测绘,2022,(01):25-28.

[11]Aierken N ,Yang B ,Li Y , et al.A review of unmanned aerial vehicle based remote sensing and machine learning for cotton crop growth monitoring[J].Computers and Electronics in Agriculture,2024,227(P2):109601.

[12]Tripathi R ,Tripathy R B ,Jena S S , et al.Prediction of rice yield using sensors mounted on unmanned aerial vehicle[J].Agricultural Research,2024,(prepublish):1-11.

[13]Yang S ,Li L ,Fei S , et al.Wheat Yield Prediction Using Machine Learning Method Based on UAV Remote Sensing Data[J].Drones,2024,8(7):284-284.

[14]He L ,Liao K ,Li Y , et al.Extraction of Tobacco Planting Information Based on UAV High-Resolution Remote Sensing Images[J].Remote Sensing,2024,16(2):

[15]Prakriti S ,Larry L ,Jiyul C , et al.Above-Ground Biomass Estimation in Oats Using UAV Remote Sensing and Machine Learning[J].Sensors,2022,22(2):601-601.